Die Erfindung dient insbesondere der Klassifizierung von Wein und Kaffee.

Die Klassifizierung von Weinen nach beispielsweise Weinsorte, Weinanbaugebiet, Rebsorte und Jahrgang ist derzeit nur mit einem sehr gut trainierten Geruchs-und Geschmackssinn des Weinkenners auf sensorisch subjektivem Weg möglich. Neben den naturgegebenen Ungenauigkeiten, wie beispielsweise bei der Unterscheidung einzelner Jahrgänge eines Weines, sind diese sensorischen Qualitäten nur einem relativ kleinen Personenkreis vorbehalten.

Es hat daher in der Vergangenheit nicht an Versuchen gefehlt, die unterschiedlichen Weine mit wissenschaftlichen Methoden, etwa der Analyse einzelner chemischer Parameter, wie Zuckergehalt, Säuregrad, Ethanolgehalt usw. und/oder durch physikalisch chemische Methoden wie optische Rotationsdispersion, Brechungsindex, usw., zu untersuchen und durch die Interpretation der Einzeldaten, einer Gruppe von Daten oder der Gesamtheit dieser Daten eine eingangs genannte Klassifizierung zu bewerkstelligen.

Aufgrund der komplexen Zusammensetzung des Weines einerseits, jedoch der Ähnlichkeit einzelner Parameter andererseits sind bislang sämtliche Versuche einer verläßlichen Aussage mittels analytischer Verfahren über

beispielsweise Weinsorte, Weinanbaugebiet, Rebsorte und Jahrgang eines in Rede stehenden Weines gescheitert.

Aus unterschiedlichen Gründen ist es jedoch sinnvoll, ein zuverlässiges Verfahren zur Klassifizierung von Weinen zur Verfügung zu haben.

Einerseits ist so die lebensmitteltechnische Überwachung von Handelsprodukten und deren Übereinstimmung mit dem Weingesetz möglich, weil so beispielsweise erfaßt werden kann, ob die Kriterien der Nomination des Anbaugebietes erfüllt sind, ob also beispielsweise ein unzulässiger Verschnitt mit einer anderen Rebsorte/Anbaulage vorliegt.

Andererseits wäre mit einem solchen Klassifizierungsverfahren auch die Steuerung des Herstellungsprozesses und Lagerreifung während der Weinherstellung durch den Winzer denkbar.

Neben dem oben erwähnten klassischen Stand der Technik der Weinanlytik ist es ferner aus der Diplomarbeit mit dem Titel"Anwendung multivariater Methoden und künstlicher neuronaler Netze zur Klassifizierung von Spirituosen mittels Headspace-GC/MS-Kopplung", vorgelegt von Patrick Kursawe, Lehrstuhl für analytische Chemie der Ruhr-Universität Bochum 1998, bekannt, unterschiedliche Schnäpse vom Grappa bis zum Rum unter Anwendung multivariater Methoden und künstlicher neuronaler Netze und Hauptkomponentenanalyse relativ zuverlässig zu klassifizieren.

In Bezug auf eine Weinklassifizierung mit den modernen chemometrischen Methoden haben Montanarella et al. [Montanarella, T., Bassani, M. R., Broas, O. (1995) : Chemometric Classification of Some European Wines Using Pyrolysis Mass Spectrometry, Rapid Comm. Mass Spectrom. 9 (15), 1589- 1593] versucht, unter Einsatz verschiedener multivariater Methoden sowie Backpropagation-Netze Weine bezüglich ihres Herkunftslandes anhand von

Pyrolyse-Massenspektren zu klassifizieren. Eine feine Unterscheidung zwischen unterschiedlichen Regionen mißlang jedoch.

Ausgehend vom Stand der Technik der Montanarella et al. (1995) ist es daher Aufgabe der vorliegenden Erfindung, ein zuverlässiges Verfahren zur Klassifizierung von Getränken natürlicher Herkunft, insbesondere Weine und Kaffees-neben der visuell erkennbaren Farbe-mindestens nach der Wein-bzw. Kaffeesorte zu Verfügung zu stellen.

Die Aufgabe wird gelöst durch die kennzeichnenden Merkmale des Anspruchs 1.

