CN104990893B - 一种基于相似判别的汽油辛烷值检测方法 - Google Patents
一种基于相似判别的汽油辛烷值检测方法 Download PDFInfo
- Publication number
- CN104990893B CN104990893B CN201510355734.6A CN201510355734A CN104990893B CN 104990893 B CN104990893 B CN 104990893B CN 201510355734 A CN201510355734 A CN 201510355734A CN 104990893 B CN104990893 B CN 104990893B
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- mrow
- similar
- score
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种基于相似判别的汽油辛烷值检测方法，在对光谱进行预处理后，采用主成分分析方法计算吸光度矩阵的得分矩阵，利用累积贡献率达85％‑95％对应的得分向量组成新的得分矩阵，基于新得分矩阵采用欧式距离公式计算待测样本与光谱数据库中样本的光谱距离，并将其作为查找相似样本的判别条件，选出光谱距离小于阈值的相似样本作为校正样本建立偏最小二乘模型，并对待测样本进行预测。这种方法有效避免了传统快速检测中为照顾模型的稳健性而牺牲预测精度的问题，特别是在工况变化剧烈，辛烷值波动较大时，能有效提高模型预测精度，为炼厂准确测量汽油性质，及时调整操作参数提供重要保障。
Description
技术领域
本发明涉及炼油企业汽油检测，尤其是汽油性质的快速预测，具体是一种基于相似判别的汽油辛烷值检测方法。
背景技术
辛烷值(RON)是汽油关键质量指标之一，汽油辛烷值直接表征汽油的抗爆性能，根据辛烷值大小划分成不同的汽油牌号。对汽油辛烷值的测定已有相应的标准方法，但是分析周期长、分析成本高，难以满足过程控制中对快速性的要求。
近红外光谱(NIR)分析技术是一种间接快速的无损分析技术，根据汽油样品的近红外光谱和标准方法测定的辛烷值，采用化学计量学方法，建立分析模型，然后通过未知样品的光谱曲线和分析模型确立的函数关系，快速预测未知样品的辛烷值。
目前建立分析模型的过程是，从同一类油种中选择数十个或上百个近期的样本建立模型，用来预测未来某段时间的汽油性质。但是在实际生产中由于生产装置工艺条件的改变，往往会导致油种辛烷值在短时间内波动较大，因此建立的模型需要有较高的稳健性，即建模样本的辛烷值范围要广，尽量囊括所有的情况，才能使预测样本的覆盖面广。然而，模型的稳健性越高，其预测精度就会随之下降。这种矛盾的存在，使得建模陷入顾此失彼的局面。
发明内容
为解决现有技术存在的问题，本发明提出了一种基于相似判别的汽油辛烷值检测方法，该方法是指在光谱数据库中找出与待测样本光谱距离最近的样本建立分析模型，再对待测样本预测，具体包括以下步骤：
(1)对待测样本进行近红外扫描，获得其光谱；
(2)对待测样本和光谱库中已知样本光谱进行常规预处理；
(3)采用主成分分析方法计算预处理后的光谱得分矩阵；
(4)根据得分矩阵中每个得分向量的贡献值计算出累积贡献率，获取累积贡献率达85％～95％的得分向量组成新的得分矩阵；
(5)利用步骤(4)所得的新的得分矩阵计算待测样本与数据库样本的光谱距离；
(6)选出光谱距离小于等于阈值的相似样本作为校正样本，建立偏最小二乘模型；
(7)通过建好的偏最小二乘模型对待测样本进行预测。
优选的，步骤(5)中利用步骤(4)所得的新的得分矩阵计算待测样本与数据库样本的光谱距离，计算式如下所示：
其中，dj是指待测样本与光谱数据库中第j个样本间的光谱距离，Ti为待测样本第i个得分向量的光谱得分，1≤i≤f，f为得分向量的长度，Tj,i为光谱数据库中第j个样本的第i个得分向量的光谱得分，公式中乘以a是为了更方便的观察数据大小。
优选的，所述a＝1000。
优选的，步骤(6)中选出光谱距离小于等于阈值的相似样本作为校正样本，所述阈值取20，当光谱距离小于等于阈值的相似样本小于最少建模数量25时，按照光谱距离由小到大顺序选前25个相似光谱作为校正样本。
有益效果：
本发明提出了一种基于相似判别的汽油辛烷值检测方法，在对光谱进行传统预处理后，通过主成分分析提取出承载85％-95％光谱有用信息的得分矩阵，计算光谱距离并以光谱距离小于等于20作为挑选相似光谱的依据，通过相似光谱建立偏最小二乘模型，这种方法有效避免了传统快速检测中为照顾模型的稳健性而牺牲预测精度的问题。特别是在工况变化剧烈，辛烷值波动较大时，能有效提高模型预测精度，为炼厂准确测量汽油性质，及时调整操作参数提供重要保障。
附图说明
图1是基于相似判别的汽油辛烷值检测方法的流程步骤。
具体实施方式
下面结合附图和实施案例对本发明作进一步的说明。
原理分析：
一般仪器记录的样品近红外光谱数据中包含有一系列噪声和干扰信号，因此适当的预处理为较为准确地选择相似样本奠定基础，可以采用常规的基线校正和矢量归一化等手段。将待测光谱和光谱数据库中的光谱进行常规预处理后，通过主成分分析从吸光度矩阵中得到得分矩阵。得分矩阵实际上是吸光度矩阵在其对应载荷矩阵方向上的投影，得分矩阵中得分向量携带的信息越多其贡献率也越大，在得分矩阵中排列越靠前，一般选取累积贡献率达85％-95％对应的得分向量组成新的得分矩阵计算光谱间的距离，这样有效的提取了有用的信息同时也消除掉了噪音干扰。
本专利以S_Zorb汽油、己烷轻石、92#、95#和97#调合油为例，按照上述过程计算92#调合油分别与这5类油间的光谱距离，具体见表1。
表1 92#调合油与S_Zorb汽油、己烷轻石、92#、95#和97#调合油间的光谱距离
