國立高雄大學圖資館 |

語系: 繁體中文

說明(常見問題)

圖資館首頁

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

食品營養近似度之分析與應用 = Analysis and Applica...

國立高雄大學資訊工程學系碩士班

食品營養近似度之分析與應用 = Analysis and Applications of Nutrient Similarity of Foods

紀錄類型:	書目-語言資料,印刷品 : 單行本
並列題名:	Analysis and Applications of Nutrient Similarity of Foods
作者:	柯榮智,
其他團體作者:	國立高雄大學
出版地:	[高雄市]
出版者:	撰者;
出版年:	2013[民102]
面頁冊數:	95面圖，表 : 30公分;
標題:	食品成分
標題:	Food Classification
電子資源:	http://handle.ncl.edu.tw/11296/ndltd/10176002720196513245
附註:	參考書目：面83-85
附註:	103年12月16日公開
摘要註:	近年來台灣發生不少食品安全事件，加上隨著生活品質提升，人們對飲食健康與養生保健愈來愈重視。由於食品種類繁多，如何評估食品的營養素價值和找出替代食品遂成為重要的研究課題。在本研究中，我們提出將向量空間模型應用在食品營養素成分的分析上，利用向量關係來計算食品彼此間的營養近似度，並且進一步應用在食品分類及食品分群的相關研究。在食品近似度計算分析中，除了討論營養素數值正規化外，我們還討論營養素個數的挑選是否會影響近似度的計算，並從中挑選出計算近似度最好的搭配方法。在食品分類應用的實驗中，我們進一步討論不同的分類方法，包括依最近似食品來分類、各組近似排名平均值來分類、取食品類別平均分類、類神經網路方法分類等。在食品分群應用的實驗中，我們則分析「無加權平均重法」與「近鄰結合法」的表現差異。本研究以美國食品營養資料庫為基礎來進行分析，整體來說，經過平均正規化處理的資料且挑選全部營養素的搭配方法，不論在近似實驗、分類實驗與分群實驗的結果中均有不錯的表現，分類方法中則以依最近似食品來分類的方法效果較好，分群方法則各有所長，效果依評估指標而定。我們的研究提供詳實的食品營養分析結果，利用所提出各種自動化、規則化的營養素計算方法，將可以協助營養師及一般大眾快速地分析食品彼此間的近似關係，或進行食品自動分類或分群的應用，極具實用價值。 Recently there are many food safety scandals in Taiwan. With the improvement of life quality, people have more attention to food safety and healthiness. As wide variety of foods, how to evaluate nutrient values of foods and how to find alternative foods have become important research topics. In this study, we propose vector space models to analyze nutrient similarity of foods, and further apply the similarity measurement approaches to the studies of food classification and food clustering. For the analysis of food similarity, we investigate the effects of availability and normalization of nutrient data. For food classification, four classification methods are evaluated: the food-closest match method, the group-closest match method, the average ranking method, and the neural network classification method. For food clustering, two classical methods are evaluated: UPGMA and neighbor-joining. Analyzing the food composition data of the USDA nutrient databank, our results show that normalizing all available nutrient data to measure food similarity generally performs better in all analyses. In addition, the food-closest match method outperforms the others for food classification, but UPGMA and neighbor-joining both perform well under different parameters for food clustering. This study proposes several automatic computational approaches to analyze, classify and cluster foods, and conducts many intensive analyses to verify the effectiveness of the proposed approaches. We believe the systems with these approaches can help dieticians and users to evaluate nutrient values of foods and to find alternative foods conveniently.