Insbesondere umfaßt das erfindungsgemäße Verfahren zur Klassifizierung von Getränken natürlicher Herkunft, die folgenden Schritte : a) Bereitstellen einer Mehrzahl von Getränkeklassen mit jeweils einer Mehrzahl von Kalibrierungs-Getränkeproben pro Klasse mit einer Mehrzahl bekannter Klasseneigenschaften ; gekennzeichnet durch : b) Einstrahlen von Meßlicht aus einem vorgegebenen Wellenlängenbereich in die Getränkeproben ; c) Erfassen des durch die Getränkeproben hindurch tretenden, reflektierten, reimitierten und/oder gestreuten Meßlichts ;

d) Bestimmen des wellenlängenabhängigen Verhältnisses von eingestrahltem zu erfaßtem Meßlicht (Spektrum) für jede Getränkeprobe einer Klasse ; e) numerisch-mathematische Aufbereitung der Spektraldaten der einzelnen Getränkeproben ; f) Korrelation der Spektren einer Mehrzahl von Getränkeproben mit einer vorgegebenen Getränkeklasse ; g) Erstellen einer Datenbank aus den aufbereiteten Spektraldaten mit unterschiedlichen Getränkeklassen, basierend auf den gemessenen Getränkeproben der einzelnen Klassen zur Kalibrierung einer Klassenkorrelation ; h) Wenigstens einmaliges Wiederholen der Schritte b) bis e) mit wenigstens einer Getränkeprobe mit wenigstens teilweise unbekannten Eigenschaften ; und i) Bestimmen der Getränkeklassen, zu welcher die unbekannte Getränkeprobe zuzuordnen ist, mittels einer Klassenkorrelation der gemessenen Spektren unter Verwendung der erstellten Kalibrierungsdatenbank aus Schritt g).

Besonders bevorzugt werden Wein und Kaffe als Getränk verwendet.

Mit dem erfindungsgemäßen Verfahren ist es erstmals möglich eine Weinprobe wenigstens hinsichtlich ihrer zugehörigen Weinsorte (neben der

visuell erkennbaren Farbe) zu klassifizieren. In der Regel sind jedoch sogar Klassifizierungen nach Rebsorte, Anbaugebiet und Jahrgang möglich.

Unter dem Begriff"Klasse"oder"Weinklasse"wird für die Zwecke der vorliegenden Erfindung eine Gruppe von Weinen mit definierten Eigenschaften, also Klasseneigenschaften, wie beispielsweise Weinsorte, Rebsorte, Anbaugebiet und Jahrgang, verstanden.

So kann beispielsweise die Weinklasse"Chianti Antinori 1996"die Klasseneigenschaften : Weinsorte :"Rotwein, Typ Chianti","Rebsorte : Hauptbestandteil : Sangiovese"Anbaugebiet :"Südtirol"und Jahrgang"1996" aufweisen.

Mit dem erfindungsgemäßen Verfahren konnten mit unbekannten Weinproben beispielhaft bei folgenden Weinen eine eindeutige Klassifizierung erreicht werden : Reinweine : Lagrein und Cabernet : Jahrgänge 1997 und 1998, Weinforschungszentrum Laimburg ; Chianti Classico Villa Antinori : Jahrgang 1996, Anbaugebiete Tirol und Südtirol, Rebsorte : Hauptbestandteil : Sangiovese ; Es hat sich ferner überraschend herausgestellt, daß sich das erfindungsgemäße Verfahren ebenfalls zur Klassifizierung von Kaffee nach den Klassen : Kaffesorte ; Herkunftsland, Kaffeeanbaugebiet ; Röstverfahren ; chemische Parameter, insbesondere Coffeingehalt, Bitterstoffgehalt, Säuregrad, insbesondere Gehalt an Chlorogensäuren, toxikologische Parameter, insbesondere Herbizid-und Pestizidgehalt, besonders gut eignet.

Gemäß der vorliegenden Erfindung ist es bevorzugt, ein NIR-Spektrum der in Rede stehenden Weine ohne weitere Probenvorbereitung aufzunehmen.

Hierfür kann beispielsweise ein handelsübliches NIR-VIS-Spektrometer verwendet werden. Die numerisch-mathematische Aufbereitung der Spektrenrohdaten kann mit einer ebenfalls handelsüblichen Software, z. B.

BCAP V 6.00 [Firma BÜHLER AG, ANATEC, CH-9240 Uzwil, Schweiz] erfolgen.

