From Molecules to Clusters: Unsupervised Learning Insights into Perfume Composition
سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 58
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
DSAI01_017
تاریخ نمایه سازی: 4 تیر 1403
چکیده مقاله:
This study presents a novel application of unsupervised machine learning techniques to analyze the molecular and evaporative characteristics of perfumery compounds. A dataset comprising molecular descriptors, structural notations, and physical properties of scent compounds has been prepared using three extensive SQL databases, and some well-known methodological approaches including Principal Component Analysis (PCA) and Factor Analysis (FA) for dimensionality reduction and Hierarchical Clustering (HC) are implemented to identify intrinsic olfactory families without relying on pre-existing classes.
کلیدواژه ها:
نویسندگان
T Manouchehri
Department of Statistics, Shiraz University, Shiraz, Iran