CN106383103A - 一种基于主成分分析的时间分辨油荧光鉴别方法 - Google Patents
一种基于主成分分析的时间分辨油荧光鉴别方法 Download PDFInfo
- Publication number
- CN106383103A CN106383103A CN201610828159.1A CN201610828159A CN106383103A CN 106383103 A CN106383103 A CN 106383103A CN 201610828159 A CN201610828159 A CN 201610828159A CN 106383103 A CN106383103 A CN 106383103A
- Authority
- CN
- China
- Prior art keywords
- oil
- fluorescence
- sequence
- sample
- feature
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6408—Fluorescence; Phosphorescence with measurement of decay time, time resolved fluorescence
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种基于主成分分析的时间分辨油荧光鉴别方法,包括以下步骤:对油荧光光谱通过主成分分析法进行特征提取;利用提取到的主成分分量建立矢量空间,进行样本间相关性分析,得到油荧光时序特征序列,并计算该特征序列的最大值和离散度参量;分别依据油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油的类别。本发明通过对不同采样时刻油荧光主成分特征构成的特征变化序列进一步分析,并引入用于时间分辨油荧光特征参数化的最大值和离散度参量,增加了可鉴别石油产品种类的数量,提高了方法的石油产品种类鉴别能力。
Description
技术领域
本发明涉及一种荧光光谱分析方法,具体地说,是涉及一种基于主成分分析的时间分辨油荧光鉴别方法,属于光谱分析技术领域。
背景技术
石油产品对现代社会的发展和科技进步发挥着重要作用,其监测和治理问题受到极大关注,能否快速、有效地鉴别油污染成为国内外致力解决的科学问题。在诸多鉴别手段中,激光诱导荧光技术是最有效和最具潜力的一种,它利用不同种类石油产品的荧光光谱特征对其种类进行鉴别,可帮助相关部门做出溢油应急措施的决策。
目前,美国NASA和NOAA联合研制AOL(Airborne Oceanographic Lidar)系统,加拿大环境局和运输技术发展中心联合研制的SLEAF(Scanning Laser EnvironmentalAirborne Fluorosensor)系统是目前成熟的海洋激光雷达溢油监测系统,均采用普通的二维油荧光光谱谱形进行溢油识别,可获得溢油种类的粗分类,油荧光“异类同谱”现象尚未得到有效解决,溢油识别精度尚待提高。相对于二维荧光光谱,三维油荧光光谱更能反映丰富的油组分信息。然而,采用常规三维荧光激发发射光谱(Excitat ion-Emiss ionMatrix,EEM)可实现油种分类,但无法应用于油污染的监测工作中。时间分辨三维油荧光光谱探测的优势,是可用于快速、现场油污染监测,然而采用常规的分析手段并未获得细致的油荧光分类。因此,须发展了一种针对时间分辨三维油荧光光谱的石油产品种类鉴别方法,以实现快速、现场油污染监测中更为准确的油种类识别,解决油污染鉴别过程的费时费力、使用不便等问题。
发明内容
本发明针对现有技术中石油产品种类鉴别方法存在的鉴别过程复杂、可识别种类有限、监测应用性差等问题,提供了一种基于主成分分析的时间分辨油荧光鉴别方法,通过引入激光诱导荧光时序特征参量的分析方法,突出石油产品荧光光谱的时序变化差异,增加了可鉴别的种类数量,提高了方法的识别效率和可应用能力。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于主成分分析的时间分辨油荧光鉴别方法,包括以下步骤:
对油荧光光谱通过主成分分析法进行特征提取;
利用提取到的主成分分量建立矢量空间,并进行样本间相关性分析,得到油荧光时序特征序列,计算该特征序列的最大值和离散度参量;
分别依据油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油的类别。
所述对油荧光光谱进行特征提取包括以下步骤:
