کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
83992 158857 2016 7 صفحه PDF سفارش دهید دانلود رایگان
عنوان انگلیسی مقاله ISI
Classification of geographic origin of rice by data mining and inductively coupled plasma mass spectrometry
ترجمه فارسی عنوان
طبقه بندی منشاء جغرافیایی برنج بوسیله داده کاوی و اسپکترومتری جرمی پلاسما
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت
خدمات تولید محتوا

این مقاله ISI می تواند منبع ارزشمندی برای تولید محتوا باشد.

  • تولید محتوا برای سایت و وبلاگ
  • تولید محتوا برای کتاب
  • تولید محتوا برای نشریات و روزنامه ها
  • و...

پایگاه «دانشیاری» آمادگی دارد با همکاری مجموعه «شهر محتوا» با استفاده از این مقاله علمی، برای شما به زبان فارسی، تولید محتوا نماید.

تولید محتوا
با 10 درصد تخفیف ویژه دانشیاری
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی


• We used data mining with ICP-MS to evaluate origin of rice.
• An accuracy above 93% was obtained with SVM and RF algorithms.
• Our method can be used for authentication purposes of other food.

Rice is one of the most consumed cereals in the world and the main food product in the diet of the Brazilian population. Brazil itself is among the ten largest producers of rice, and most of the harvest comes from the South and Midwest regions. This paper presents a data mining study of samples of rice obtained from producers in Goiás (Midwest region) and Rio Grande do Sul (South region), and builds classification models capable of predicting the geographical origin of a rice sample based on its chemical components. We use three popular classification techniques, support vector machines, random forests and neural networks, along with the F-score formula which measures the relative importance of the input variables. We achieved very good performances for the SVM, RF and MLP models with 93.66%, 93.83% and 90% prediction accuracy, respectively, on the 10-fold cross validation. The F-score shows that Cd(cadmium), Rb(rubidium), Mg(magnesium) and K(potassium) are the four most relevant components for prediction.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 121, February 2016, Pages 101–107
نویسندگان
,,,,,
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت