CN103020737A - 一种烤片烟气的预测方法 - Google Patents
一种烤片烟气的预测方法 Download PDFInfo
- Publication number
- CN103020737A CN103020737A CN2012105362495A CN201210536249A CN103020737A CN 103020737 A CN103020737 A CN 103020737A CN 2012105362495 A CN2012105362495 A CN 2012105362495A CN 201210536249 A CN201210536249 A CN 201210536249A CN 103020737 A CN103020737 A CN 103020737A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- flue gas
- robust regression
- roasting sheet
- 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
Abstract
本发明涉及一种烤片烟气的预测方法,特别是基于鲁棒回归建模进行烤片烟气的预测方法。本发明通过已有的烤片理化数据和烟气数据建立从理化指标项到烟气指标项的模型,对于未知烤片烟气数据,可以利用其理化成分数据直接预测烤片烟气值。采用鲁棒回归模型,可以有效地避免因理化数据或烟气数据中奇异值样本导致的弊端,很大程度上保证模型的健壮性,该系统能够有效地预测烤片的烟气值,能够对烤片的整体质量情况起到很好的估计作用。
Description
技术领域
本发明涉及一种烤片烟气的预测方法,特别是基于鲁棒回归建模进行烤片烟气的预测方法。
背景技术
烤片的烟气预测对于卷烟产品的质量以及感官有着至关重要的作用。传统的烤片烟气数据的获得方式是检测烤片燃烧后的烟气中的化学成分指标。通过这种方式获得的烟气数据,需要将烤片卷制成卷烟燃烧后的烟气进行化学检测,检测过程费时费力且检测成本极高。因此提出一种通过建立模型由烤片理化数据直接获取烟气数据的方法势在必行。
发明内容
本发明提出了一种烤片烟气的预测系统。预先对已有的烤片理化数据和烟气数据建立从理化指标项到烟气指标项的鲁棒回归模型,对于未知烤片烟气数据,可以直接利用鲁棒回归模型对未知烤片烟气值进行其理化成分数据预测。
本发明烤片烟气的预测方法是:预先录入每个烟气对应的已有烤片理化数据和烟气数据,建立从理化指标项到烟气指标项的鲁棒回归模型,对于未知烤片烟气数据,直接采用已建立鲁棒回归模型进行其理化成分数据预测,获得未知烤片烟气值预测值,指导实际生产;
预测使用的设备包括数据库服务器(1)和数据挖掘客户端(2),其中数据挖掘客户端(2)包括可视化展示工具(13),可视化展示工具(13)与数据展示处理模块(11)和结果展示模块(12)连接;数据展示处理模块(11)与数据连接模块(6)连接,结果展示模块(12)与预测处理模块(10)连接,预测处理模块(10)分别与模型库模块(9)和数据连接模块(6)连接;数据连接模块(6)则与身份验证处理模块(5)和数据库服务器(1)中的数据源(4)连接,同时身份验证处理模块(5)与数据库服务器(1)中的权限数据库(3)连接,身份验证处理模块(5)通过用户名和密码验证用户的合法性;数据连接模块(6)提供各种不同数据类型格式数据源的连接,建立的鲁棒回归模型可直接使用的数据库,提供数个数据对象访问的接口。
所述可视化展示工具(13)和结果展示模块(12)通过点线图、表格形式直观展示处理结果。
预测处理模块(10)使用模型库模块(9)中前期已经保存好的模型进行预测烟气值。
所述模型评估模块(8)利用不同指标项对测试数据进行鲁棒回归建模,对模型性能进行评估,根据评估结果选择性能较好的模型保存到模型库模块(9)中。
烤片烟气的预测方法使用包括以下步骤:
步骤1:进入系统;
启动系统,输入用户名和密码,进行用户身份验证,用户名密码正确,则通过验证,进入系统,用户名或密码不正确,则退出系统,
步骤2:导入烤片数据,包含理化数据和烟气数据;
根据筛选条件从数据库中获取具体的烤片数据,要求该烤片数据既要包含理化数据,又要包含烟气数据;在步骤3中建立的模型中,理化数据作为输入项,烟气数据作为输出项,且每一种烟气对应一个鲁棒回归模型;
步骤3:建立鲁棒回归模型,
根据导入的烤片数据,由鲁棒回归技术建立由理化数据到烟气数据的模型,其中模型中有且仅有一种烟气指标,但可包含多种理化指标;模型的最终形式将以数学表达式的形式给出,其数学表达式为从各个理化指标项到某一烟气指标项的线性表达式;同时得到模型评价、训练结果、训练拟合曲线、奇异值信息;
模型评价是对模型总体性能的评价,包含训练集上的相关系数、绝对误差和、平均误差。相关系数为烟气预测值与样本训练集之间的简单相关系数;绝对误差和为烟气预测值与样本训练集的烟气值之间的绝对误差的累加和;平均误差为绝对误差和除以样本训练集的样本个数;通过模型评价,我们可以对一个模型的性能有更详尽的把握,有利于我们最终确定每个烟气对应的鲁棒回归模型;
训练拟合曲线为训练结果中烟气实际值与烟气预测值的折线图,通过该曲线,我们可以从图中较直观地观察到模型的预测性能;
奇异值为在鲁棒建模的过程中样本权重为0的样本数据,如果采用传统的线性建模方法,奇异值将会对模型的性能产生较大的负面影响,影响模型效果,这点也正是我们采用鲁棒回归建模的初衷。但是并非在每一次的建模过程中都会存在奇异值;
步骤4:确定每个烟气对应的模型并保存
建立模型后,可查看模型的评估信息,其中包含模型的数学表达式与导入数据的相关系数、模型的绝对误差和、模型的平均误差。可以从理化指标项的个数、相关系数、绝对误差和、平均误差等几项中,综合考虑模型的性能,尽量做到理化指标项个数相对较少、相关系数相对较大、绝对误差和和平均误差相对较小的模型。同时注意到每个烟气指标项对应一个鲁棒回归模型,对于常见的焦油、一氧化碳、烟气烟碱三大烟气指标项,将有三个对应的模型(一个烟气指标项可以保存多个鲁棒回归模型,在之后的预测模块中再进行筛选);保存之后,在步骤6中的预测中再次利用该模型;
步骤5:导入烤片数据,仅包含理化数据
从数据库中导入烤片数据,该数据仅仅包含理化数据,并不包含烟气数据。理化数据作为模型数学表达式的输入;
步骤6:根据对应的模型预测每个烤片的烟气值
将导入的理化数据作为模型数学表达式的输入,经过计算得到某一种烟气指标的具体预测值;当有多种烟气的鲁棒回归模型时,将会得到多个烟气的预测值;当导入的理化数据中不包含模型数学表达式的某一指标项时,预测条件未达到,将不会得到该模型对应的烟气指标预测值。
本发明省去了由传统化学方式获取烤片烟气数据的步骤,同时,采用鲁棒回归模型,可以有效地避免因理化数据或烟气数据中奇异值样本导致的弊端,很大程度上保证模型的健壮性,这点正是鲁棒回归建模优于普通线性回归建模的优点。实践证明,本发明方法/系统能够有效地预测烤片的烟气值,能够对烤片的整体质量情况起到很好的估计作用。
附图说明
图1本发明的系统结构示意图;
图2本发明系统的使用流程图;
其中,1. 数据库服务器,2.数据挖掘客户端,3. 权限数据库,4.数据源,5. 身份验证处理模块,6. 数据连接模块,7. 建模处理模块,8. 模型评估模块,9. 模型库模块,10. 预测处理模块,11. 数据展示处理模块,12. 结果展示模块,13. 可视化展示工具。
具体实施方式
本发明基于鲁棒回归建模烤片烟气的预测方法或系统客户端运行于Windows平台,服务器采用SQL SERVER数据库系统。
本发明的基于鲁棒回归建模的烤片烟气预测系统主要包括两大内容:
内容一:由已知烤片烟气的数据进行建模;
内容二:用鲁棒回归模型对未知烤片烟气值进行预测;
首先,本发明构造了一个基于C/S模式的建模系统,它主要包括数据库服务器和模型客户端。客户端提供一个用户界面交互窗口,接受用户的输入信息、提供建模过程的交互界面和展示模型预测结果,其特征在于包含以下几个模块,其系统结构图见附图1:
该系统包括数据库服务器1和数据挖掘客户端2,数据服务器1提供模型处理的数据源4及用户的权限数据库3。数据源4为模型的处理及评估提供数据支持,权限数据库3中保存了用户的角色、用户名、用户组名及密码,在一定程度上保证了数据库的安全性。数据挖掘客户端2提供一个用户界面交互窗口,接受用户的输入信息、提供建模过程的交互界面和展示模型预测结果,其中数据挖掘客户端2具体包含身份验证处理模块5、数据连接模块6、数据展示处理模块11、建模处理模块7、预测处理模块10、结果展示模块12等功能模块。
身份验证处理模块5提供系统中的角色、用户、用户组的定义及各自权限的管理,保证了数据库的安全访问。角色管理,用于定义系统的角色和相应的角色权限。用户管理,用于定义系统的用户及相应的用户权限。用户组管理,用于定义系统的用户组及相应的权限。
数据连接模块6:提供各种不同数据类型格式数据源的连接,生成建模可以直接使用的数据库,提供数据对象访问的接口。
数据展示处理模块11:运用统计学知识,将要处理数据的特性以直观的形势展示给用户,使用户对该部分数据有初步整体的认识和把握。
建模处理模块7:本系统提供基于鲁棒回归的建模方法,对数据源提供的数据进行模型的建立。
预测处理模块10:利用鲁棒回归建立的模型对测试数据进行预测。
结果展示模块12:提供直观的、图形化的展示工具对挖掘的结果进行展示。
烤片烟气预测的应用系统的使用步骤如下,其使用流程图见附图2:
Step1:进入系统;
Step2:导入烤片数据,包含理化数据和烟气数据
Step3:建立鲁棒回归模型
Step4:确定每个烟气对应的模型并保存
Step5:导入烤片数据,仅包含理化数据
Step6:根据对应的模型预测每个烤片的烟气值
结合附图2——系统流程图, 附图1——系统结构图和下列应用实例,说明其具体实施操作过程如下:
Step1:进入系统
启动系统,输入用户名和密码,进行用户身份验证。用户名密码正确,则通过验证,进入系统。用户名或密码不正确,则退出系统。该步与系统结构图(附图1)中的权限数据库3 和身份验证处理5两个模块相对应。
Step2:导入烤片数据,包含理化数据和烟气数据
根据筛选条件从数据库中获取具体的烤片数据,要求该烤片数据既要包含理化数据,又要包含烟气数据。在Step3中建立的模型中,理化数据作为输入项,烟气数据作为输出项,且每一种烟气对应一个鲁棒回归模型。其中理化指标项包含总烟碱、总糖、还原糖、钾、氯等;烟气指标项包含焦油、一氧化碳、烟气烟碱等指标项。
Step3:建立鲁棒回归模型
根据导入的烤片数据,由鲁棒回归技术建立由理化数据到烟气数据的模型,其中模型中有且仅有一种烟气指标,但可以包含多种理化指标。模型的最终形式将以数学表达式的形式给出。
首先将导入的数据添加到建模界面,然后在烟气指标下拉框中选定烟气指标项,此处我们选择焦油;在理化指标复选框中选定总糖、总烟碱、还原糖、钾、氯、蛋白质、施木克值7项理化指标。点击训练,可以得到如下的鲁棒回归模型,其数学表达式为:
焦油=16.895536-5.808905*总烟碱-0.039244*总糖+0.158309*还原糖+41.893953*总氮-0.874059*钾+0.644394*氯-6.959945*蛋白质-1.351107*施木克值
鲁棒回归模型是最重要的结果。其数学表达式为从各个理化指标项到某一烟气指标项的线性表达式。从模型中,我们可以看到各理化指标项对烟气指标的影响大小。仅从数学表达式数值上便可看出理化指标项与烟气指标项的线性关系。
同时我们可以得到,模型评价、训练结果、训练拟合曲线、奇异值等信息。以下将对模型的各种信息进行解释。
模型评价是对模型总体性能的评价,包含训练集上的相关系数、绝对误差和、平均误差。相关系数为烟气预测值与样本训练集之间的简单相关系数;绝对误差和为烟气预测值与样本训练集的烟气值之间的绝对误差的累加和;平均误差为绝对误差和除以样本训练集的样本个数。通过模型评价,我们可以对一个模型的性能有更详尽的把握,有利于我们最终确定每个烟气对应的鲁棒回归模型。例如我们得到如下的模型评价信息:
训练数据集上的相关系数为:0.943007
训练数据集上的绝对误差和为:22.943851
训练数据集上的平均误差为:0.573596
训练数据集样本总数为:40
从模型评价中,我们可以看到烟气预测值与训练集上的烟气值之间的拟合程度非常高,简单相关系数高达0.94,并且误差空载在较小的范围内,焦油的平均误差不到0.58,可以基本确定该模型符合我们的要求,可以用于我们未知烤片的烟气预测。
训练结果为烟气的实际值、预测值、误差值。每一条烤片数据对应一条记录,例如:
训练拟合曲线为训练结果中烟气实际值与烟气预测值的折线图。通过该曲线,我们可以从图中较直观地观察到模型的预测性能,对于我们确定某一具体烟气的鲁棒回归模型有一定的指导意义。
奇异值为在鲁棒建模的过程中样本权重为0的样本数据。如果采用传统的线性建模方法,奇异值将会对模型的性能产生较大的负面影响,影响模型效果,这点也正是我们采用鲁棒回归建模的初衷。但是并非在每一次的建模过程中都会存在奇异值。下面为某一次建模数据的奇异值:
Step4:确定每个烟气对应的模型并保存
建立模型后,可以查看模型的评估信息,其中包含模型的数学表达式与导入数据的相关系数、模型的绝对误差和、模型的平均误差。可以从理化指标项的个数、相关系数、绝对误差和、平均误差等几项中,综合考虑模型的性能,尽量做到理化指标项个数相对较少、相关系数相对较大、绝对误差和和平均误差相对较小的模型。同时注意到每个烟气指标项对应一个鲁棒回归模型,对于常见的三大烟气指标项(焦油、一氧化碳、烟气烟碱)将有三个对应的模型(一个烟气指标项可以保存多个鲁棒回归模型,在之后的预测模块中再进行筛选)。保存之后,在Step6中的预测中再次利用该模型。如在焦油的建立的鲁棒回归模型中,我们采用如下的模型,其数学表达式为:
焦油=14.555670+1.490500*总烟碱-1.307247*钾
该模型仅含有两个理化指标项——总烟碱和钾,相关系数为0.953455,平均误差为0.818422,均符合我们对模型的各种要求。
Step5:导入烤片数据,仅包含理化数据
从数据库中导入烤片数据,该数据仅仅包含理化数据,并不包含烟气数据。理化数据作为模型数学表达式的输入。
Step6:根据对应的模型预测每个烤片的烟气值
将导入的理化数据作为模型数学表达式的输入,经过计算得到某一种烟气指标的具体预测值;当有多种烟气的鲁棒回归模型时,将会得到多个烟气的预测值。当导入的理化数据中不包含模型数学表达式的某一指标项时,,预测条件未达到,将不会得到该模型对应的烟气指标预测值。
下面为烤片烟气预测的部分结果:
鲁棒回归建模原理
在线性回归建模中,模型是建立在一定假设条件基础上的,例如被观测样本误差为标准正态分布。如果误差的分布是非对称或者倾向于离群点,那么进行线性回归建模的假设是不成立的,参数的估计、置信区间以及其他计算的统计量都是不可靠的。这种情况下,用鲁棒回归进行模型的建立是非常有效的。鲁棒回归建模包含了一种健壮的拟合方法,与最小二乘法相比,对于数据中小部分的变异没有那么敏感,提高了模型的可信度。
鲁棒回归通过为每个数据点赋予一个权值进行建模。加权是自动的并且是重复的,这个过程叫做自动重加权最小二乘法。在第一阶段,每个样本点被赋予相同的权重,然后利用普通的最小二乘法计算得到模型系数。在随后的迭代中,每个样本的点都将重新计算,那些远离模型预测值的样本点将被赋予较低的权重。之后利用经过加权的最小二乘法计算模型系数。迭代过程将一直进行下去,一直到模型系数在一个设定的范围波动。
Claims (5)
1.一种烤片烟气的预测方法,其特征是,预先录入每个烟气对应的已有烤片理化数据和烟气数据,建立从理化指标项到烟气指标项的鲁棒回归模型,对于未知烤片烟气数据,直接采用已建立鲁棒回归模型进行其理化成分数据预测,获得未知烤片烟气值预测值,指导实际生产;
预测使用的设备包括数据库服务器(1)和数据挖掘客户端(2),其中数据挖掘客户端(2)包括可视化展示工具(13),可视化展示工具(13)与数据展示处理模块(11)和结果展示模块(12)连接;数据展示处理模块(11)与数据连接模块(6)连接,结果展示模块(12)与预测处理模块(10)连接,预测处理模块(10)分别与模型库模块(9)和数据连接模块(6)连接;数据连接模块(6)则与身份验证处理模块(5)和数据库服务器(1)中的数据源(4)连接,同时身份验证处理模块(5)与数据库服务器(1)中的权限数据库(3)连接,身份验证处理模块(5)通过用户名和密码验证用户的合法性;数据连接模块(6)提供各种不同数据类型格式数据源的连接,建立的鲁棒回归模型可直接使用的数据库,提供数个数据对象访问的接口。
2.如权利要求1所述的烤片烟气的预测方法,其特征是,所述可视化展示工具(13)和结果展示模块(12)通过点线图、表格形式直观展示处理结果。
3.如权利要求1所述的基于鲁棒回归建模的烤片烟气预测系统,其特征是,预测处理模块(10)使用模型库模块(9)中前期已经保存好的模型进行预测烟气值。
4.如权利要求1所述的烤片烟气的预测系统,其特征是,所述模型评估模块(8)利用不同指标项对测试数据进行鲁棒回归建模,对模型性能进行评估,根据评估结果选择性能较好的模型保存到模型库模块(9)中。
5.如权利要求1所述的烤片烟气的预测方法,其特征是,使用包括以下步骤:
步骤1:进入系统;
启动系统,输入用户名和密码,进行用户身份验证,用户名密码正确,则通过验证,进入系统,用户名或密码不正确,则退出系统,
步骤2:导入烤片数据,包含理化数据和烟气数据;
根据筛选条件从数据库中获取具体的烤片数据,要求该烤片数据既要包含理化数据,又要包含烟气数据;在步骤3中建立的模型中,理化数据作为输入项,烟气数据作为输出项,且每一种烟气对应一个鲁棒回归模型;
步骤3:建立鲁棒回归模型,
根据导入的烤片数据,由鲁棒回归技术建立由理化数据到烟气数据的模型,其中模型中有且仅有一种烟气指标,但可包含多种理化指标;模型的最终形式将以数学表达式的形式给出,其数学表达式为从各个理化指标项到某一烟气指标项的线性表达式;同时得到模型评价、训练结果、训练拟合曲线、奇异值信息;
模型评价是对模型总体性能的评价,包含训练集上的相关系数、绝对误差和、平均误差。相关系数为烟气预测值与样本训练集之间的简单相关系数;绝对误差和为烟气预测值与样本训练集的烟气值之间的绝对误差的累加和;平均误差为绝对误差和除以样本训练集的样本个数;通过模型评价,我们可以对一个模型的性能有更详尽的把握,有利于我们最终确定每个烟气对应的鲁棒回归模型;
训练拟合曲线为训练结果中烟气实际值与烟气预测值的折线图,通过该曲线,我们可以从图中较直观地观察到模型的预测性能;
奇异值为在鲁棒建模的过程中样本权重为0的样本数据,如果采用传统的线性建模方法,奇异值将会对模型的性能产生较大的负面影响,影响模型效果,这点也正是我们采用鲁棒回归建模的初衷。但是并非在每一次的建模过程中都会存在奇异值;
步骤4:确定每个烟气对应的模型并保存
建立模型后,可查看模型的评估信息,其中包含模型的数学表达式与导入数据的相关系数、模型的绝对误差和、模型的平均误差。可以从理化指标项的个数、相关系数、绝对误差和、平均误差等几项中,综合考虑模型的性能,尽量做到理化指标项个数相对较少、相关系数相对较大、绝对误差和和平均误差相对较小的模型。同时注意到每个烟气指标项对应一个鲁棒回归模型,对于常见的焦油、一氧化碳、烟气烟碱三大烟气指标项,将有三个对应的模型(一个烟气指标项可以保存多个鲁棒回归模型,在之后的预测模块中再进行筛选);保存之后,在步骤6中的预测中再次利用该模型;
步骤5:导入烤片数据,仅包含理化数据
从数据库中导入烤片数据,该数据仅仅包含理化数据,并不包含烟气数据。理化数据作为模型数学表达式的输入;
步骤6:根据对应的模型预测每个烤片的烟气值
将导入的理化数据作为模型数学表达式的输入,经过计算得到某一种烟气指标的具体预测值;当有多种烟气的鲁棒回归模型时,将会得到多个烟气的预测值;当导入的理化数据中不包含模型数学表达式的某一指标项时,预测条件未达到,将不会得到该模型对应的烟气指标预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105362495A CN103020737A (zh) | 2012-12-12 | 2012-12-12 | 一种烤片烟气的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105362495A CN103020737A (zh) | 2012-12-12 | 2012-12-12 | 一种烤片烟气的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103020737A true CN103020737A (zh) | 2013-04-03 |
Family
ID=47969319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105362495A Pending CN103020737A (zh) | 2012-12-12 | 2012-12-12 | 一种烤片烟气的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020737A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198145A (zh) * | 2013-04-18 | 2013-07-10 | 广东中烟工业有限责任公司 | 一种烟叶等级纯度分析方法及装置 |
CN104101691A (zh) * | 2014-08-07 | 2014-10-15 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气烟气氨的方法 |
CN104102851A (zh) * | 2014-08-07 | 2014-10-15 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气苯并芘的方法 |
CN104123424A (zh) * | 2014-08-07 | 2014-10-29 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气巴豆醛的方法 |
CN104134007A (zh) * | 2014-08-07 | 2014-11-05 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气nnk的方法 |
CN104143051A (zh) * | 2014-08-07 | 2014-11-12 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气苯酚的方法 |
CN104143050A (zh) * | 2014-08-07 | 2014-11-12 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气氰化氢的方法 |
CN104573842A (zh) * | 2014-08-07 | 2015-04-29 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气一氧化碳的方法 |
CN106908435A (zh) * | 2017-02-13 | 2017-06-30 | 中国电力科学研究院 | 覆雪绝缘子上雪层可溶盐的测量方法及装置 |
CN111257512A (zh) * | 2020-02-11 | 2020-06-09 | 中国农业科学院烟草研究所 | 烤烟烟气安全性检测方法、系统、存储介质、计算机程序 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07238798A (ja) * | 1994-02-26 | 1995-09-12 | Nissin Electric Co Ltd | トンネル換気制御方法 |
CN101419209A (zh) * | 2008-12-04 | 2009-04-29 | 哈尔滨工程大学 | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 |
CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN102879531A (zh) * | 2012-10-11 | 2013-01-16 | 云南烟草科学研究院 | 一种初烤烟叶主流烟气中氨释放量的预测方法 |
-
2012
- 2012-12-12 CN CN2012105362495A patent/CN103020737A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07238798A (ja) * | 1994-02-26 | 1995-09-12 | Nissin Electric Co Ltd | トンネル換気制御方法 |
CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
CN101419209A (zh) * | 2008-12-04 | 2009-04-29 | 哈尔滨工程大学 | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 |
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN102879531A (zh) * | 2012-10-11 | 2013-01-16 | 云南烟草科学研究院 | 一种初烤烟叶主流烟气中氨释放量的预测方法 |
Non-Patent Citations (1)
Title |
---|
万玉成: "输出数据为未确定数的线性回归预测模型", 《第四届中国不确定系统年会论文集》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198145A (zh) * | 2013-04-18 | 2013-07-10 | 广东中烟工业有限责任公司 | 一种烟叶等级纯度分析方法及装置 |
CN104101691B (zh) * | 2014-08-07 | 2016-06-01 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气烟气氨的方法 |
CN104102851B (zh) * | 2014-08-07 | 2017-03-08 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气苯并芘的方法 |
CN104123424A (zh) * | 2014-08-07 | 2014-10-29 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气巴豆醛的方法 |
CN104134007A (zh) * | 2014-08-07 | 2014-11-05 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气nnk的方法 |
CN104143051A (zh) * | 2014-08-07 | 2014-11-12 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气苯酚的方法 |
CN104143050A (zh) * | 2014-08-07 | 2014-11-12 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气氰化氢的方法 |
CN104102851A (zh) * | 2014-08-07 | 2014-10-15 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气苯并芘的方法 |
CN104101691A (zh) * | 2014-08-07 | 2014-10-15 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气烟气氨的方法 |
CN104573842A (zh) * | 2014-08-07 | 2015-04-29 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气一氧化碳的方法 |
CN104143050B (zh) * | 2014-08-07 | 2020-02-04 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气氰化氢的方法 |
CN104123424B (zh) * | 2014-08-07 | 2017-09-22 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气巴豆醛的方法 |
CN104573842B (zh) * | 2014-08-07 | 2018-11-06 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气一氧化碳的方法 |
CN104134007B (zh) * | 2014-08-07 | 2019-11-26 | 云南中烟工业有限责任公司 | 基于鲁棒回归建模预测烤片烟气nnk的方法 |
CN106908435A (zh) * | 2017-02-13 | 2017-06-30 | 中国电力科学研究院 | 覆雪绝缘子上雪层可溶盐的测量方法及装置 |
CN111257512A (zh) * | 2020-02-11 | 2020-06-09 | 中国农业科学院烟草研究所 | 烤烟烟气安全性检测方法、系统、存储介质、计算机程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
Chaudhary et al. | Evaluation of “Autotune” calibration against manual calibration of building energy models | |
US11853654B2 (en) | Building performance assessment system and method | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
Preis et al. | Efficient hydraulic state estimation technique using reduced models of urban water networks | |
Das et al. | Using probabilistic sampling-based sensitivity analyses for indoor air quality modelling | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN107786369A (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
Tecchio et al. | Structured under‐specification of life cycle impact assessment data for building assemblies | |
CN108827386A (zh) | 一种建筑模型室内自然通风测试装置及测试方法 | |
CN201229289Y (zh) | 一种腐蚀预测装置 | |
Roberts et al. | Quality control for community-based sea-ice model development | |
Aggarwal et al. | Hygrothermal performance assessment of wood frame walls under historical and future climates using partial least squares regression | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN113465734B (zh) | 一种结构振动的实时估计方法 | |
L'Orange et al. | A quantitative model of cookstove variability and field performance: Implications for sample size | |
Liu et al. | On the conditional distributions and the efficient simulations of exponential integrals of Gaussian random fields | |
Stott et al. | Uncertainty in continental‐scale temperature predictions | |
Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
Chang et al. | Estimating building electricity performance gaps with internet of things data using Bayesian multilevel additive modeling | |
CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
Arababadi et al. | Building stock energy modeling: Feasibility study on selection of important input parameters using stepwise regression | |
US11210441B2 (en) | Comprehensive, multi-species environmental modeling system | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130403 |