首先求出油荧光光谱的协方差矩阵及其特征值;
然后对特征值按大小顺序排序,并得到相应的特征向量;
再将特征向量组成正交矩阵,并与原始矩阵进行线性变换,得到新的光谱矩阵;
提取新的光谱矩阵中累计贡献率最大的前三个主成分。
所述利用提取到的主成分分量建立矢量空间,并进行样本间相关性分析,得到油荧光时序特征序列,计算该特征序列的最大值和离散度参量,包括以下步骤:
根据前三个主成分特征构建矢量空间,将单个样本位置表示为(x,y,z);
在不同t时刻主成分特征矢量空间中,计算任意两个样本位置间的相关距离,即其中下标i和j对应样本编号;
将所有时刻任意两个样本的相关距离lij(t)组成时序特征序列array[lij(t)]=[lij(t1),lij(t2),lij(t3),....lij(tn)],并计算该特征序列最大值max(array[lij(t)]),和离散度参量,即最大值、最小值的差与该向量总和值sum(array[lij(t)])的比值:
ratio={max(array[lij(t)])-min(array[lij(t)])}/sum(array[lij(t)])
其中,tn表示采样时刻,n为连续采样时刻的顺序序号。
所述分别依据油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油的类别包括以下步骤:
分别对油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油荧光时序特征序列最大值的聚类序号、离散度参量的聚类序号;
油荧光时序特征的最大值聚类序号表示油样本时间分辨荧光光谱最强荧光峰位的类别,离散度参量的聚类序号表示油样本时间分辨荧光光谱变化幅度的类别。
与现有技术相比,本发明的优点和积极效果是:
1、通过基于主成分分析的时间分辨油荧光鉴别方法,利用样本主成分的时序特征可对轻质油、中质油、重质油及原油进行特征聚类,利用油荧光时序特征鉴别模型可鉴别区分原油和重质油荧光,与现有石油产品荧光识别方法相比,增加了可识别种类数量,提高了基于时间分辨油荧光的鉴别精确度。
2、通过引入激光诱导荧光时序特征参量的分析方法,定量分析石油产品荧光光谱的时序变化差异,提高了方法的识别效率和应用能力。
3、本发明所述时间分辨油荧光鉴别方法简单、快速、有效,尤其适合于快速、实时石油产品鉴别系统的应用。
结合附图阅读本发明的具体实施方式的详细阐述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明基于主成分分析的时间分辨油荧光鉴别方法一例实施流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。
一种基于主成分分析的时间分辨油荧光鉴别方法,包括基于主成分分析的油荧光光谱特征提取过程,对前三个主成分特征构成的三维空间中油荧光样本相关性分析过程,以及基于油荧光样本时序变化数据的离散度进行样本鉴别的过程;其中,基于油荧光样本时序变化数据的离散度进行样本鉴别的过程,是基于已知石油产品种类的时间分辨荧光光谱、针对主成分特征空间中样本矢量、引入样本相关距离的最大值和离散度参量,利用该最大值和离散度参量,鉴别不同石油产品种类的时间分辨荧光光谱。本发明通过对不同采样时刻油荧光主成分特征构成的特征变化序列进一步分析,并引入用于时间分辨油荧光特征参数化的最大值和离散度参量,增加了可鉴别石油产品种类的数量,提高了方法的石油产品种类鉴别能力。
一种基于主成分分析的时间分辨油荧光鉴别方法,包括基于主成分分析的油荧光光谱特征提取过程,对前三个主成分特征构成的三维空间中油荧光样本相关性分析过程,以及基于油荧光样本时序变化数据的离散度进行样本鉴别的过程。
建立时间分辨油荧光鉴别模型的过程,包括建立油样本荧光光谱主成分特征库的步骤和建立油荧光时序特征鉴别模型的步骤;
建立油样本荧光光谱主成分特征库的步骤包括建立石油产品综合性荧光光谱库的子步骤和建立主成分提取算法的子步骤,所述石油产品综合性荧光光谱库中包含已识别和有待识别的石油产品种类时间分辨荧光光谱;
建立油荧光时序特征鉴别模型的步骤,是基于已识别石油产品种类的光谱、利用构建主成分特征空间中的相关性分析,引入样本相关距离的最大值和离散度参量,鉴别不同石油产品种类的时间分辨荧光光谱;
通过时间分辨油荧光鉴别方法,识别石油产品种类的过程包括提取油样本荧光光谱主成分特征的步骤、以及基于主成分特征空间中的相关性分析进行油荧光时序特征鉴别的步骤。
如上所述的鉴别方法,如果采用油样本荧光光谱主成分特征分析无法鉴别石油产品种类,则进一步采用所述油荧光时序特征鉴别模型进行识别。
如上所述的鉴别方法中,所述油荧光时序特征鉴别模型采用光谱主成分特征空间中样本相关距离的最大值和离散度参量作为鉴别依据;所述石油产品综合性荧光光谱库中的参考光谱,是针对各种石油产品中单一样本的时间分辨荧光光谱、多次测量取平均并进行噪声处理后得到的光谱。
如上所述的鉴别方法,引入两个鉴别依据,即油荧光光谱主成分特征空间中样本相关距离的最大值参量max(array[lij(t)])和离散度参量ratio={max(array[lij(t)])-min(array[lij(t)])}/sum(array[lij(t)]),其中,array[lij(t)]为待鉴别石油产品的时序特征序列,t为所述时间分辨光谱覆盖的某一采样时刻。
如上所述的鉴别方法,基于已知石油产品种类的时间分辨荧光光谱、针对主成分特征空间中样本矢量、引入样本相关距离的最大值和离散度参量,利用该最大值和离散度参量描述油荧光时序变化特征,鉴别不同石油产品种类的时间分辨荧光光谱,具体步骤如下:
a、分别对时间分辨荧光信号中不同采样时刻测得的油荧光光谱进行预处理;
b、将油荧光光谱数据变换到新的三维主成分特征空间,通过低维空间定位各个油样本的位置,将单个样本位置表示为(x,y,z);
c、在不同t时刻主成分特征矢量空间中,计算样本位置点间的相关距离,即其中下标i和j对应样本编号。
d、将所有时刻下任意两个样本的相关距离lij(t),组成数组array[lij(t)]=[lij(t1),lij(t2),lij(t3),....lij(tn)],并计算其最大值max(array[lij(t)]),以及最大值、最小值的差与该向量总和值sum(array[lij(t)])的比值,即
ratio={max(array[lij(t)])-min(array[lij(t)])}/sum(array[lij(t)])
将max(array[lij(t)])和ratio两个值作为并列的判据,对石油产品的时间分辨油荧光进行聚类分析。
如上所述的鉴别方法中,计算比值ratio,是为了表征油荧光光谱的时序变化差异。在识别原油和初步提炼的重质油时,利用油荧光时序特征鉴别石油产品的模型中,预处理方法为面积归一化,特征提取方法为主成分分析法,聚类方法为层次聚类算法。其中,所述主成分方法所选取主成分的累积方差贡献V要求大于90%,其中λi为油荧光光谱矩阵正交变换得到的特征根,下标i对应油荧光波段,m为主成分序号,P为主成分总数,即波段数目;所述层次聚类方法的簇间距离度量方式为:其中|p-p′|为样本向量间距离,ni是簇Ci中样本的数目。davg(Ci,Cj)为簇间平均距离,Ci,Cj分别表示不同簇;nj表示簇Cj中的样本数目,p、p′分别表示两个样本。
如上所述的鉴别方法,为了最大限度地去除背景和噪声信号影响,建立时间分辨油荧光鉴别模型以及通过模型鉴别石油产品种类时所用的时间分辨光谱为多次测量的原始光谱取平均并去除背景噪声后、进行归一化处理得到的光谱形状矢量。
本实施例具体步骤如下:
首先,简要说明本发明所述时间分辨油荧光鉴别方法的立足依据:通过分析激光诱导荧光系统测量得到的各种时间分辨油荧光光谱特征发现,汽油(如90#、92#、95#汽油)、中质油(如0#柴油、韩国柴油、润滑油)、重质油(如韩国仁川燃料油、新加坡燃料油)和原油(如大庆乙烯原油、克拉玛依原油)间的荧光光谱存在差异。较之原油及重质残渣燃料油,汽油、中质油的荧光光谱特征差异比较明显,受355nm或其它紫外光源激发,它们的光谱峰较窄,峰值波长位于短波区域,较易进行特征区分,但是重质油和原油间光谱特征差异较小。
基于上述油荧光特征,本发明采用石油产品荧光时序特征鉴别方法,可鉴别出上述原油和重质油种类,并能进行单一石油产品种类中样本间区别,与现有识别方法相比,提高了石油产品识别的种类及准确率。
图1示出了本发明基于主成分分析的时间分辨油荧光鉴别方法一个实施例的流程图。
如图1所示,该实施例的时间分辨油荧光鉴别方法包括油荧光光谱特征提取过程1、样本相关性分析过程2和样本时序特征鉴别模型3。
在该方法进行石油产品识别应用中,油荧光光谱特征提取过程1,是针对相应激发光源和时间分辨光谱测量的情况下获得的三维油荧光光谱信号,通过主成分分析方法提取前三个光谱主成分分量(累计贡献率大于90%)。荧光光谱主成分分析,是在均方误差最小情况下进行最佳正交线性变换,把光谱波长与强度之间关联的复杂关系进行简化的分析方法。具体变换过程为:(1)先求出原始荧光光谱矩阵的协方差矩阵,再求出该协方差矩阵的特征值;(2)对特征值按大小顺序排序,并得到相应的特征向量;(3)将特征向量组成正交矩阵,并与原始矩阵进行线性变换,得到新的光谱矩阵。新光谱矩阵中前边几个行向量(波段)代表了原始光谱的主要信息,后边几个行向量(波段)则主要是误差。主成分分析方法是以原始数据信息丢失最少的原则,对多变量的截面数据进行最佳简化。石油荧光光谱的主成分变换过程具体表示为:
将石油荧光光谱矩阵表示为S=(s1,s2,...sN)=(I1,I2,...IP)T,其中N是样本种类数目,P是波段数目,因此,si为第i种油,Ik表示荧光光谱的第k个波段,那么光谱矩阵S的均值向量和协方差为:
∑s=E{(S-C)(S-C)T}
将协方差矩阵∑s的特征根设为λ1、λ2、…λP(已按大小排序,λ1≥λ2≥...λP≥0);E表示数学期望运算符号。
令相应的单位特征向量为t1、t2、…tP,则有正交变换矩阵
A=(t1,t2,...,tP)
那么,变换后的光谱矩阵为
Y=AS=(Y1,Y2,...,YP)T
在主成分分析中,m表示已按大小排列后的主成分序号,主成分Y1,Y2,…,Ym的累计贡献率为:
在主成分分析方法中,累计贡献率是提取主成分特征的依据,也是在样本相关性分析过程2中建立主成分矢量空间的基础。
在该实例中,油荧光光谱特征提取过程1通过20种油样本时间分辨荧光光谱的主成分特征选择。针对油荧光寿命范围内的采样时刻,样本相关性分析过程2利用前三个光谱主成分分量构建主成分矢量空间。
这里将单个样本位置表示为(x,y,z)。在t时刻矢量空间中,油样本间的相关距离计算为其中下标i和j分别对应不同样本的编号。所有采样时刻下任意两个样本的相关距离lij(t),组成表征油荧光时序特征的数组array[lij(t)]=[lij(t1),lij(t2),lij(t3),...lij(tn)],其中t1,t2,t3,…tn表示采样时刻,当i=j时,lij(t)=0。
在样本时序特征鉴别模型3中,油荧光时序特征数组的最大值max(array[lij(t)]),以及矢量距离的离散度参量(最大值、最小值的差与该向量总和值sum(array[lij(t)])的比值),即
ratio={max(array[lij(t)])-min(array[lij(t)])}/sum(array[lij(t)])
这里,时间分辨荧光的光谱特征通过ratio进行表征ICCD所采集石油荧光光谱的时序变化差异。样本时序特征鉴别模型3中,将max(array[lij(t)])和ratio作为并列的判据,分别对油样本进行分层聚类分析,具体数据处理可通过Matlab中linkage、cophenetic、cluster函数创建聚类。
该实例中,在不同实验条件下,利用355nm激光激发各种石油产品样本,将ICCD采集到的时间分辨荧光进行去除背景噪声、归一化处理后,获得各种已知石油产品样本的三维荧光光谱信号,共包括1000组数据。实验样本共20种石油产品,包括:
轻质油:92号汽油,95号汽油;
原油:马拉拉哥原油,委内瑞拉原油,安哥拉原油,中原油田原油,阿拉伯原油,俄罗斯2号原油,大庆乙烯原油,1C原油,克拉玛依原油;
燃料油:新加坡燃料油,4F燃料油,韩国仁川燃料油,韩国重油;
中质油:0号柴油,韩国加农柴油,韩国柴油,大连润滑油,3号成品油;
基于上述样本的时间分辨荧光光谱,采样石油产品荧光时序特征鉴别方法,通过油荧光光谱主成分特征提取、矢量空间中样本相关性分析和样本时序特征鉴别分析,获得样本聚类的结果如以下表格中所示。
将max(array[lij(t)])和ratio视为并列的聚类判据,得到石油产品的详细分类:
1.a类:安哥拉原油;
1.b类:1C原油;
2.a类:3号成品油;
3.a类:韩国加农柴油;
3.b类:韩国柴油;
3.c类:大连润滑油;
3.d类:0号柴油;
3.e类:92号汽油;
3.f类:95号汽油;
4.a类:马拉拉哥原油;
4.b类:阿拉伯原油;
5.a类:委内瑞拉原油;
5.b类:中原油田原油;
5.c类:俄罗斯2号原油;
5.d类:大庆乙烯原油;
5.e类:克拉玛依原油;
5.f类:新加坡燃料油;
5.g类:4F燃料油;
5.h类:韩国仁川燃料油;
5.i类:韩国重油;
在该实施例中,基于max(array[lij(t)])和ratio参数化的石油产品荧光时序特征,样本鉴别准确率为98%,从而印证了本发明针对石油产品种类鉴别的方法有效性。该发明应用过程中,若样本进行增加或减少,均按照方法的实施流程进行分析,依次进行油荧光光谱主成分特征提取、矢量空间中样本相关性分析和样本时序特征鉴别,即可获得石油产品种类细致的鉴别结果,提高了鉴别效率和适应性能。
以上所述的实施例仅用以说明本发明技术方案,而非对其进行方法限制;尽管上述实施例对本发明进行了详述,对于本领域的技术人员来说,依然可以对该实施例所述的技术方案进行修改,或对其中的部分技术特征进行等同性地替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (4)
1.一种基于主成分分析的时间分辨油荧光鉴别方法,其特征在于包括以下步骤:
对油荧光光谱通过主成分分析法进行特征提取;
利用提取到的主成分分量建立矢量空间,并进行样本间相关性分析,得到油荧光时序特征序列,计算该特征序列的最大值和离散度参量;
分别依据油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油的类别。
2.根据权利要求1所述的一种基于主成分分析的时间分辨油荧光鉴别方法,其特征在于所述对油荧光光谱进行特征提取包括以下步骤:
首先求出油荧光光谱的协方差矩阵及其特征值;
然后对特征值按大小顺序排序,并得到相应的特征向量;
再将特征向量组成正交矩阵,并与原始矩阵进行线性变换,得到新的光谱矩阵;
提取新的光谱矩阵中累计贡献率最大的前三个主成分。
3.根据权利要求1所述的一种基于主成分分析的时间分辨油荧光鉴别方法,其特征在于,所述利用提取到的主成分分量建立矢量空间,并进行样本间相关性分析,得到油荧光时序特征序列,计算该特征序列的最大值和离散度参量,包括以下步骤:
根据前三个主成分特征构建矢量空间,将单个样本位置表示为(x,y,z);
在不同t时刻主成分特征矢量空间中,计算任意两个样本位置间的相关距离,即其中下标i和j对应样本编号;
将所有时刻任意两个样本的相关距离lij(t)组成时序特征序列array[lij(t)]=[lij(t1),lij(t2),lij(t3),….lij(tn)],并计算该特征序列最大值max(array[lij(t)]),和离散度参量,即最大值、最小值的差与该向量总和值sum(array[lij(t)])的比值:
ratio={max(array[lij(t)])-min(array[lij(t)])}/sum(array[lij(t)])
其中,tn表示采样时刻,n为连续采样时刻的顺序序号。
4.根据权利要求3所述的一种基于主成分分析的时间分辨油荧光鉴别方法,其特征在于,所述分别依据油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油的类别包括以下步骤:
分别对油荧光时序特征序列的最大值和离散度参量进行层次聚类得到油荧光时序特征序列最大值的聚类序号、离散度参量的聚类序号;
油荧光时序特征的最大值聚类序号表示油样本时间分辨荧光光谱最强荧光峰位的类别,离散度参量的聚类序号表示油样本时间分辨荧光光谱变化幅度的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828159.1A CN106383103A (zh) | 2016-09-18 | 2016-09-18 | 一种基于主成分分析的时间分辨油荧光鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828159.1A CN106383103A (zh) | 2016-09-18 | 2016-09-18 | 一种基于主成分分析的时间分辨油荧光鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106383103A true CN106383103A (zh) | 2017-02-08 |
Family
ID=57935711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610828159.1A Pending CN106383103A (zh) | 2016-09-18 | 2016-09-18 | 一种基于主成分分析的时间分辨油荧光鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106383103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844941A (zh) * | 2018-05-30 | 2018-11-20 | 武汉工程大学 | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 |
CN108986096A (zh) * | 2018-08-21 | 2018-12-11 | 燕山大学 | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 |
