CN105954223A - 一种提高汽油性质预测精度的方法 - Google Patents
一种提高汽油性质预测精度的方法 Download PDFInfo
- Publication number
- CN105954223A CN105954223A CN201610278446.XA CN201610278446A CN105954223A CN 105954223 A CN105954223 A CN 105954223A CN 201610278446 A CN201610278446 A CN 201610278446A CN 105954223 A CN105954223 A CN 105954223A
- Authority
- CN
- China
- Prior art keywords
- sample
- gasoline
- prediction
- fourier transform
- spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000002329 infrared spectrum Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 2
- 238000010521 absorption reaction Methods 0.000 abstract 1
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Biochemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种提高汽油性质预测精度的方法，采用小波变换进行去噪处理，并对去噪后的光谱进行快速傅里叶变换，以便有效从光谱的重叠吸收峰中提取有用信息。取累计占比率达到85％的前若干个傅里叶变换系数计算欧式距离，选择一定数量距离较小的样本作为校正样本建立偏最小二乘模型，最后对待测样本进行预测。该方法较好地除去了噪声，消除了基线漂移，同时有效提取了汽油光谱的特征信息，提高了模型的预测精度，具有重要的工程应用价值。
Description
技术领域
本发明为一种提高汽油性质预测精度的方法，具体是涉及汽油的性质检测领域，尤其是对研究法辛烷值的测定方法。
背景技术
研究法辛烷值(RON)、饱和蒸汽压等性质的分析是汽油生产中的必检项目，对汽油产品质量的控制具有重要意义。这些性质的传统检测方法复杂，耗力费时。近红外光谱分析方法具有简单、快速、无损等优点，因而在汽油性质分析检测中应用越来越广泛。
实际使用中，由于近红外原始光谱中除了包含与样品性质组成有关的化学信息外，同时也包含由样本的状态、杂散光及仪器高频噪声带来的干扰信号，这些干扰信号会影响谱图信息，导致近红外光谱基线漂移，信噪比低，对检测精度产生不利影响，必须对光谱进行去噪处理。
另外，近红外光谱为分子振动光谱的倍频和组合频谱带，吸收偏弱，存在吸收峰重叠的现象，不利于直接提取出与样品性质组成相关的信息，需要采用光谱解析等合适的手段以提高模型的预测精度。
发明内容
针对上述问题，本专利提出了一种提高汽油性质预测精度的方法，该方法以偏最小二乘(PLS)建模为基础，采用小波变换(WT)和傅里叶变换(FFT)用于滤波去噪和光谱解析。根据FFT系数的若干个系数计算待测样本与光谱库中样本的欧式距离，再在光谱库中选择一定数量的欧式距离较小的样本建立模型，最后使用建好的WT-FFT-PLS模型对待测样本进行预测，具体包括以下步骤：
(1)获取待测汽油样本的近红外光谱；
(2)对待测汽油样本和光谱库中类型相同汽油样本的光谱进行常规预处理；
(3)将预处理后的光谱数据进行小波变换处理，得到光谱数据的近似小波变换系数；
(4)对近似小波变换系数进行快速傅里叶变换，并计算傅里叶变换系数的累计占比率，当前n个系数的累计占比率达到85％以上时，记下此时的快速傅里叶变换系数的个数n；
(5)根据步骤(4)处理后的傅里叶变换系数的前n个系数计算待测样本与光谱库中样本的欧式距离，在光谱库中选择一定数量的距离较小的样本作为校正样本；
(6)取校正样本的前n个傅里叶变换系数数据建立偏最小二乘模型；
(7)通过建好的模型对待测样本进行预测。
优选的，步骤(2)所述的预处理方法采用矢量归一。
优选的，小波变换采用Haar小波。采用Haar小波变换，是因为在所有小波中Haar小波是空间紧支撑最小的，在不同的尺度下该小波具有最好的空间定位特性，能很好地保持信号的特征信息，同时也除去了噪声，消除了基线漂移。
优选的，所述提高汽油性质预测精度的方法用于检测研究法辛烷值。
优选的，步骤(5)中所述一定数量的校正样本，若光谱库中样本数量不足30个，则光谱库中所有样本为校正样本；若光谱库中样本数量超过30个，则校正样本的数量不少于30个。
更优的，所述校正样本数量为65个。
有益效果：
本发明提出了一种提高汽油性质预测精度的方法，根据汽油样本的近红外光谱数据，通过WT和FFT处理，并取FFT系数的若干个系数数据建立PLS模型，对待测样本进行预测。这种方法较好地除去了噪声，消除了基线漂移，且有效提取了汽油光谱的特征信息，提高了模型的预测精度，在实际工程应用中具有重要价值。
选取累计占比率为85％及以上的n个FFT系数重构信息数据，这是因为重构的数据中已含有85％及以上的光谱有效特征信息，这样有效提取特征信息的同时也消除了众多共存信息相互重叠的影响，降低了数据的冗余率。另外，经过测试表明当提取高于85％的光谱有效特征信息时，模型的检测精度几乎不变，这说明提取85％的光谱有效特征信息足以满足预测精度的要求。
附图说明
图1提高汽油性质预测精度的方法实施流程图
图2传统PLS模型与本发明WT-FFT-PLS模型的预测结果比较图
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。
本发明以某95#成品油为例，介绍基于WT和FFT的提高汽油性质预测精度的方法。在本案例中，光谱库中有87个95#成品油样本，编号为95#-1～95#-87，对编号为95#-88～95#-97的10个待测样本进行预测。针对汽油RON性质的预测，建模谱段选择为4000-4800cm- 1，区间内共计208个波数点。
根据图1给出的实施流程，首先对汽油样本近红外光谱数据进行矢量归一处理，然后直接调用Matlab软件工具箱中的函数进行WT和FFT。通过WT去噪和消除基线漂移，得到104个点的WT近似信息系数，然后进行FFT得到52个点的FFT系数，接着计算前n个FFT系数的累计占比率，表1中给出的是n＝16时的累计占比率。
表1某95#成品油样本光谱数据的FFT系数累计占比率
