CN106529680A - 一种基于经验模态分解的多尺度极限学习机集成建模方法 - Google Patents
一种基于经验模态分解的多尺度极限学习机集成建模方法 Download PDFInfo
- Publication number
- CN106529680A CN106529680A CN201610922755.6A CN201610922755A CN106529680A CN 106529680 A CN106529680 A CN 106529680A CN 201610922755 A CN201610922755 A CN 201610922755A CN 106529680 A CN106529680 A CN 106529680A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- mode decomposition
- empirical mode
- imf
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 abstract description 2
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- QCVGEOXPDFCNHA-UHFFFAOYSA-N 5,5-dimethyl-2,4-dioxo-1,3-oxazolidine-3-carboxamide Chemical compound CC1(C)OC(=O)N(C(N)=O)C1=O QCVGEOXPDFCNHA-UHFFFAOYSA-N 0.000 description 1
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000014103 egg white Nutrition 0.000 description 1
- 210000000969 egg white Anatomy 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于分析化学领域的化学计量学建模技术，涉及一种基于经验模态分解的多尺度极限学习机集成建模方法。首先，采用KS分组法将样品分为训练集合预测集，其次，将训练集的光谱信号通过经验模态分解被分解为一系列本征模态函数分量IMF和一个剩余项r，然后，对每个IMF及r建立极限学习机子模型；对预测集光谱经过同样的经验模态分解，将得到的子序列代入到子模型中，得到每个子模型的预测结果，将所有预测结果加权平均得到最终预测结果。本发明充分利用了信号的局部信息，可以得到更准确的预测结果。本发明适用于农业、食品、医药、石油以及环境等领域的复杂样品定量分析。
Description
技术领域
本发明属于分析化学领域的化学计量学建模技术，具体涉及一种基于经验模态分解的多尺度极限学习机集成建模方法。
背景技术
光谱分析技术因其快速、无损等优势已广泛地应用于农业、食品、医药、化工、石油以及环境分析等各个领域。然而，由于复杂样品光谱吸收峰重叠严重，存在背景、噪声等干扰信息，因此，需要借助化学计量学才能进行定性定量分析。采用化学计量学对未知样品进行预测时，预测结果的好坏主要依靠于模型的质量，因此，高质量模型的建立一直是化学计量学的重要研究内容。
传统建模方法主要分为线性和非线性两类，其中线性建模方法主要有主成分回归(PCR)、偏最小二乘回归(PLS)等，非线性建模方法主要有支持向量回归(SVR)、人工神经网络(ANN)等。线性建模方法具有参数少、计算速度快等优势，但是对于非线性干扰严重的信号进行建模时性能会下降。非线性建模方法虽然在处理非线性问题时具有其独特优势，但是这类方法也存在需要优化的参数多，建模时间长，容易陷入局部最优等缺陷。极限学习机(ELM)作为一种新兴的建模方法，它结合了线性建模方法和非线性建模方法的优势(Xi-HuiBian，Shu-Juan Li，Meng-Ran Fan，Yu-Gao Guo，Na Chang，Jiang-Jiang Wang，Spectralquantitative analysis of complex samples based on the extreme learningmachine，Analytical Methods，2016，8，4674-4679)，在算法执行过程中不需要迭代调整网络的输入权值以及隐含层神经元的偏置，只需要选择激励函数和隐含层节点数，并且能产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。
另一方面，传统建模方法只利用了时间领域的信息建立一个单一的模型，并没有用到频率领域的信息，其预测准确性和泛化性能并不能得到保证。经验模态分解(EMD)方法被认为是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，该方法依据信号自身特征来进行分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅立叶分解方法与小波分解方法具有本质性的差别。由于这些特点，经验模态分解在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有明显优势。所以，经验模态分解一经提出就在不同的工程领域得到了迅速有效的应用，例如在海洋、大气、天体观测资料与地震记录分析、机械故障诊断及大型土木工程结构的模态参数识别等方面。
因此，本发明结合极限学习机及经验模态分解的优势，提出了一种基于经验模态分解的多尺度极限学习机集成建模的方法，充分利用信号的局部特征信息，将原始信号分解为不同频率的信号，对不同频率的信号分别建立极限学习机模型，再将这些模型的结果集成得到最终预测结果。本发明方法既充分利用了信号的局部信息，又提高了模型的预测精度。
发明内容
本发明的目的是针对上述传统建模方法存在的问题，提供一种基于经验模态分解的多尺度极限学习机集成建模方法，具体过程如图1所示。
为实现本发明所提供的技术方案包括以下步骤：
1)收集一定数目的样品，测量其光谱及目标分析物含量。采用KS分组方法，将数据集划分为训练集和预测集。
2)对训练集的光谱信号进行经验模态分解，得到一系列本征模态函数分量IMF1，IMF2，...，IMFt-1及剩余项rt。
3)分别对各个IMF及r子系列建立极限学习机子模型。其中极限学习机模型的最佳激励函数和隐含层节点数通过MSR随着激励函数以及隐含层节点数的变化确定，MSR为相关系数均值与标准偏差的比值，MSR值越大说明预测结果越准确。
4)对预测集的光谱信号进行同样的经验模态分解，将得到的子序列分别代入到相应的极限学习机子模型中，得到各个子模型的预测结果。
5)对各个子模型的预测结果进行加权平均得到最终预测值，其中权重为每个极限学习机子模型交叉验证均方根误差8次方的倒数。
对原始信号进行经验模态分解得到一系列本征模态函数和剩余项的具体过程为：首先寻找原始信号所有的极值点，再通过插值获得信号包络线及其均值，计算最初数据和均值的差，分解得到一层信号，若该信号满足本征模态函数的两个条件，即a)在整个信号，极值点个数与过零点个数须相等或最多相差一个，b)在任一点上、下包络线的均值为零，则为最初本征模态函数，否则将其视为最初信号。重复该过程，直到将原始信号分解为有限个本征模态函数分量和剩余项。
附图说明
图1是经验模态分解-极限学习机(EMD-ELM)的原理图。
图2是玉米数据训练集的近红外光谱图。
图3是训练集样品1通过经验模态分解得到的IMF图。
图4是极限学习机的MSR随着激励函数以及隐含层节点数的变化图。
具体实施方式
为更好理解本发明，下面结合实施例对本发明做进一步地详细说明，但是本发明要求保护的范围并不局限于实施例所表示的范围。
实施例：
本实施例是应用于近红外光谱数据分析，对玉米样品中所含蛋白质的含量进行测定。具体的步骤如下：
1)收集玉米样品的红外光谱数据。该数据由三种光谱仪(M5、MP5、MP6)测定的近红外光谱和相应的水分、油、蛋白质及淀粉的含量组成，下载自http：//software.eigenvector.com/Data/Corn/corn.mat。本发明采用MP6仪器的光谱，且只对蛋白质含量进行考察。近红外光谱波长范围为1100-2498nm，采样间隔为2nm，共700个波长点。采用KS分组方法，53个样品用作训练集，剩余27个样品用作预测集。其中训练集的近红外光谱如图2所示。
2)对训练集的光谱信号进行经验模态分解，得到2个本征模态函数分量IMF和1个剩余项r，共3个子序列。样品1得到的IMF及r如图3所示，其它样品分解结果类似。
3)分别对上述3个子序列建立极限学习机子模型。其中极限学习机模型的激励函数和最佳隐含层节点数通过MSR随着激励函数以及隐含层节点数的变化确定，MSR为相关系数均值与标准偏差的比值，MSR值越大说明预测结果越精准确。
图4显示了MSR随着激励函数及隐含层节点数的变化，其中MSR最大值对应的激励函数和隐含层节点数分别为sig和19，确定为最佳激励函数和隐含层节点数。
4)对预测集的光谱信号进行同样的经验模态分解，将得到的3个子序列分别代入到相应的极限学习机子模型中，得到各个子模型的预测结果。
5)对各个子模型的预测结果进行加权平均得到最终预测值，其中权重为每个极限学习机子模型交叉验证均方根误差8次方的倒数。
为了验证基于经验模态分解的多尺度极限学习机回归建模方法(EMD-ELM)的优越性，将其与ELM在预测均方根误差(RMSEP)及相关系数(R)等方面进行比较。其中，EMD-ELM的RMSEP及R为0.2825和0.9141，而单独使用ELM的RMSEP和R分别为0.4806和0.7925。因此，EMD-ELM可以明显提高ELM的预测能力。
Claims (4)
1.一种基于经验模态分解的多尺度极限学习机集成建模方法，其特征在于：收集一定数目的样品，测量其光谱及目标分析物含量。采用KS分组方法，将数据集划分为训练集和预测集；对训练集的光谱信号进行经验模态分解得到一系列本征模态函数分量IMF及剩余项r；分别对各个IMF及r建立极限学习机子模型；对预测集的光谱信号进行同样的经验模态分解，将得到的IMF及r分别代入到相应的极限学习机子模型中，得到各个子模型的预测结果；对各个子模型的预测结果进行加权平均得到最终预测值。
2.根据权利要求1所述的一种基于经验模态分解的多尺度极限学习机集成建模方法，其特征在于：极限学习机模型的最佳激励函数和隐含层节点数通过MSR随着激励函数以及隐含层节点数的变化确定，MSR为相关系数均值与标准偏差的比值，MSR值越大说明预测结果越准确。MSR最大值对应的激励函数以及隐含层节点数为最佳参数。
3.根据权利要求1所述的一种基于经验模态分解的多尺度极限学习机集成建模方法，其特征在于：加权平均预测的权重为每个极限学习机子模型交叉验证均方根误差8次方的倒数。
4.根据权利要求1所述的一种基于经验模态分解的多尺度极限学习机集成建模方法，其特征在于：对原始信号进行经验模态分解得到一系列IMF和r的具体过程为，首先选择原始信号所有的极值点，再通过插值获得信号包络及其均值，计算最初数据和均值的差，分解得到一层信号，若该信号满足IMF条件，则为最初IMF，否则将其视为最初信号。重复该过程，直到将原始信号分解为有限个IMF和r。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922755.6A CN106529680B (zh) | 2016-10-27 | 2016-10-27 | 一种基于经验模态分解的多尺度极限学习机集成建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922755.6A CN106529680B (zh) | 2016-10-27 | 2016-10-27 | 一种基于经验模态分解的多尺度极限学习机集成建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106529680A true CN106529680A (zh) | 2017-03-22 |
| CN106529680B CN106529680B (zh) | 2019-01-29 |
Family
ID=58292654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610922755.6A Active CN106529680B (zh) | 2016-10-27 | 2016-10-27 | 一种基于经验模态分解的多尺度极限学习机集成建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106529680B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271389A (zh) * | 2017-06-24 | 2017-10-20 | 桂林理工大学 | 一种基于指标极值的光谱特征变量快速匹配方法 |
| CN108759871A (zh) * | 2018-07-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于改进emd预处理算法的捷联惯性导航系统粗对准方法 |
| CN109743103A (zh) * | 2019-02-01 | 2019-05-10 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
| CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
| CN104573248A (zh) * | 2015-01-16 | 2015-04-29 | 东南大学 | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 |
| CN105117525A (zh) * | 2015-07-31 | 2015-12-02 | 天津工业大学 | Bagging极限学习机集成建模方法 |
| CN105136682A (zh) * | 2015-07-06 | 2015-12-09 | 天津工业大学 | 一种燃油中芳烃含量快速、准确测定的新方法 |
| CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
| CN105205495A (zh) * | 2015-09-02 | 2015-12-30 | 上海大学 | 基于emd-elm的非平稳脉动风速预测方法 |
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
| US20160086087A1 (en) * | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
-
2016
- 2016-10-27 CN CN201610922755.6A patent/CN106529680B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
| US20160086087A1 (en) * | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
| CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
| CN104573248A (zh) * | 2015-01-16 | 2015-04-29 | 东南大学 | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 |
| CN105136682A (zh) * | 2015-07-06 | 2015-12-09 | 天津工业大学 | 一种燃油中芳烃含量快速、准确测定的新方法 |
| CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
| CN105117525A (zh) * | 2015-07-31 | 2015-12-02 | 天津工业大学 | Bagging极限学习机集成建模方法 |
| CN105205495A (zh) * | 2015-09-02 | 2015-12-30 | 上海大学 | 基于emd-elm的非平稳脉动风速预测方法 |
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271389A (zh) * | 2017-06-24 | 2017-10-20 | 桂林理工大学 | 一种基于指标极值的光谱特征变量快速匹配方法 |
| CN107271389B (zh) * | 2017-06-24 | 2019-10-11 | 桂林理工大学 | 一种基于指标极值的光谱特征变量快速匹配方法 |
| CN108759871A (zh) * | 2018-07-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于改进emd预处理算法的捷联惯性导航系统粗对准方法 |
| CN109743103A (zh) * | 2019-02-01 | 2019-05-10 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106529680B (zh) | 2019-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ge et al. | A comparative study of just-in-time-learning based methods for online soft sensor modeling | |
| Xie et al. | A hybrid adaptive time-delay neural network model for multi-step-ahead prediction of sunspot activity | |
| CN109299430A (zh) | 基于两阶段分解与极限学习机的短期风速预测方法 | |
| Bernal et al. | Financial market time series prediction with recurrent neural networks | |
| CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
| CN105158200B (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
| CN110377942B (zh) | 一种基于有限高斯混合模型的多模型时空建模方法 | |
| He et al. | Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy | |
| CN112989711B (zh) | 基于半监督集成学习的金霉素发酵过程软测量建模方法 | |
| CN110726694A (zh) | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 | |
| CN110443419A (zh) | 基于iceemdan与极限学习机的中长期径流预测方法 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| US20220284345A1 (en) | Device for optimizing training indicator of environment prediction model, and method for operating same | |
| CN106529680A (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
| WO2023103130A1 (zh) | 一种基于量子游走的时间序列多尺度分析方法 | |
| CN108519347A (zh) | 一种基于二进制蜻蜓算法的红外光谱波长选择方法 | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
| CN116559110A (zh) | 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法 | |
| CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
| CN110070004A (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
| CN110763830B (zh) | 一种水泥熟料游离氧化钙含量预测方法 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN117313990A (zh) | 基于元集成学习的空调负荷预测方法、系统和电子设备 | |
| CN116128165A (zh) | 一种基于miv-bp的建筑构件质量预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Bian Xihui Inventor after: Fifth Pengyao Inventor after: Zhang Caixia Inventor after: Guo Yugao Inventor after: Tan Xiaoyao Inventor after: Pang Heliang Inventor before: Bian Xihui Inventor before: Zhang Caixia Inventor before: Pang Heliang Inventor before: Guo Yugao Inventor before: Tan Xiaoyao |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210826 Address after: 621000 Room 301, Mianyang export processing zone, No. 261, east section of Feiyun Avenue, Mianyang high tech Zone, Mianyang City, Sichuan Province Patentee after: Sichuan sfitek Scientific Instrument Co.,Ltd. Address before: 300387 No. 399, Binshui West Road, Xiqing District, Tianjin Patentee before: TIANJIN POLYTECHNIC University |