<?xml version="1.0" encoding="UTF-8"?>
<xml>
 <records>
  <record>
   <ref-type name="Journal Article">17</ref-type>
   <contributors>
    <authors>
     <author>Lian F. Y.</author>
     <author>Fu M. X.</author>
     <author>Xu D. G.</author>
    </authors>
   </contributors>
   <titles>
    <title>КАЧЕСТВЕННЫЙ И КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СОРБАТА КАЛИЯ В СУХОМ МОЛОКЕ С ИСПОЛЬЗОВАНИЕМ ТЕРАГЕРЦОВОГО СПЕКТРА</title>
   </titles>
   <keywords>
    <keyword>терагерцовая спектроскопия во временной области</keyword>
    <keyword>сорбат калия</keyword>
    <keyword>метод наименьших квадратов</keyword>
    <keyword>частичные наименьшие квадраты</keyword>
    <keyword>дискриминантный анализ на основе частичных наименьших квадратов</keyword>
   </keywords>
   <dates>
    <year>2020</year>
    <pub-dates>
     <date>2020-09-18</date>
    </pub-dates>
   </dates>
   <journal>Журнал прикладной спектроскопии</journal>
   <abstract>Содержание сорбата калия в сухом молоке исследовано с помощью терагерцовой (ТГц) спектроскопии во временной области. ТГц спектры образцов преобразованы в частотные спектры с помощью преобразования Фурье. С применением набора упрощенных формул, описывающих оптические параметры, получены ТГц спектры поглощения и спектральные зависимости показателя преломления. На основе данных по интенсивности характерного максимума поглощения сорбата калия построена модель количественного анализа сорбата калия в сухом молоке. Метод линейных наименьших квадратов использован для оценки неизвестных параметров в модели линейной регрессии. В условиях низкого (&amp;lt;1%) содержания сорбата калия выбрана специальная полоса поглощения (0.887-1.000 ТГц) для построения модели частичной регрессии наименьших квадратов. Для качественного анализа использован дискриминантный анализ на основе частичных наименьших квадратов. Предложенная модель частичной регрессии наименьших квадратов превосходит по точности 682-2 модель линейных наименьших квадратов, основанную на полном спектре, а дискриминантный анализ на основе частичных наименьших квадратов превосходит другие методы линейной регрессии, такие как метод опорных векторов и нейронная сеть.</abstract>
   <urls>
    <web-urls>
     <url>https://www.academjournals.by/publication/15923</url>
    </web-urls>
    <pdf-urls>
     <url>https://www.academjournals.by/files/15877</url>
    </pdf-urls>
   </urls>
  </record>
 </records>
</xml>