| 编号 | 累计占比率％ | 编号 | 累计占比率％ | 编号 | 累计占比率％ |
| 95#-1 | 85.27 | 95#-34 | 85.68 | 95#-67 | 85.65 |
| 95#-2 | 85.33 | 95#-35 | 85.67 | 95#-68 | 85.58 |
| 95#-3 | 85.40 | 95#-36 | 85.62 | 95#-69 | 85.27 |
| 95#-4 | 85.64 | 95#-37 | 85.76 | 95#-70 | 85.72 |
| 95#-5 | 85.61 | 95#-38 | 85.82 | 95#-71 | 85.11 |
| 95#-6 | 85.62 | 95#-39 | 85.74 | 95#-72 | 85.59 |
| 95#-7 | 85.62 | 95#-40 | 85.63 | 95#-73 | 85.20 |
| 95#-8 | 85.64 | 95#-41 | 85.74 | 95#-74 | 85.14 |
| 95#-9 | 85.61 | 95#-42 | 85.75 | 95#-75 | 85.15 |
| 95#-10 | 85.77 | 95#-43 | 85.74 | 95#-76 | 85.59 |
| 95#-11 | 85.58 | 95#-44 | 85.55 | 95#-77 | 85.21 |
| 95#-12 | 85.50 | 95#-45 | 85.56 | 95#-78 | 85.09 |
| 95#-13 | 85.51 | 95#-46 | 85.37 | 95#-79 | 85.07 |
| 95#-14 | 85.26 | 95#-47 | 85.64 | 95#-80 | 85.19 |
| 95#-15 | 85.71 | 95#-48 | 85.48 | 95#-81 | 85.37 |
| 95#-16 | 85.79 | 95#-49 | 85.59 | 95#-82 | 85.14 |
| 95#-17 | 85.40 | 95#-50 | 85.62 | 95#-83 | 85.03 |
| 95#-18 | 85.53 | 95#-51 | 85.62 | 95#-84 | 85.50 |
| 95#-19 | 85.66 | 95#-52 | 85.52 | 95#-85 | 85.02 |
| 95#-20 | 85.40 | 95#-53 | 85.44 | 95#-86 | 85.18 |
| 95#-21 | 85.51 | 95#-54 | 85.25 | 95#-87 | 85.54 |
| 95#-22 | 85.67 | 95#-55 | 85.23 | 95#-88 | 85.65 |
| 95#-23 | 85.65 | 95#-56 | 85.36 | 95#-89 | 85.45 |
| 95#-24 | 85.67 | 95#-57 | 85.49 | 95#-90 | 85.50 |
| 95#-25 | 85.67 | 95#-58 | 85.51 | 95#-91 | 85.61 |
| 95#-26 | 85.59 | 95#-59 | 85.54 | 95#-92 | 85.19 |
| 95#-27 | 85.81 | 95#-60 | 85.58 | 95#-93 | 85.20 |
| 95#-28 | 85.66 | 95#-61 | 85.55 | 95#-94 | 85.64 |
| 95#-29 | 85.70 | 95#-62 | 85.90 | 95#-95 | 85.66 |
| 95#-30 | 85.87 | 95#-63 | 85.78 | 95#-96 | 85.42 |
| 95#-31 | 85.62 | 95#-64 | 85.58 | 95#-97 | 85.39 |
| 95#-32 | 85.62 | 95#-65 | 85.69 | ||
| 95#-33 | 85.48 | 95#-66 | 85.68 |
由表1可知，前16个FFT系数的累计占比率已达到85％以上，这说明若选取前16个FFT系数作为建模数据，模型中含有85％以上的有效特征信息。
在实施案例中，从光谱库中选择65个距离较小的样本作为校正样本，建立PLS模型，本发明选取FFT系数的前16个系数数据建立WT-FFT-PLS模型，为分析比较，继续采用相同光谱库中的样本近红外光谱，经过矢量归一和基线校正预处理后，建立普通PLS模型。两个试验的详细预测结果如表2所示。其中绝对偏差是指RON实际值与预测值的差值的绝对值。
表2PLS模型与WT-FFT-PLS模型的预测结果比较
分析表2中的数据，比较WT-FFT-PLS模型与普通PLS模型的试验结果，可知10个待测样本中，4个样本的绝对偏差有所增大，而其余6个样本的绝对偏差减小。经计算，普通PLS模型与WT-FFT-PLS模型的总体标准偏差分别为0.31、0.25，WT-FFT-PLS模型的总体标准偏差减小了0.06。
图2直观地展示了10个待测样本的RON实际值与PLS模型和WT-FFT-PLS模型的预测结果情况，可见WT-FFT-PLS模型的预测情况要优于PLS模型。
可见，本发明提出的方法在去除噪声干扰的同时，也有效提取了光谱的特征信息，较好地提高了模型的预测精度。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种提高汽油性质预测精度的方法，其特征在于具有以下步骤：
(1)获取待测汽油样本的近红外光谱；
(2)对待测汽油样本和光谱库中类型相同汽油样本的光谱进行常规预处理；
(3)将预处理后的光谱数据进行小波变换处理，得到光谱数据的近似小波变换系数；
(4)对近似小波变换系数进行快速傅里叶变换，并计算傅里叶变换系数的累计占比率，当前n个系数的累计占比率达到85％以上时，记下此时的快速傅里叶变换系数的个数n；
(5)根据步骤(4)处理后的傅里叶变换系数的前n个系数计算待测样本与光谱库中样本的欧式距离，在光谱库中选择一定数量的欧式距离较小的样本作为校正样本；
(6)取校正样本的前n个傅里叶变换系数数据建立偏最小二乘模型；
(7)通过建好的模型对待测样本进行预测。
2.根据权利要求1所述的一种提高汽油性质预测精度的方法，其特征在于步骤(2)所述的预处理方法采用矢量归一。
3.根据权利要求1所述的一种提高汽油性质预测精度的方法，其特征在于小波变换采用Haar小波。
4.根据权利要求1所述的一种提高汽油性质预测精度的方法，其特征在于所述提高汽油性质预测精度的方法用于检测研究法辛烷值。