Die Klassenkorrelation kann ebenfalls mit einer handelsüblichen Software, beispielsweise Nircal 3.0 [Firma Buchi AG, CH-9230 Flawil 1], z. B. mittels Hauptkomponentenanalyse und Clusterung erfolgen. Das Ergebnis kann beispielsweise in Form einer Clusterabbildung als 3D-Plot dargestellt werden, bei dem die Achsen die Hauptkomponenten darstellen.

Zur Kalibrierung des erfindungsgemäßen Verfahrens wird zunächst von einer Mehrzahl von hinsichtlich Weinsorte, Rebsorte oder Rebsorten, Anbaugebiet und Jahrgang bekannten Weinproben (in der Regel mindestens 10 Proben/Klasseneigenschaft) jeweils ein NIR-Spektrum, in der Regel mehrfach gemessen, um statistische Schwankungen abzupuffern.

Diese Daten werden in der Regel numerisch-mathematisch aufbereitet, um die Datenmenge zu reduzieren und um sich auf die wesentlichen Charakteristiken der Spektren zu konzentrieren.

Dann wird das Verfahren mit diesen Proben derart korreliert, daß multivariate Methoden wie Hauptkomponentenanalyse, Clusterung, künstliche neuronale Netze auf diese aufbereiteten Daten angewendet wird, um aus der Flut der Daten eine Aussage treffen zu können, ob eine unbekannte Weinprobe, wenn sie ebenfalls NIR-spektroskopisch vermessen wird, zu dieser Klasse gehört oder nicht.

Unter multivariaten Methoden versteht man Auswerteverfahren, die mehr als nur ein Meßsignal derselben Probe verwenden, um zu einem Analysenergebnis zu kommen. Zu diesen Methoden zählen u. a. die multilineare Regression (MLR), Hauptkomponentenanalyse (PCA = Principal Components Analysis), Hauptkomponentenregression (PCR = Principal Components Regression), Methode der teilweisen kleinsten Quadrate (PLS : Partial Least Squares), Clustermethoden und künstliche neuronale Netze.

Für die künstlichen neuronalen Netze kommen insbesondere folgende Algorithmen in Betracht : Backpropagation-Netze, Dynamic Learning Vector Quantization (DLVQ-Algorithmus), Radial Basis Functions (RBF-Netze), insbesondere mit dem Dynamic Decay Adjustment Algorithmus (DDA- Algorithmus) trainierte RBF-Netze (RBF-DDA-Netz).

Die PCA führt eine Aufteilung der ursprünglichen Datenmatrix in zwei Matrizen durch, die Faktorenwerte und Ladungen (Loadings) genannt werden. Im ursprünglichen Datenraum wird ein Vektor so gewählt, daß bei einer Projektion der Daten auf ihn, der größtmögliche Teil der Varianz abgebildet wird. Dieser Vektor ist die erste Hauptkomponente. Orthogonal zur ersten Hauptkomponente wird eine zweite und gegebenenfalls eine zur ersten und zweiten Hauptkomponente orthogonal eine dritte, wobei die zweite und dritte Hauptkomponente möglichst viel der durch die ersten bzw. zweite Hauptkomponente noch nicht beschriebenen Varianz abbilden soll.

Die Koordinaten entlang der ersten Hauptkomponente enthalten die wesentlichen Informationen der Daten, die zweite und dritte Hauptkomponente geben im wesentlichen die Streuung wieder.

Dieser Vorgang wird wiederholt bis entweder die Zahl der Hauptkomponenten der der Dimension der Ausgangsdaten entspricht oder ein bestimmtes Abbruchkriterium erreicht wird.

Die so erhaltenen Hauptkomponenten sind Linearkombinationen der ursprünglichen Dimensionen. Sie sind linear unabhängig voneinander, wodurch eine definierte Anzahl von Hauptkomponenten weniger redundante Information enthält als die gleiche Anzahl der Ausgangsvariablen.

Ferner beschreiben die so erhaltenen Hauptkomponenten jeweils möglichst viel der Varianz der Ausgangsdaten, die von den vorliegenden Hauptkomponenten noch nicht beschrieben wurde. Dies führt dazu, daß in der Regel die ersten drei bis fünf Hauptkomponenten den wesentlichen Anteil der Information im Datensatz wiedergeben.

Mathematisch gesehen, ist die Hauptkomponentenanalyse ein Eigenwertproblem, dessen grundsätzliche Lösung dem Fachmann bekannt ist.