食品營養近似度之分析與應用 = Analysis and Applications of Nutrient Similarity of Foods
柯, 榮智

食品營養近似度之分析與應用 = Analysis and Applications of Nutrient Similarity of Foods / 柯榮智撰 - [高雄市] : 撰者, 2013[民102]. - 95面 ; 圖，表 ; 30公分.
參考書目：面83-85103年12月16日公開.
食品成分Food Classification

食品營養近似度之分析與應用 = Analysis and Applications of Nutrient Similarity of Foods
LDR:04488nam0a2200289 450 001 430131
005 20170214094348.0
009 430131
010 0 $b 精裝
010 0 $b 平裝
100 $a 20170214d2013 k y0chiy05 e
101 1 $a chi $d chi $d eng
102 $a tw
105 $a ak am 000yy
200 1 $a 食品營養近似度之分析與應用 $d Analysis and Applications of Nutrient Similarity of Foods $z eng $f 柯榮智撰
210 $a [高雄市] $c 撰者 $d 2013[民102]
215 0 $a 95面 $c 圖，表 $d 30公分
300 $a 參考書目：面83-85
300 $a 103年12月16日公開
314 $a 指導教授：吳俊興博士
328 $a 碩士論文--國立高雄大學資訊工程學系碩士班
330 $a 近年來台灣發生不少食品安全事件，加上隨著生活品質提升，人們對飲食健康與養生保健愈來愈重視。由於食品種類繁多，如何評估食品的營養素價值和找出替代食品遂成為重要的研究課題。在本研究中，我們提出將向量空間模型應用在食品營養素成分的分析上，利用向量關係來計算食品彼此間的營養近似度，並且進一步應用在食品分類及食品分群的相關研究。在食品近似度計算分析中，除了討論營養素數值正規化外，我們還討論營養素個數的挑選是否會影響近似度的計算，並從中挑選出計算近似度最好的搭配方法。在食品分類應用的實驗中，我們進一步討論不同的分類方法，包括依最近似食品來分類、各組近似排名平均值來分類、取食品類別平均分類、類神經網路方法分類等。在食品分群應用的實驗中，我們則分析「無加權平均重法」與「近鄰結合法」的表現差異。本研究以美國食品營養資料庫為基礎來進行分析，整體來說，經過平均正規化處理的資料且挑選全部營養素的搭配方法，不論在近似實驗、分類實驗與分群實驗的結果中均有不錯的表現，分類方法中則以依最近似食品來分類的方法效果較好，分群方法則各有所長，效果依評估指標而定。我們的研究提供詳實的食品營養分析結果，利用所提出各種自動化、規則化的營養素計算方法，將可以協助營養師及一般大眾快速地分析食品彼此間的近似關係，或進行食品自動分類或分群的應用，極具實用價值。 Recently there are many food safety scandals in Taiwan. With the improvement of life quality, people have more attention to food safety and healthiness. As wide variety of foods, how to evaluate nutrient values of foods and how to find alternative foods have become important research topics. In this study, we propose vector space models to analyze nutrient similarity of foods, and further apply the similarity measurement approaches to the studies of food classification and food clustering. For the analysis of food similarity, we investigate the effects of availability and normalization of nutrient data. For food classification, four classification methods are evaluated: the food-closest match method, the group-closest match method, the average ranking method, and the neural network classification method. For food clustering, two classical methods are evaluated: UPGMA and neighbor-joining. Analyzing the food composition data of the USDA nutrient databank, our results show that normalizing all available nutrient data to measure food similarity generally performs better in all analyses. In addition, the food-closest match method outperforms the others for food classification, but UPGMA and neighbor-joining both perform well under different parameters for food clustering. This study proposes several automatic computational approaches to analyze, classify and cluster foods, and conducts many intensive analyses to verify the effectiveness of the proposed approaches. We believe the systems with these approaches can help dieticians and users to evaluate nutrient values of foods and to find alternative foods conveniently.
510 1 $a Analysis and Applications of Nutrient Similarity of Foods $z eng
610 0 $a 食品成分 $a 營養近似度 $a 食品分類 $a 食品分群 $a 營養親緣樹
610 1 $a Food Classification $a Food Composition $a Nutrient Similarity $a Phylonutritive Tree $a Food Clustering
681 $a 008M/0019 $b 464103 4198 $v 2007年版
700 1 $a 柯 $b 榮智 $4 撰 $3 673355
712 0 2 $a 國立高雄大學 $b 資訊工程學系碩士班 $3 353878
801 0 $a tw $b NUK $c 20141021 $g CCR
856 7 $z 電子資源 $2 http $u http://handle.ncl.edu.tw/11296/ndltd/10176002720196513245