CN111380844A (zh) * | 2020-01-13 | 2020-07-07 | 安徽理工大学 | 一种谱聚类结合激光诱导荧光(lif)技术识别食用油方法 |
-
2016
- 2016-09-18 CN CN201610828159.1A patent/CN106383103A/zh active Pending
Non-Patent Citations (2)
Title |
---|
李晓龙等: "视场可调节海洋激光雷达实验系统研制与ICCD激光荧光实验研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
赵清华: "基于主成分分析报废车用塑料近红外识别技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844941A (zh) * | 2018-05-30 | 2018-11-20 | 武汉工程大学 | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 |
CN108986096A (zh) * | 2018-08-21 | 2018-12-11 | 燕山大学 | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 |
CN111380844A (zh) * | 2020-01-13 | 2020-07-07 | 安徽理工大学 | 一种谱聚类结合激光诱导荧光(lif)技术识别食用油方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102023137B (zh) | 一种白酒鉴别方法 | |
CN102183500B (zh) | 基于荧光特征参量欧氏距离的白酒鉴别方法 | |
CN103487411A (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN106770194A (zh) | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 | |
CN101976331B (zh) | 一种多组分重叠三维荧光光谱的成分识别方法 | |
US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
CN106383103A (zh) | 一种基于主成分分析的时间分辨油荧光鉴别方法 | |
CN107220625A (zh) | 一种对样品的libs光谱自动识别分类方法 | |
Lei et al. | Geographic origin identification of coal using near-infrared spectroscopy combined with improved random forest method | |
CN107462560A (zh) | Lif结合libs的食用油品质快速分析装置及方法 | |
CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
CN110110789A (zh) | 一种基于多谱图信息融合技术的中草药品质鉴别方法 | |
Ruan et al. | A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics | |
CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN104318260B (zh) | 一种基于分组支持向量机的裘皮近红外光谱鉴别的方法 | |
CN113138181B (zh) | 一种对清香型原酒品质分级的方法 | |
CN105069462A (zh) | 基于光谱特征细分和分类器级联的有机化学品定性判定方法 | |
Fichera et al. | A combined approach for the attribution of handwriting: the case of Antonio Stradivari’s manuscripts | |
CN115131293A (zh) | 一种基于libs光谱和图像融合的中药材产地识别方法 | |
CN111881738B (zh) | 一种核模糊正交鉴别分析的茶叶近红外光谱分类方法 | |
CN110174392B (zh) | 一种高辨识力多组分复杂油品的指纹谱构建及鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170208 |