Das Resultat der Hauptkomponentenanalyse ist also eine Transformation des N-dimensionalen ursprünglichen Datenraumes, die zufolge hat, daß die ersten Dimensionen die wesentlichen, stark zur Gesamtvarianz beitragenden Datenteil enthalten und die letzten Dimensionen praktisch nur noch den Rauschanteil wiedergeben. Auf diese Weise ist die Struktur der in Rede stehenden spektroskopischen Daten durch Auftragung der ersten Hauptkomponenten gegeneinander darstellbar. Als zweidimensionale, vorzugsweise 3D-Abbildung stehen sie dann beispielsweise zur visuellen Auswertung durch den Anwender zur Verfügung, dem es überlassen bleibt eine solche Darstellung zu wählen, daß eine Einteilung von Weinproben in

bestimmte Klassen erfolgen kann, was selbstverständlich auch automatisiert werden kann.

Bei der Kalibrierung können dann die sogenannten Toleranzkreise der Abbildungen so gewählt werden, daß sie an bestimmte Klassen bei Bedarf angepaßt werden können, um die Klassifizierung zu erleichtern.

Bevorzugt werden etwa 70% sämtlicher pro Klasse gemessener Weinproben zur Kalibrierung und etwa 30% zur Validierung des erfindungsgemäßen Verfahrens verwendet.

Zur besseren Reproduzierbarkeit des erfindungsgemäßen Verfahrens, werden die Proben bei einer konstanten Temperatur, vorzugsweise bei ca.

23°C, gemessen.

Mit dem erfindungsgemäßen Verfahren können Weinproben mit folgenden Klasseneigenschaften klassifiziert werden, wobei folgende Gruppe wenigstens teilweise umfaßt wird : Weinsorte ; Weinanbaugebiet ; Rebsorte ; Rebwurzelstock ; Jahrgang ; Materialart, insbesondere Holzart des zur Lagerung/Reifung verwendeten Weinfasses, vorzugsweise Eichenart, z. B. amerikanische Eiche, Französische Eiche oder auch ungarische Eiche ; unterschiedlicher Reifegrad der Lagerung im Faß ; chemische Parameter, insbesondere Ethanolgehalt Zuckergehalt, Säuregrad, S02-Gehalt ; Tanningehalt ; pH-Wert ; Wassergehalt ; Trockenrückstand ; Polyphenolgehalt ; toxikologische Parameter, insbesondere Glykolgehalt und/oder Methanolgehalt.

Weitere bevorzugte Ausführungsformen der vorliegenden Erfindung sind in den Unteransprüchen angegeben.

Ergänzende Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aufgrund der Beschreibung von Ausführungsbeispielen sowie anhand der Zeichnung.

Es zeigt : Fig. 1 eine erste Clusterabbildung der Weinsorten : Chianti und Lagrein ; Fig. 2 eine zweite Clusterabbildung der Weinsorten : Chianti und Lagrein ; Fig. 3 eine erste Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet ; Fig. 4 eine zweite Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet ; Fig. 5 eine dritte Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet ; Fig. 6 eine Clusterabbildung der Cabernet-Jahrgänge 1997 und 1998 ; und Fig. 7 eine Clusterabbildung des Reifeprozesses.

In den Fig. 1 bis 6 sind Clusterabbildungen für unterschiedliche Weine und Jahrgänge gezeigt.

Zunächst wurden von unterschiedlichen Weinen NIR-Spektren angefertigt.

Diese Spektren wurden in 20 ml Meßküvetten ohne weitere Probenvorbereitung mit einem NIR-VIS-Spektrometer (FT-IR- Universalspektrometer) und mit der Software BCAP V6.0 (BÜHLER Analytical Package, BÜHLER AG, Anatec ; CH-9240 Uzwil, Schweiz) bearbeitet.

Die Klassifizierung durch Hauptkomponentenanalyse/Clusterung erfolgte mittels der Software NIRCAL 3.0 (BÜHLER AG, Anatec ; CH-9240 Uzwil, Schweiz). Hierbei handelt es sich um eine Software zur Steuerung des NIR- VIS-Spektrometers und chemometrischen Auswertung der aufgenommenen Spektren.

Die optischen Schichtdicken zur Messung der Spektren lag in den Beispielen bei 0,5 mm oder 3 mm.

Sämtliche Proben wurden bei einer konstant thermostatisierten Temperatur von ca. 23°C gemessen.

