CN101135639A - 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 - Google Patents
基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 Download PDFInfo
- Publication number
- CN101135639A CN101135639A CN 200710018749 CN200710018749A CN101135639A CN 101135639 A CN101135639 A CN 101135639A CN 200710018749 CN200710018749 CN 200710018749 CN 200710018749 A CN200710018749 A CN 200710018749A CN 101135639 A CN101135639 A CN 101135639A
- Authority
- CN
- China
- Prior art keywords
- mixed gas
- distribution pattern
- supporting vector
- correct model
- vector quantities
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法。包括混合气体分布模式识别层和混合气体分析结果输出层；混合气体分布模式识别层，包括完成混合气体分布模式识别的支持向量机分类算法；混合气体分析结果输出层，包括至少两个以上的支持向量机校正模型，支持向量机校正模型完成混合气体组分气体浓度的分析。支持向量机分类算法和支持向量机校正模型，经过训练和检验后，完成混合气体组分浓度的分析。利用SVM结构风险最小化准则和核函数映射解决混合气体组分气体特征吸收谱线重叠严重的问题；利用SVM处理小样本的特性和泛化能力解决海量混合气体标定数据样本无法实现难题。具有方法简单，省时，使用方便的特点。
Description
技术领域
本发明涉及一种对混合气体组分浓度的分析方法，具体的说是利用支持向量机校正模型，对混合气体的红外光谱数据样本进行分析，得出混合气体组分浓度的方法。
背景技术
混合气体红外光谱分析方法与相应的模型、方法密切相关。传统的混合气体红外光谱分析方法主要有曲线拟合法、K矩阵法、P矩阵法、多元线性回归法、经典最小二乘法、偏最小二乘回归等。上述的方法，对于混合气体组分气体吸收谱线不重叠、组分少的混合气体分析效果较好；但在处理混合气体组分气体特征吸收谱线重叠严重的混合气体时，例如含烃类混合气体，上述方法不能有效的进行分析。
由于实际应用的混合气体往往具有组分多、组分浓度范围大的特点，实际标定时难以制作海量的标定数据样本。例如，某混合气体的组分为7种，每种组分气体的浓度为0％-100％，如果每种组分气体浓度按1％的间隔标定100个点，则7组分混合气体需1007个标定数据样本。实际工作中，存在构造数量多且分布合理的混合气体样本是不容易实现的缺陷。
发明内容
本发明的目的在于提供一种采用层次式的支持向量机校正模型结构，分析方法简单，节省时间，使用方便的混合气体组分浓度红外光谱分析方法。
为了解决混合气体组分气体特征吸收谱线重叠严重、海量标定数据样本无法制作的难题，本发明的技术解决方案是这样实现的：将支持向量机校正模型用于应用于混合气体组分浓度红外光谱分析方法中，本发明突出的实质性特点和显著的进步在于所述的分析方法包括一个混合气体分布模式识别层和一个混合气体分析结果输出层；
所述混合气体分布模式识别层，还包括将混合气体红外光谱数据样本数据发送到混合气体分布子模式识别及分类计算；
所述混合气体分析结果输出层，还包括将混合气体分布子模式识别及分类计算结果发送到至少由两个模型组成的支持向量机校正模型，由支持向量机校正模型完成混合气体组分气体浓度的分析。
本发明与现有的分析方法相比，由于采用层次式的支持向量机校正模型结构，具有分析方法简单，节省时间，使用方便的特点。本发明利用SVM的结构风险最小化准则(Structural Risk Minimization，SRM)和核函数映射解决混合气体组分气体特征吸收谱线重叠严重的问题；利用SVM处理小样本的特性和泛化能力解决海量混合气体标定数据样本无法实现的难题。
本发明分析8组分混合气体组分浓度的时间小于12秒，分析的精度小于1％。
附图说明
图1为本发明结构原理示意图；
图2为甲烷、乙烷、丙烷3组分混合气体红外光谱波数波形图。
具体实施方式
附图为本发明的其中一个实施例。
下面结合附图和实施例，对本发明内容作进一步的详细说明，但本发明不限于这个实例。
图1所示，基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，所述的分析方法包括一个混合气体分布模式识别层和一个混合气体分析结果输出层；
所述混合气体分布模式识别层，包括混合气体红外光谱数据样本和完成混合气体分布模式识别的支持向量机分类算法；
所述混合气体分析结果输出层，包括至少两个以上的的支持向量机校正模型，支持向量机校正模型完成混合气体组分气体浓度的分析。
所述混合气体分布模式识别层对输入的红外光谱数据样本进行混合气体分布模式识别。
混合气体分析结果输出层根据该红外光谱数据样本所属的混合气体分布模式，分配给相应的支持向量机校正模型，支持向量机校正模型完成混合气体组分气体浓度的分析。
混合气体分布模式识别层由支持向量机分类算法完成混合气体分布模式的识别，输入为红外光谱数据样本，输出为该红外光谱数据样本所属的混合气体分布模式。
混合气体分析结果输出层由至少两个支持向量校正模型组成，完成混合气体浓度的分析计算，输入为已知混合气体分布模式的红外光谱数据样本，经过支持向量机校正模型计算，输出为该红外光谱数据样本所对应的混合气体组分浓度。
所述红外光谱数据样本是根据该红外光谱数据样本所属的混合气体分布模式分配给相应的支持向量机校正模型，支持向量机校正模型按照事先获得的混合气体红外光谱数据样本作为训练样本，经过训练后完成混合气体组分浓度的分析任务。
所述红外光谱数据样本是用立叶变换红外光谱仪对已知浓度与分布模式的标准样气进行扫描，建立具已知浓度与分布模式的标准样气红外光谱数据样本，样本的一部分作为训练样本，另一部分作为检验样本。
图2所示为甲烷、乙烷、丙烷3组分混合气体红外光谱数据样本波形图，其中，甲烷气体的浓度为70％，乙烷气体的浓度为17％，丙烷气体的浓度为1％。图2中，很难分辨出甲烷、乙烷、丙烷气体的特征吸收谱线。
下面针对具体的内容分步进行描述：
1、分析思路
分析思路的特征在于，混基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法的思路为：混合气体分布模式识别→混合气体组分浓度的分析计算→结果输出。
混合气体分布模式识别的基础是建立混合气体分布模式。混合气体分布模式的建立，主要考虑混合气体组分浓度和组分种类分布的情况。具体应用时，通过如下的技术手段建立混合气体分布模式：
1)调查与查阅有关混合气体分布情况的文献资料；
2)进行统计分析加工；
3)考虑研究与实际应用的需要；
4)实地提取混合气体样本进行分析。
2、层次式支持支持向量机校正模型结构
层次：完成特定工作任务所进行的任务合理分解和分配。例如，本发明为了实现混合气体组分浓度的红外光谱分析，采用了2个层次的结构。
本发明的第1层为混合气体分布模式识别层；第2层是混合气体分析结果输出层。
支持向量机校正模型：根据混合气体分布模式，具体分析混合气体组分浓度的支持向量机校正模型。支持向量机校正模型的输入为红外光谱数据样本；输出为混合气体组分浓度。
第1层为混合气体分布模式识别层，由支持向量机分类算法组成，用于混合气体分布模式的识别。输入为混合气体红外光谱数据样本，输出为混合气体分布模式。
第2层为混合气体分析结果输出层，由支持向量机校正模型组成，与混合气体分布模式相对应，有多少种混合气体分布模式，就需要多少个支持向量机校正模型。根据第1层输出的混合气体分布模式，确定由哪个支持向量机校正模型完成分析和结果输出任务。支持向量机校正模型的输入为混合气体红外光谱数据样本，输出为混合气体组分浓度。
实际应用时，混合气体分布模式识别层对输入的红外光谱数据样本进行混合气体分布模式识别，根据该红外光谱数据样本所属的混合气体分布模式，分配给相应的支持向量机校正模型。支持向量机校正模型按照事先获得的混合气体红外光谱数据样本作为训练样本，经过训练后完成混合气体组分浓度的分析任务。
基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法的具体实施方式包括输入的红外光谱数据样本；层次式支持向量机校正模型结构；处理流程3部分。
3、红外光谱数据样本
基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法的输入为红外光谱数据样本，其红外光谱数据样本的结构为：{(xi)，i＝1，...,n}。其中，xi∈Rd为在d维实域空间R上的第n个混合气体样本，xi＝(x1，x2，...,xL)为在扫描波长范围内L个光谱数据。
4、层次式支持向量机校正模型结构
层次式支持向量机校正模型结构如附图1所示。包括混合气体分布模式识别层和混合气体分析结果输出层2层，至少包括两个支持向量机校正模型，对应于混合气体分布模式。
本实施例为3个支持向量机校正模型，对应于3种混合气体分布模式。
5、处理流程
基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法按以下流程实现：
1)红外光谱数据样本的建立
(1)制备已知浓度与分布模式的标准样气；
(2)用光谱仪对已知浓度与分布模式的标准样气进行扫描，建立具已知浓度与分布模式的标准样气红外光谱数据样本。样本的一部分作为训练样本，另一部分作为检验样本。
(3)对红外光谱数据样本进行数据预处理，消除噪声和漂移的影响。
2)训练与检验过程
(1)混合气体分布模式识别层
混合气体分布模式识别层由支持向量机分类算法组成，用于混合气体分布模式的识别。输入为混合气体红外光谱数据样本，输出为混合气体分布模式。
使用训练样本对支持向量机分类算法进行训练，确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。