由表1可知，92#-1～92#-9与S_Zorb汽油、己烷轻石、95#和97#调合油由于其辛烷值相差较大，其光谱距离也较大，一般大于20；92#-1～92#-9调合油之间的辛烷值相近，其光谱距离也小，一般都小于20；92#-10调合油与92#-1～92#-9间的光谱距离比较大，这也是因为其辛烷值差距较大造成的。
可见，辛烷值越接近，其光谱距离也越小，因此可以利用光谱距离来选取相似样本，进而依据选择的相似样本建立预测模型。这将在保证模型稳健性的同时，有效提升模型的预测精度。
当油种间辛烷值差异较大时其光谱距离大于20，因此将相似光谱与非相似光谱的临界点设为20，即当光谱距离小于等于20时可以看作是相似光谱。当光谱距离小于等于20的相似样本个数小于25个时，按照光谱距离由小到大顺序获取其前25个样本作为校正样本来建模，其中25为最小建模数量。
现以某炼化企业汽油调合业务的实际实施情况并结合一具体算例，给出详细的计算过程和具体的操作流程。该企业目前参与调合的组分油中有S_Zrob汽油、己烷轻石、重整抽余油、MTBE等，调合油有国V92#、95#和国IV93#、97#。在调合过程中S_Zrob汽油、己烷轻石、重整抽余油等组分油由于生产装置不稳定，导致其辛烷值产生较大的波动，使得调合油的辛烷值也随之波动也较大，甚至导致调合不合格的情况出现，因此能够及时预测组分油和调合油的辛烷值在调合过程中显得尤为重要。下面以编号为92#-69的一已知的92#调合油作为未知样本介绍具体过程，表2为92#调合油所有样本的编号及其对应的辛烷值。
表2 92#调合油样本编号及对应辛烷值
| 编号 | 辛烷值 | 编号 | 辛烷值 | 编号 | 辛烷值 | 编号 | 辛烷值 | 编号 | 辛烷值 |
| 92#-1 | 92.4 | 92#-16 | 92.8 | 92#-31 | 93.0 | 92#-46 | 92.4 | 92#-61 | 91.8 |
| 92#-2 | 93.0 | 92#-17 | 94.0 | 92#-32 | 92.0 | 92#-47 | 92.3 | 92#-62 | 92.6 |
| 92#-3 | 93.1 | 92#-18 | 92.8 | 92#-33 | 92.6 | 92#-48 | 92.2 | 92#-63 | 91.8 |
| 92#-4 | 93.1 | 92#-19 | 92.1 | 92#-34 | 92.4 | 92#-49 | 92.3 | 92#-64 | 93.0 |
| 92#-5 | 92.5 | 92#-20 | 92.7 | 92#-35 | 92.2 | 92#-50 | 92.2 | 92#-65 | 92.2 |
| 92#-6 | 92.8 | 92#-21 | 91.9 | 92#-36 | 92.5 | 92#-51 | 92.1 | 92#-66 | 92.0 |
| 92#-7 | 92.0 | 92#-22 | 91.8 | 92#-37 | 92.3 | 92#-52 | 92.2 | 92#-67 | 92.2 |
| 92#-8 | 92.0 | 92#-23 | 93.4 | 92#-38 | 91.9 | 92#-53 | 93.1 | 92#-68 | 92.9 |
| 92#-9 | 93.4 | 92#-24 | 92.5 | 92#-39 | 93.0 | 92#-54 | 94.0 | 92#-69 | 92.2 |
| 92#-10 | 95.0 | 92#-25 | 91.9 | 92#-40 | 92.7 | 92#-55 | 93.0 | ||
| 92#-11 | 95.1 | 92#-26 | 92.8 | 92#-41 | 93.0 | 92#-56 | 92.4 | ||
| 92#-12 | 94.0 | 92#-27 | 93.4 | 92#-42 | 92.7 | 92#-57 | 92.3 | ||
| 92#-13 | 94.8 | 92#-28 | 92.2 | 92#-43 | 91.7 | 92#-58 | 92.2 | ||
| 92#-14 | 95.0 | 92#-29 | 91.9 | 92#-44 | 92.4 | 92#-59 | 92.2 | ||
| 92#-15 | 93.0 | 92#-30 | 92.5 | 92#-45 | 92.4 | 92#-60 | 91.6 |
由表2可知，92#调合油中69个样本的辛烷值波动范围为91.6～95.7，其辛烷值波动范围较大，采用单一的静态模型来预测未来一段时间的样本显然存在预测精度不高的问题。对所有样本的光谱进行常规预处理后，获取包含92#-69在内的69个光谱的吸光度组成的矩阵，采用MATLAB自带的函数princomp函数计算其得分矩阵。根据得分矩阵中每个得分向量的贡献值计算出累积贡献率，如表3所示。
表3得分向量的贡献、贡献率及累积贡献率
| 序号 | 贡献值 | 贡献率 | 累积贡献率 |
| 1 | 0.001016 | 0.816186 | 0.816186 |
| 2 | 0.000119 | 0.095933 | 0.912119 |
| 3 | 6.13E-05 | 0.049246 | 0.961365 |
| 4 | 2.25E-05 | 0.018037 | 0.979402 |
| 5 | 1.07E-05 | 0.008606 | 0.988008 |
| 6 | 7.20E-06 | 0.005783 | 0.993791 |
| 7 | 3.92E-06 | 0.003152 | 0.996942 |
| 8 | 1.12E-06 | 0.000898 | 0.997840 |