5.根据权利要求1所述的一种提高汽油性质预测精度的方法，其特征在于步骤(5)中所述一定数量的校正样本，其数量不少于30个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610278446.XA CN105954223A (zh) | 2016-04-28 | 2016-04-28 | 一种提高汽油性质预测精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610278446.XA CN105954223A (zh) | 2016-04-28 | 2016-04-28 | 一种提高汽油性质预测精度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105954223A true CN105954223A (zh) | 2016-09-21 |
Family
ID=56916373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610278446.XA Pending CN105954223A (zh) | 2016-04-28 | 2016-04-28 | 一种提高汽油性质预测精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105954223A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
| CN106770015A (zh) * | 2017-01-10 | 2017-05-31 | 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 |
| CN110987866A (zh) * | 2019-12-19 | 2020-04-10 | 汉谷云智(武汉)科技有限公司 | 一种汽油性质评价方法及装置 |
| CN112395983A (zh) * | 2020-11-18 | 2021-02-23 | 深圳市步锐生物科技有限公司 | 一种质谱数据峰位置对齐方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
| CN101788470A (zh) * | 2010-03-31 | 2010-07-28 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量快速检测方法 |
| CN101893561A (zh) * | 2010-07-13 | 2010-11-24 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量近红外光谱快速测定方法 |
| CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
| CN102111312A (zh) * | 2011-03-28 | 2011-06-29 | 钱叶魁 | 基于多尺度主成分分析的网络异常检测方法 |
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN102630092A (zh) * | 2012-03-01 | 2012-08-08 | 浙江工商大学 | 一种融入小波变换和主成分的农业无线传感数据流压缩方法 |
| CN102636454A (zh) * | 2012-05-15 | 2012-08-15 | 武汉工业学院 | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 |
| CN102680646A (zh) * | 2012-06-12 | 2012-09-19 | 南京理工大学常熟研究院有限公司 | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 |
| CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
| CN104301733A (zh) * | 2014-09-06 | 2015-01-21 | 南京邮电大学 | 一种基于特征融合的视频隐写盲检测方法 |
| CN104809450A (zh) * | 2015-05-14 | 2015-07-29 | 郑州大学 | 基于在线极限学习机的腕部静脉认证系统 |
| CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
| CN104990893A (zh) * | 2015-06-24 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
| CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
-
2016
- 2016-04-28 CN CN201610278446.XA patent/CN105954223A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN101788470A (zh) * | 2010-03-31 | 2010-07-28 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量快速检测方法 |
| CN101893561A (zh) * | 2010-07-13 | 2010-11-24 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量近红外光谱快速测定方法 |
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
| CN102111312A (zh) * | 2011-03-28 | 2011-06-29 | 钱叶魁 | 基于多尺度主成分分析的网络异常检测方法 |
| CN102630092A (zh) * | 2012-03-01 | 2012-08-08 | 浙江工商大学 | 一种融入小波变换和主成分的农业无线传感数据流压缩方法 |
| CN102636454A (zh) * | 2012-05-15 | 2012-08-15 | 武汉工业学院 | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 |
| CN102680646A (zh) * | 2012-06-12 | 2012-09-19 | 南京理工大学常熟研究院有限公司 | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 |
| CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
| CN104301733A (zh) * | 2014-09-06 | 2015-01-21 | 南京邮电大学 | 一种基于特征融合的视频隐写盲检测方法 |
| CN104809450A (zh) * | 2015-05-14 | 2015-07-29 | 郑州大学 | 基于在线极限学习机的腕部静脉认证系统 |
| CN104990893A (zh) * | 2015-06-24 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
| CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
| CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 熊智新: "基于小波变换的化学谱图数据处理", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
| 田高友等: "小波变换用于近红外光谱数据压缩", 《分析测试学报》 * |
| 颜辉等: "基于近红外光谱分析法的奶粉品质快速检测", 《农业机械学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
| CN106770015A (zh) * | 2017-01-10 | 2017-05-31 | 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 |
| CN106706558B (zh) * | 2017-01-10 | 2019-03-22 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
| CN110987866A (zh) * | 2019-12-19 | 2020-04-10 | 汉谷云智(武汉)科技有限公司 | 一种汽油性质评价方法及装置 |
| CN112395983A (zh) * | 2020-11-18 | 2021-02-23 | 深圳市步锐生物科技有限公司 | 一种质谱数据峰位置对齐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105954223A (zh) | 一种提高汽油性质预测精度的方法 | |
| CN106199532B (zh) | 基于混合傅立叶-小波分析的探地雷达信号降噪方法 | |
| CN103926599A (zh) | 基于emd迭代阈值滤波的gnss多径效应抑制方法 | |
| CN104849590B (zh) | 一种混合噪声干扰下微弱脉冲信号检测方法 | |
| US20220349986A1 (en) | Radar communication with interference suppression | |
| CN113588847B (zh) | 一种生物代谢组学数据处理方法、分析方法及装置和应用 | |
| CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
| Zheng et al. | Peak detection of TOF-SIMS using continuous wavelet transform and curve fitting | |
| Samanipour et al. | A two stage algorithm for target and suspect analysis of produced water via gas chromatography coupled with high resolution time of flight mass spectrometry | |
| Huang et al. | A practical fundamental frequency extraction algorithm for motion parameters estimation of moving targets | |
| CN105136682B (zh) | 一种燃油中芳烃含量快速、准确测定的新方法 | |
| CN114878544B (zh) | 一种从混合物sers光谱中识别目标成分的方法 | |
| Feng et al. | A blind source separation method using denoising strategy based on ICEEMDAN and improved wavelet threshold | |
| CN116522080A (zh) | 局部放电信号降噪方法 | |
| CN102542284B (zh) | 辨识光谱的方法 | |
| CN113095353B (zh) | 一种基于ap聚类的欠定盲源分离方法 | |
| CN104181532A (zh) | 基于模值约束的sar图像旁瓣抑制方法 | |
| CN110531420A (zh) | 一种地震数据中工业干扰噪声无损分离方法 | |
| US20200233108A1 (en) | High-Resolution Processing Method For Seismic Data based on Inverse Multi-Resolution Singular Value Decomposition | |
| CN116136518A (zh) | 色谱仪 | |
| CN112731526B (zh) | 依据地震衰减截距检测油气储层的方法 | |
| CN115078847A (zh) | 深空探测微波载荷的干扰源确定方法、装置、设备及介质 | |
| CN110688981B (zh) | 一种振动信号去噪的模态混叠消除方法 | |
| CN109765256B (zh) | 一种煤的核磁共振碳谱边带效应的校正方法 | |
| CN104268838B (zh) | 一种面向超光谱数据库的小波去噪算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |
|
| RJ01 | Rejection of invention patent application after publication |