支持向量机的类型，常用的有C-SVM，v-SVM，一类SVM等，本发明采用v-SVM支持向量机。
核函数，满足Mercer条件的对称函数均可作为核函数，常用的核函数有：线性核函数、多项式核函数、径向基核函数(RBF)等。本发明的支持向量机分类算法采用径向基核函数(RBF)。
惩罚因子C的数值选取可采用C-误差曲线的方式进行，即在其他条件相同的情况下，改变C的数值，得出误差曲线，选取误差最小点所对应的C数值为最佳C的数值
损失函数ε的数值选取没有严格的数学规范，目前是凭借经验选取，本发明损失函数ε的数值取0.01。
训练时，已知浓度与分布模式的混合气体红外光谱数据样本{(xi)，i＝1，...，n}作为支持向量机分类算法的输入，输出为混合气体分布模式。当输出的混合气体分布模式与已知的分布模式的偏差满足要求时，训练结束。
检验时，用检验样本对支持向量机分类算法进行检验，检验满足偏差要求，支持向量机分类算法有关参数被最终确定，确定后的支持支持向量机分类算法可用于实际未知混合气体组分浓度的分析。
(2)混合气体分析结果输出层
混合气体分析结果输出层由支持向量机校正模型组成。输入为已知浓度与分布模式的混合气体红外光谱数据样本，输出为混合气体组分浓度。
使用训练样本对支持向量机校正模型进行训练，确定支持支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。
训练时，光谱数据样本{(xi)，i＝1，...，n}作为支持向量机校正模型的输入，输出为混合气体组分浓度。当输出的混合气体组分浓度与已知浓度与分布模式的混合气体组分浓度值偏差满足要求时，训练结束。
检验时，用检验样本对支持向量机校正模型进行检验，检验满足偏差要求，支持向量机校正模型有关参数被最终确定，确定后的支持支持向量机校正模型可用于实际未知混合气体组分浓度的分析。
实施例1
下面是发明人给出的一个实例，但本发明不限于这个实例。
在本实例中，待测的混合气体由甲烷、乙烷、丙烷3种气体组成。使用的光谱仪为红外傅立叶光谱仪，在4000cm-1-400cm-1波数范围进行扫描，可获得1860个红外透过率光谱数据，覆盖被测混合气体组分气体的主、次特征吸收谱线。
在本实例中，混合气体组分气体的特征吸收谱线如表1所示。
表1 混合气体组分气体特征吸收谱线
| 气体名称 | 甲烷 | 乙烷 | 丙烷 |
| 主特征吸收谱线/cm-1次特征吸收谱线/cm-1 | 30171305 | 29651470 | 29681472 |
从表1中可以看出，混合气体组分气体乙烷、丙烷的主特征吸收谱线和次特征吸收谱线的间隔很小，重叠严重。
图2所示为甲烷、乙烷、丙烷3组分混合气体样本的红外光谱数据图。
基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法按以下流程实现浓度的分析：
1)红外光谱数据样本的建立
(1)制备已知浓度与分布模式的标准样气
按照表2所示的混合气体组分气体浓度分布范围，用标准纯甲烷、乙烷、丙烷气体按照表3的浓度进行配制，配制28个混合气体样本。
表2混合气体标准样气组分浓度分布范围表
| 浓度范围及间隔 | 甲烷 | 乙烷 | 丙烷 |
| 最小浓度/％最大浓度/％浓度间隔/％ | 62.080.02.0 | 1.020.01.0 | 1.05.00.5 |
表3混合气体标准样气组分浓度表
| 序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 甲烷/％乙烷/％丙烷/％分布模式 | 80111 | 8021.51 | 80321 | 7842.51 | 78531 | 7863.51 | 76741 | 7684.52 | 76952 | 74104.52 | 741142 | 74123.52 | 721332 | 72142.52 | 721523 | 70161.53 | 701713 | 70181.53 | 681923 | 68202.53 | 68133 | 6623.54 | 66344 | 6644.54 | 64554 | 6464.54 | 64744 | 6283.54 |
(2)用光谱仪对已知浓度与分布模式的标准样气进行扫描，建立具已知浓度与分布模式的标准样气红外光谱数据样本
将配制好的28个混合气体标准样气样本，逐一导入红外光谱仪进行扫描，红外光谱仪扫描范围为400cm-1-4000cm-1，获得28个红外光谱数据样本，每一个红外光谱数据样本由1860个红外透过率光谱数据组成。其中，序号为奇数的部分作为训练样本，序号为偶数的部分作为检验样本。
(3)对红外光谱数据样本进行数据预处理，消除噪声和漂移的影响。
2)、训练与检验过程
(1)混合气体分布模式识别层
使用表3中序号为奇数的样本对支持向量机分类算法进行训练，确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。
本发明支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值的选取如前面所述。
训练时，用表3中序号为奇数的已知浓度与分布模式的混合气体红外光谱数据样本{(xi)，i＝1，...，n}作为支持向量机分类算法的输入，输出为表3中混合气体的分布模式。调整支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值等参数，当输出的混合气体分布模式与已知的分布模式一致时，训练结束。
检验时，用表3中序号为偶数的已知浓度与分布模式的混合气体红外光谱数据样本{(xi)，i＝1，...，n}作为支持向量机分类算法的输入，对支持向量机分类算法进行检验，输出为表3中序号为偶数的分布模式。如果检验满足偏差要求，支持向量机分类算法有关参数被最终确定，确定后的支持向量机分类算法可用于实际未知混合气体组分浓度的分析。
(2)混合气体分析结果输出层
混合气体分析结果输出层由支持向量机校正模型组成。输入为已知浓度与分布模式的混合气体红外光谱数据样本，输出为混合气体组分浓度。
使用表3中序号为奇数训练样本对支持向量机校正模型进行训练，确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。
训练时，光谱数据样本{(xi)，i＝1，...，n}作为支持向量机校正模型的输入，输出为混合气体组分浓度。当输出的混合气体组分浓度与已知浓度与分布模式的混合气体组分浓度值偏差满足要求时，训练结束。
本实施例的支持向量机的类型为ε-SVM；核函数为线性核函数；惩罚因子C的数值取C＝20；损失函数ε的数值取0.01。
检验时，用表3中序号为偶数的检验样本对支持向量机校正模型进行检验，检验满足偏差要求，支持向量机校正模型有关参数被最终确定，确定后的支持支持向量机校正模型可用于实际未知混合气体组分浓度的分析。
根据上述过程，甲烷、乙烷、丙烷气体的检验计算结果如表4所示。
表4 混合气体组分浓度检验计算结果表
| 甲烷 | 乙烷 | 丙烷 | ||||||
| 实际浓度％ | 检验浓度％ | 偏差％ | 实际浓度％ | 检验浓度％ | 偏差％ | 实际浓度％ | 检验浓度％ | 偏差％ |
| 80.0078.0078.0076.0074.0074.0072.0070.0070.0068.0066.0066.0064.0062.00 | 79.6078.1078.3076.2074.6074.2071.9069.5070.1068.3066.5066.3064.0062.10 | 0.400.100.300.200.600.200.100.500.100.300.500.300.000.10 | 2.004.006.008.0010.0012.0014.0016.0018.0020.002.004.006.008.00 | 1.734.145.908.3010.0511.5214.4016.1018.1220.651.874.176.017.94 | 0.270.140.100.300.050.080.400.100.120.650.130.170.010.06 | 1.502.503.504.504.503.502.501.501.502.503.504.504.503.50 | 1.412.523.474.624.593.542.511.531.572.583.604.464.543.54 | 0.090.020.030.120.090.040.010.030.070.080.100.040.040.04 |
Claims (6)
1.一种基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于所述的分析方法包括一个混合气体分布模式识别层和一个混合气体分析结果输出层；
所述混合气体分布模式识别层，包括混合气体红外光谱数据样本和完成混合气体分布模式识别的支持向量机分类算法；
所述混合气体分析结果输出层，包括至少两个以上的的支持向量机校正模型，支持向量机校正模型完成混合气体组分气体浓度的分析。
2.根据权利要求1所述的基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于所述混合气体分布模式识别层对输入的红外光谱数据样本进行混合气体分布模式识别。
3.根据权利要求1所述的基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于混合气体分析结果输出层根据该红外光谱数据样本所属的混合气体分布模式，分配给相应的支持向量机校正模型，支持向量机校正模型完成混合气体组分气体浓度的分析。
4.根据权利要求1所述的基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于混合气体分布模式识别层由支持向量机分类算法完成混合气体分布模式的识别，输入为红外光谱数据样本，输出为该红外光谱数据样本所属的混合气体分布模式。
5.根据权利要求1所述的基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于混合气体分析结果输出层由至少两个支持向量校正模型组成，完成混合气体浓度的分析计算，输入为已知混合气体分布模式的红外光谱数据样本，经过支持向量机校正模型计算，输出为该红外光谱数据样本所对应的混合气体组分浓度。
6.根据权利要求1所述的基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法，其特征在于所述红外光谱数据样本是用傅立叶变换红外光谱仪对已知浓度与分布模式的标准样气进行扫描，建立已知浓度与分布模式的标准样气红外光谱数据样本，样本的一部分作为训练样本，另一部分作为检验样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710018749 CN101135639A (zh) | 2007-09-27 | 2007-09-27 | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710018749 CN101135639A (zh) | 2007-09-27 | 2007-09-27 | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101135639A true CN101135639A (zh) | 2008-03-05 |
Family
ID=39159839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200710018749 Pending CN101135639A (zh) | 2007-09-27 | 2007-09-27 | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101135639A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419159B (zh) * | 2008-11-24 | 2011-09-28 | 杨季冬 | 谱峰完全重叠的双组分混合物同时测定的光谱分析方法 |
| CN101571499B (zh) * | 2008-05-04 | 2012-05-30 | 攀钢集团钢铁钒钛股份有限公司 | 一种对待测样品中的待测元素进行测定的方法 |
| CN102678100A (zh) * | 2012-03-21 | 2012-09-19 | 西安交通大学 | 一种井口气远程测定仪 |
| CN103412003A (zh) * | 2013-08-21 | 2013-11-27 | 电子科技大学 | 基于半监督领域自适应的气体检测方法 |
| CN103544392A (zh) * | 2013-10-23 | 2014-01-29 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
| CN106483083A (zh) * | 2015-08-26 | 2017-03-08 | 唯亚威通讯技术有限公司 | 使用光谱学的识别 |
| CN111289455A (zh) * | 2020-03-25 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 分布式异味评价方法、装置、终端及可读存储介质 |
| CN116735528A (zh) * | 2023-08-16 | 2023-09-12 | 中国科学院合肥物质科学研究院 | 一种烷烃类气体混叠光谱解析方法 |
-
2007
- 2007-09-27 CN CN 200710018749 patent/CN101135639A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101571499B (zh) * | 2008-05-04 | 2012-05-30 | 攀钢集团钢铁钒钛股份有限公司 | 一种对待测样品中的待测元素进行测定的方法 |
| CN101419159B (zh) * | 2008-11-24 | 2011-09-28 | 杨季冬 | 谱峰完全重叠的双组分混合物同时测定的光谱分析方法 |
| CN102678100B (zh) * | 2012-03-21 | 2014-11-05 | 西安交通大学 | 一种井口气远程测定仪 |
| CN102678100A (zh) * | 2012-03-21 | 2012-09-19 | 西安交通大学 | 一种井口气远程测定仪 |
| CN103412003B (zh) * | 2013-08-21 | 2015-06-10 | 电子科技大学 | 基于半监督领域自适应的气体检测方法 |
| CN103412003A (zh) * | 2013-08-21 | 2013-11-27 | 电子科技大学 | 基于半监督领域自适应的气体检测方法 |
| CN103544392A (zh) * | 2013-10-23 | 2014-01-29 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
| CN103544392B (zh) * | 2013-10-23 | 2016-08-24 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
| CN106483083A (zh) * | 2015-08-26 | 2017-03-08 | 唯亚威通讯技术有限公司 | 使用光谱学的识别 |
| US10309894B2 (en) | 2015-08-26 | 2019-06-04 | Viavi Solutions Inc. | Identification using spectroscopy |
| CN106483083B (zh) * | 2015-08-26 | 2020-05-05 | 唯亚威通讯技术有限公司 | 使用光谱学的识别 |
| US11680893B2 (en) | 2015-08-26 | 2023-06-20 | Viavi Solutions Inc. | Identification using spectroscopy |
| CN111289455A (zh) * | 2020-03-25 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 分布式异味评价方法、装置、终端及可读存储介质 |
| CN116735528A (zh) * | 2023-08-16 | 2023-09-12 | 中国科学院合肥物质科学研究院 | 一种烷烃类气体混叠光谱解析方法 |
| CN116735528B (zh) * | 2023-08-16 | 2024-01-05 | 中国科学院合肥物质科学研究院 | 一种烷烃类气体混叠光谱解析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101135639A (zh) | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 | |
| Li et al. | Detection of olive oil adulteration with waste cooking oil via Raman spectroscopy combined with iPLS and SiPLS | |
| US10041926B2 (en) | Method for predicting total petroleum hydrocarbon concentration in soils | |
| CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
| CN101271063A (zh) | 气体红外光谱分析支持向量机校正模型方法的流程 | |
| CN102313712B (zh) | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 | |
| CN106529008B (zh) | 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法 | |
| CN101473197A (zh) | 制造多维校准模型的方法 | |
| CN101413884A (zh) | 近红外光谱分析仪及其分辨率的校正方法 | |
| CN105319179B (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
| CN108444976B (zh) | 一种基于拉曼光谱的天然气热值测量方法 | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| Qiao et al. | Near-infrared spectroscopy technology for soil nutrients detection based on LS-SVM | |
| CN106126879B (zh) | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 | |
| CN113655027B (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| CN104237159A (zh) | 一种近红外光谱分析混合材料中邻苯二甲酸二丁酯含量的方法 | |
| CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
| CN204255854U (zh) | 一种同时检测煤炭样品中7项指标的系统 | |
| CN102928356A (zh) | 一种快速测定香精溶剂含量的方法 | |
| CN104568811B (zh) | 煤炭样品中发热量的新型快速检测方法 | |
| CN106053380A (zh) | 利用近红外光谱技术快速分析混合制浆木材树种比例的方法 | |
| CN104535525B (zh) | 煤炭样品中的固定碳的快速检测方法 | |
| CN114324233A (zh) | 农产品营养成分近红外无损在线品质检测方法和系统 | |
| CN104568821B (zh) | 一种同时检测煤炭样品中7项指标的方法 | |
| CN104374735B (zh) | 煤炭样品中全硫的新型快速检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080305 |