| 9 | 6.49E-07 | 0.000521 | 0.998362 |
| 10 | 5.52E-07 | 0.000443 | 0.998805 |
表3中只列出了其前10个得分向量的累积贡献率，由表3可知得分矩阵中的前两个得分向量的累积贡献率已达到91％，介于85％～95％之间，因此选取其前两个得分向量组成新的得分矩阵，根据新得分矩阵计算92#-69与其他68个校正样本的光谱距离，如表4所示。
表4 92#-69与其他68个校正样本的光谱距离
| 编号 | 距离 | 编号 | 距离 | 编号 | 距离 | 编号 | 距离 | 编号 | 距离 |
| 92#-1 | 70.90 | 92#-16 | 28.63 | 92#-31 | 70.58 | 92#-46 | 48.41 | 92#-61 | 17.32 |
| 92#-2 | 67.70 | 92#-17 | 67.30 | 92#-32 | 31.03 | 92#-47 | 24.28 | 92#-62 | 15.73 |
| 92#-3 | 67.66 | 92#-18 | 45.33 | 92#-33 | 50.34 | 92#-48 | 34.82 | 92#-63 | 13.94 |
| 92#-4 | 54.62 | 92#-19 | 13.08 | 92#-34 | 52.61 | 92#-49 | 44.32 | 92#-64 | 17.87 |
| 92#-5 | 52.84 | 92#-20 | 29.53 | 92#-35 | 48.71 | 92#-50 | 48.03 | 92#-65 | 9.83 |
| 92#-6 | 65.39 | 92#-21 | 20.40 | 92#-36 | 22.75 | 92#-51 | 46.44 | 92#-66 | 8.49 |
| 92#-7 | 65.82 | 92#-22 | 56.68 | 92#-37 | 27.53 | 92#-52 | 33.96 | 92#-67 | 3.63 |
| 92#-8 | 66.32 | 92#-23 | 68.46 | 92#-38 | 32.71 | 92#-53 | 49.95 | 92#-68 | 3.40 |
| 92#-9 | 46.89 | 92#-24 | 70.37 | 92#-39 | 33.08 | 92#-54 | 31.33 | ||
| 92#-10 | 53.59 | 92#-25 | 62.65 | 92#-40 | 16.76 | 92#-55 | 45.95 | ||
| 92#-11 | 56.93 | 92#-26 | 66.03 | 92#-41 | 47.16 | 92#-56 | 31.83 | ||
| 92#-12 | 6.58 | 92#-27 | 67.77 | 92#-42 | 23.46 | 92#-57 | 25.91 | ||
| 92#-13 | 9.04 | 92#-28 | 59.66 | 92#-43 | 15.07 | 92#-58 | 12.27 | ||
| 92#-14 | 12.15 | 92#-29 | 67.48 | 92#-44 | 19.92 | 92#-59 | 12.96 | ||
| 92#-15 | 30.23 | 92#-30 | 70.29 | 92#-45 | 2.41 | 92#-60 | 16.65 |
由表4可知，与92#-69光谱距离小于等于20的样本共19个，不满足最小建模数量至少25个的要求，因此按照光谱距离由小到大的顺序找出前25个相似样本作为校正样本，添加至模型建立偏最小二乘模型，其模型决定系数为94.14％，模型标准差为0.205，采用此模型对92#-69进行预测，其预测结果为92.06，与其化验值92.2的偏差为-0.14。
为分析比较，若采用92#-1～92#-25共25个样本建立模型，模型决定系数为93.28％，模型标准差为0.260，采用此模型对92#-69进行预测，其预测结果为92.79，与其化验值92.2的偏差为0.57。显然，预测精度不及本专利提出的方法。
可见，采用相似光谱建模，能有效提高预测精度。
Claims (3)
1.一种基于相似判别的汽油辛烷值检测方法，其特征在于利用得分矩阵计算光谱距离进行相似判别，包括以下过程：
(1)对待测样本进行近红外扫描，获得其光谱；
(2)对待测样本和光谱库中已知样本光谱进行常规预处理；
(3)采用主成分分析方法计算预处理后的光谱得分矩阵；
(4)根据得分矩阵中每个得分向量的贡献值计算出累积贡献率，获取累积贡献率达85％～95％的得分向量组成新的得分矩阵；
(5)利用步骤(4)所得的新的得分矩阵计算待测样本与数据库样本的光谱距离，计算式如下所示：
<mrow>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>f</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mn>0.5</mn>
</msup>
<mo>*</mo>
<mi>a</mi>
</mrow>
其中，dj是指待测样本与光谱数据库中第j个样本间的光谱距离，Ti为待测样本第i个得分向量的光谱得分，1≤i≤f，f为得分向量的长度，Tj,i为光谱数据库中第j个样本的第i个得分向量的光谱得分，公式中乘以a是为了更方便的观察数据大小；
(6)选出光谱距离小于等于阈值的相似样本作为校正样本，建立偏最小二乘模型；
(7)通过建好的偏最小二乘模型对待测样本进行预测。
2.根据权利要求1所述的一种基于相似判别的汽油辛烷值检测方法，其特征在于所述a＝1000。