Die beispielhaft untersuchten Weine teilten sich auf drei unterschiedliche Weinklassen auf : 1. Reinweine, d. h. Weine, die zu 100% aus einer definierten Rebsorte hergestellt werden und aus einem einzigen (im Beispielsfalle relativ kleinem) Anbaugebiet stammen. In dieser Weinklasse wurden Weine der Rebsorte"Lagrein"vom Weinforschungszentrum Laimburg, Jahrgänge 1997 und 1998, verwendet.

2. Reinweine, d. h. Weine die zu 100% aus einer einzigen Rebsorte hergestellt werden und ebenfalls aus einem kleinen Anbaugebiet stammen. In dieser Weinklasse wurden Weine der Rebsorte"Cabernet"ebenfalls vom Weinforschungszentrum Laimburg, Jahrgänge 1997 und 1998, verwendet.

3. Weine, die aus einem breiten Anbaugebiet stammen und zu deren Herstellung mehrere Rebsorten verwendet werden. In dieser Weinklasse wurde ein "Chianti Antinori", Jahrgang 1996 verwendet, erworben in verschiedenen Geschäften in Tirol und Südtirol (Hauptbestandteil ist die Rebsorte"Sangiovese".

4. Als Qualitätskontrolle für das erfindungsgemäße Verfahren wurden mallorquinische Weine aus dem Weingut der Anmelderin verwendet.

Für die Kalibrierung der einzelnen Klasseneigenschaften wurden im Beispielsfalle jeweils wenigstens 15 Proben eingesetzt. Im Falle der Kalibrierung für einen Jahrgang wurden 10 Proben verwendet. Die Anzahl der Scans pro Spektrum und Probe lag zwischen 3 und 20.

Im 3D-Plot der drei Hauptkomonenten (Clusterabbildungen) war es möglich, die Weinklassen Lagrein, Sangiovese (Chianti) und Cabernet darzustellen.

Unbekannte Proben konnten mittels des erfindungsgemäßen Verfahrens exakt klassifiziert werden.

Ferner ist es mit dem erfindungsgemäßen Verfahren möglich, zwischen den Jahrgängen 1997 und 1998 am Beispiel eines Cabernet-Weines zu unterscheiden und bei unbekannten Proben eine zuverlässige Aussage zu treffen, ob und zu welchen der beispielhaft angegebenen Jahrgänge diese zuzuordnen sind.

Im folgenden sind die Parameter angegeben, mit welchen die einzelnen 3D- Plots der Figuren 1 bis 6 aufgenommen wurden : Fig. 1 zeigt eine erste Clusterabbildung der Weinsorten : Chianti und Lagrein, gemessen und ausgewertet mit folgenden Parametern :

Kalibrierungsprotokoll Schichtdicke : 0,5mm Software NIRCAL V3.04 (Build 216) Verwendete Klassen im chianti, lagrein. (total 2/2) Kalibrierungssatz Gesamtzahl der Spektren 1-81. (total 81/81) Anzahl Kalibrierungsspektren 51/81 Anzahl Validierungsspektren total 27/81 Wellenlängenbereich [1/cm] 4008-9996. (total 500/500) Kalibrierungs-5628-7404.

Wellenlängenbereich [1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Normalization between 0 to 1*, 5628-7404 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 5 Anzahl der 1-5. (total 5/5) Kalibrierungsfaktoren Fig. 2 zeigt eine zweite Clusterabbildung der Weinsorten : Chianti und Lagrein, gemesen und ausgewertet mit folgenden Parametern : Kalibrierungsprotokoll Schichtdicke : 3mm Properties in Project lagrein, chianti. (total 2/2) Verwendete Klassen im lagrein, chianti. (total 2/2) Kalibrierungssatz Gesamtzahl der Spektren 1-91. (total 91/91) Anzahl Kalibrierungsspektren total 51/91 Anzahl Validierungsspektren total 40/91 Kalibrierungs-4692-9960.

Wellenlängenbereich [1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Normalization between 0 to 1 *, 4692-9960 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster

Anzahl der Primärfaktoren 4 Anzahl der Kalibrierungsfaktoren 1-3. (total 3/4) Fig. 3 zeigt eine erste Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet, gemessen und ausgewertet mit folgenden Parametern : Kalibrierungsprotokoll Schichtdicke : 3mm Gesamtzahl der Spektren 1-161. (total 161/161) Anzahl Kalibrierungsspektren total 116/161 Anzahl Validierungsspektren total 45/161 Wellenlängenbereich [1/cm] 4008-9996. (total 500/500) Kalibrierungs-4428-9900.

Wellenlängenbereich [1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Normalization by Maxima*, 4428-9900.

(total 457/500) 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 6 Anzahl der 1-5. (total 5/6) Kalibrierungsfaktoren Fig. 4 zeigt eine zweite Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet, gemessen und ausgewertet mit folgenden Parametern : Calbration Protocol Schichtdicke : 3mm Verwendete Klassen im lagrein, cabernet, chianti. (total 3/3) Kalibrierungssatz Gesamtzahl der Spektren 1-157. (total 157/157) Anzahl Kalibrierungsspektren total 116/157 <BR> <BR> Anzahl Validierungsspektren total 41/157<BR> Wellenlängenbereich [1/cm] 4008-9996. (total 500/500) Kalibrierungs-Wellenlängenbereich 4428-9900.

[1/cm]

Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Smooth Average 3 Points 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 4 Anzahl der Kalibrierungsfaktoren 1-3. (total 3/4) Fig. 5 zeigt eine dritte Clusterabbildung der Weinsorten : Chianti, Lagrein und Cabernet, gemessen und ausgewertet mit folgenden Parametern : Kalibrierungsprotokoll Schichtdicke 3mm Verwendete Klassen im lagrein, cabernet, chianti. (total 3/3) Kalibrierungssatz Anzahl Kalibrierungsspektren total 119/167 Anzahl Validierungsspektren total 48/167 Spectra unused (U-Set) nothing selected. (total 0/167) Wellenlängenbereich [1/cm] 4008-9996. (total 500/500) Kalibrierungs-Wellenlängenbereich 4428-9900.

[1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Smooth Average 3 Points 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 5 Anzahl der Kalibrierungsfaktoren 1-5. (total 5/5)

Fig. 6 zeigt eine Clusterabbildung der Cabernet-Jahrgänge 1997 und 1998, gemessen und ausgewertet mit folgenden Parametern : Kalibrierungsprotokoll Schichtdicke : 3mm Verwendete Klassen im 97,98. (total 2/2) Kalibrierungssatz

Gesamtzahl der Spektren 1-60. (total 60/60) Anzahl Kalibrierungsspektren total 45/60 Anzahl Validierungsspektren total 15/60 Wellenlängenbereich. [1/cm] 4008-9996. (total 500/500) Kalibrierungs-Wellenlängenbereich 4512-9996.

[1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Smooth Average 3 Points 2. Second Derivative Taylor 3 Points Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 3 Anzahl der Kalibrierungsfaktoren 1-3. (total 3/3) Fig. 7 zeigt eine Clusterbildung des Reifeprozesses von Weinen der Rebsorte Tempranillo und Cabernet Sauvignon, gemessen und ausgewertet mit folgenden Parametern :

Kalibrierungsprotokoll Schichtdicke : 3mm Verwendete Klassen im 12.04., 3.7., 22.8. und Kalibrierungssatz 18.10.2000 (total 4/7) Gesamtzahl der Spektren Total 213/318 Anzahl Kalibrierungsspektren total 105/318 Anzahl Validierungsspektren total 15/60 Wellenlängenbereich [1/cm] 4008-9996. (total 500/500) Kalibrierungs-Wellenlängenbereich 4512-9996.

[1/cm] Anzahl Rechenoperationen zur 2 Datenvorbehandlung Datenvorbehandlungssequenz 1. Normalisierung zwischen 0 bis 1*, 4500-9996 (total 459/500) 2. Erste Ableitung Derivative Taylor 3 Punkte Chemometrisches Verfahren Cluster Anzahl der Primärfaktoren 8 Anzahl der Kalibrierungsfaktoren 1-4. (total 4/8) Die in den obigen Tabellen aufgelisteten Parameter-sofern nicht selbsterklärend-haben ferner folgende Bedeutung : Kalibrierungsprotokoll : Schichtdicke 0,5 mm : Die für die Kalibrierung verwendete optische Schichtdicke beträgt 0,5 mm.

Anzahl Rechenoperationen zur Datenvorbehandlung : Es handelt sich um die Anzahl der mathematischen Rechenoperationen zur Vorbehandlung der Spektren.