3.根据权利要求1所述的一种基于相似判别的汽油辛烷值检测方法，其特征在于步骤(6)中选出光谱距离小于等于阈值的相似样本作为校正样本，所述阈值取20，当光谱距离小于等于阈值的相似样本小于最少建模数量25时，按照光谱距离由小到大顺序选前25个相似光谱作为校正样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510355734.6A CN104990893B (zh) | 2015-06-24 | 2015-06-24 | 一种基于相似判别的汽油辛烷值检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510355734.6A CN104990893B (zh) | 2015-06-24 | 2015-06-24 | 一种基于相似判别的汽油辛烷值检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104990893A CN104990893A (zh) | 2015-10-21 |
| CN104990893B true CN104990893B (zh) | 2017-12-29 |
Family
ID=54302733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510355734.6A Active CN104990893B (zh) | 2015-06-24 | 2015-06-24 | 一种基于相似判别的汽油辛烷值检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104990893B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105717272B (zh) * | 2016-04-06 | 2018-08-10 | 成都天丰清洁能源发展有限公司 | 一种汽油辛烷值的测试方法 |
| CN105911016A (zh) * | 2016-04-06 | 2016-08-31 | 南京富岛信息工程有限公司 | 一种原油光谱性质的非线性建模方法 |
| CN105954223A (zh) * | 2016-04-28 | 2016-09-21 | 南京富岛信息工程有限公司 | 一种提高汽油性质预测精度的方法 |
| CN106407648A (zh) * | 2016-08-26 | 2017-02-15 | 南京富岛信息工程有限公司 | 一种汽油关键性质的快速批量预测方法 |
| CN106770015B (zh) * | 2017-01-10 | 2020-12-15 | 南京富岛信息工程有限公司 | 一种基于主成分分析相似判别的油品性质检测方法 |
| CN107085059B (zh) * | 2017-05-14 | 2020-04-03 | 杭州辛孚能源科技有限公司 | 一种测定汽油辛烷值的方法及装置 |
| CN107271400A (zh) * | 2017-06-23 | 2017-10-20 | 南京富岛信息工程有限公司 | 一种自动添加校正集样本的方法 |
| CN108593594A (zh) * | 2018-04-27 | 2018-09-28 | 浙江大学 | 一种苹果硬度无损检测方法 |
| CN117877007B (zh) * | 2024-03-12 | 2024-05-10 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种全氟辛烷磺酸快速检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5572030A (en) * | 1994-04-22 | 1996-11-05 | Intevep, S.A. | Method for determining parameter of hydrocarbon |
| CN1283791A (zh) * | 1999-07-06 | 2001-02-14 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
| US6620621B1 (en) * | 1995-11-13 | 2003-09-16 | Digilab | Method for the detection of cellular abnormalities using fourier transform infrared spectroscopy |
| CN1796979A (zh) * | 2004-12-28 | 2006-07-05 | 中国石油化工股份有限公司 | 近红外光谱测定汽油中二烯烃含量的方法 |
| CN102539375A (zh) * | 2012-01-10 | 2012-07-04 | 江苏大学 | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 |
| CN102667831A (zh) * | 2009-11-25 | 2012-09-12 | 夏普株式会社 | 不合格原因的分析显示方法及不合格原因的分析显示装置 |
| CN103440425A (zh) * | 2013-09-05 | 2013-12-11 | 中国石油化工股份有限公司 | 一种辛烷值回归模型的建立方法 |
-
2015
- 2015-06-24 CN CN201510355734.6A patent/CN104990893B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5572030A (en) * | 1994-04-22 | 1996-11-05 | Intevep, S.A. | Method for determining parameter of hydrocarbon |
| US6620621B1 (en) * | 1995-11-13 | 2003-09-16 | Digilab | Method for the detection of cellular abnormalities using fourier transform infrared spectroscopy |
| CN1283791A (zh) * | 1999-07-06 | 2001-02-14 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
| CN1796979A (zh) * | 2004-12-28 | 2006-07-05 | 中国石油化工股份有限公司 | 近红外光谱测定汽油中二烯烃含量的方法 |
| CN102667831A (zh) * | 2009-11-25 | 2012-09-12 | 夏普株式会社 | 不合格原因的分析显示方法及不合格原因的分析显示装置 |
| CN102539375A (zh) * | 2012-01-10 | 2012-07-04 | 江苏大学 | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 |
| CN103440425A (zh) * | 2013-09-05 | 2013-12-11 | 中国石油化工股份有限公司 | 一种辛烷值回归模型的建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104990893A (zh) | 2015-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104990893B (zh) | 一种基于相似判别的汽油辛烷值检测方法 | |
| CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
| US9846147B2 (en) | Prediction of refining characteristics of oil | |
| US7640109B2 (en) | Fingerprinting of complex hydrocarbon containing mixtures | |
| CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
| CN109932297B (zh) | 一种致密砂岩储层渗透率的计算方法 | |
| CN105740988A (zh) | 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法 | |
| CN106770015B (zh) | 一种基于主成分分析相似判别的油品性质检测方法 | |
| CN107958267B (zh) | 一种基于光谱线性表示的油品性质预测方法 | |
| CN106407648A (zh) | 一种汽油关键性质的快速批量预测方法 | |
| CN102435556A (zh) | 用于复杂非均相混合物体系的准确光谱定量分析方法 | |
| CN107563448B (zh) | 基于近红外光谱分析的样本空间聚类划分法 | |
| He et al. | A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes | |
| CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
| CN103488874A (zh) | 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法 | |
| WO2012125121A1 (en) | A method, an apparatus, and a computer program product for identifying metabolites from liquid chromatography-mass spectrometry measurements | |
| CN108760789A (zh) | 一种原油快评方法 | |
| CN103115889B (zh) | 由透射红外光谱预测原油硫含量的方法 | |
| CN105987886A (zh) | 近红外光谱测定加氢裂化尾油性质的方法 | |
| JP4953175B2 (ja) | クロマトグラフ／質量分析装置における定量精度向上方法 | |
| Wehrens et al. | Meta-statistics for variable selection: The R package BioMark | |
| Song et al. | A real‐time Mooney‐viscosity prediction model of the mixed rubber based on the Independent Component Regression‐Gaussian Process algorithm | |
| CN103439441A (zh) | 一种基于子集错误率估计的肽鉴定方法 | |
| US11415568B2 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| CN107505282A (zh) | 一种提高油品近红外建模稳健性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |