CN107067034B - 一种快速识别红外光谱数据分类的方法及系统 - Google Patents
一种快速识别红外光谱数据分类的方法及系统 Download PDFInfo
- Publication number
- CN107067034B CN107067034B CN201710246398.0A CN201710246398A CN107067034B CN 107067034 B CN107067034 B CN 107067034B CN 201710246398 A CN201710246398 A CN 201710246398A CN 107067034 B CN107067034 B CN 107067034B
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- samples
- sample matrix
- category
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种快速识别红外光谱数据分类的方法,包括基于SOM聚类网络得到样品的红外光谱数据的特征信息;确定样品每一种类别的样品数,根据样品每一种类别中每一个样品数的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;确定待测样本数据及其对应的待测样本矩阵并构建线性关系,采用最小二乘回归算法对线性关系求解,得到回归系数;根据回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应每一种类别的估算样本矩阵,对比待测样本矩阵到各估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为待测样本数据的类别。本发明实施例,简单直观,且误差较小。
Description
技术领域
本发明涉及红外光谱数据分析技术领域,尤其涉及一种快速识别红外光谱数据分类的方法及系统。
背景技术
红外光谱检测具有快速、安全、低成本、无损的特点,用红外光谱来对物质进行快速检测是一种行之有效的办法。然而,现有对红外光谱数据的常用模式识别方法,如偏最小二乘回归算法(PLS)方法及主成份分析法(PCA)的空间重构方法,都需要涉及复杂的不直观的空间投影方法。
因此,亟需一种快速识别红外光谱数据分类的方法,简单直观,且误差较小。
发明内容
本发明实施例的目的在于提供一种快速识别红外光谱数据分类的方法及系统,简单直观,且误差较小。
为了解决上述技术问题,本发明实施例提供了一种快速识别红外光谱数据分类的方法,所述方法包括:
获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品数的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品数的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
其中,所述样品每一种类别各自对应的红外光谱数据采用行数为3000、列为1的矩阵来表示。
其中,特征信息的维度为294。
其中,所述样品数为25个。
本发明实施例还提供了一种快速识别红外光谱数据分类的系统,所述系统包括:
数据维度选择单元,用于获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
训练样本矩阵获取单元,用于确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品数的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品数的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
求解回归系数单元,用于确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
样品类别识别单元,用于根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
其中,所述样品每一种类别各自对应的红外光谱数据采用行数为3000、列为1的矩阵来表示。
其中,所述特征信息的维度为294。
其中,所述样品数为25个。
实施本发明实施例,具有如下有益效果:
本发明实施例通过SOM聚类网络实现了红外光谱数据的变量选择,得到较少的更具特征的变量数据,并结合线性回归的算法,用训练样本来线性表示预测样本的方式,然后根据不同类别的训练样本表示待测样本的好坏来进行判决,实现待测样本的快速分类,因此具有简单直观,且误差较小等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的快速识别红外光谱数据分类的方法的流程图;
图2本发明实施例提供的快速识别红外光谱数据分类的系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例中,提出一种快速识别红外光谱数据分类的方法,所述方法包括:
步骤S101、获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
具体过程为,利用SOM聚类网络实现对已知光谱数据的变量选择,提升分类识别率。其中,样品每一种类别各自对应的红外光谱数据采用行数为3000、列为1的矩阵来表示;特征信息的维度为294。
作为一个例子,以泥蚶的重金属污染种类的红外光谱识别为例,有五类泥蚶样本,分别为泥蚶a,泥蚶b,泥蚶c,泥蚶d,泥蚶e,每个泥蚶样品的红外数据为3000×1的列矩阵,即每一种泥蚶每一个样品数的红外数据均采用行数为3000的单列矩阵。将光谱样本的变量经过SOM聚类网络,并选择聚类数目的参数,最后得到泥蚶的红外光谱数据的特征信息的维度为294。
步骤S102、确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品数的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品数的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
具体过程为,根据样品的类别标签将同类的训练样本矩阵分在一起,即如把相同类别泥蚶样本的红外光谱数据放在一起。
在形成样品总训练样本矩阵过程中,是取样品每一种类别中每一个样品数的红外光谱数据,即已知样品的类别,将不同种类别的红外光谱数据形成的以特征信息的维度为行数、样品数为列数的矩阵;而在形成样品每一种类别各自对应的分类训练样本矩阵的过程中,是取样品同种类别的红外光谱数据形成的以特征信息的维度为行数、样品数为列数的矩阵。其中,样品数可设为25或其它。
作为一个例子,在上述泥蚶的重金属污染种类的红外光谱识别的例子中,将已知类别标签的每种泥蚶样品数均设为25个,然后将泥蚶样本数据排成行为294,列为25的形式,并且A1的1~25列为第一类泥蚶a,A2的1~25列为第二类泥蚶b,以此类推,构建样品总训练样本矩阵A和分类训练样本矩阵Ai。A=[Ai]=[vi,1,vi,2,...,vi,n],对于第i类的矩阵数据,存在n个训练样本;i=1-5,n=25。
步骤S103、确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
具体过程为,明确待测样本矩阵y,即明确某一个需要识别其类别标签的样本,做成行数为特征信息的维度、列数为1的矩阵。
对于待测样本矩阵y,根据样品总训练样本矩阵A,形成线性关系y=Ax,并进行求解。由于对于红外光谱数据来说,通常数据的特征信息的维度是大于样本数的,也就是说,线性系统y=Ax是超定的,通常可以得到一个唯一解。利用最小二乘法,求解出这个线性系统的系数其公式是
步骤S104、根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
根据某一类的估算样本矩阵与待测样本矩阵y的差异来进行判决,这里的差异性是通过估算样本矩阵与待测样本矩阵y之间的欧式距离作为标准,以误差最小的那类标签作为实际的预测样本的类别。即最后输出欧氏距离为最小时所对应估算样本矩阵的类别为该待测样本数据的类别,即输出
如图2所示,为本发明实施例中,提供的一种快速识别红外光谱数据分类的系统,所述系统包括:
数据维度选择单元110,用于获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
训练样本矩阵获取单元120,用于确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品数的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品数的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
求解回归系数单元130,用于确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
样品类别识别单元140,用于根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
其中,所述样品每一种类别各自对应的红外光谱数据采用行数为3000、列为1的矩阵来表示。
其中,所述特征信息的维度为294。
其中,所述样品数为25个。
实施本发明实施例,具有如下有益效果:
本发明实施例通过SOM聚类网络实现了红外光谱数据的变量选择,得到较少的更具特征的变量数据,并结合线性回归的算法,用训练样本来线性表示预测样本的方式,然后根据不同类别的训练样本表示待测样本的好坏来进行判决,实现待测样本的快速分类,因此具有简单直观,且误差较小等优点。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种快速识别红外光谱数据分类的方法,其特征在于,所述方法包括:
获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
2.如权利要求1所述的方法,其特征在于,所述样品每一种类别各自对应的红外光谱数据采用行数为3000、列数为1的矩阵来表示。
3.如权利要求1所述的方法,其特征在于,所述特征信息的维度为294。
4.如权利要求1所述的方法,其特征在于,所述样品数为25个。
5.一种快速识别红外光谱数据分类的系统,其特征在于,所述系统包括:
数据维度选择单元,用于获取样品每一种类别各自对应的红外光谱数据,并将所述获取到的红外光谱数据基于SOM聚类网络进行聚类计算,得到样品的红外光谱数据的特征信息;
训练样本矩阵获取单元,用于确定样品每一种类别的样品数,并获取样品每一种类别中每一个样品的红外光谱数据,且根据所述获取到的样品每一种类别中每一个样品的红外光谱数据,形成样品每一种类别各自对应的分类训练样本矩阵以及样品总训练样本矩阵;其中,所述样品每一种类别各自对应的分类训练样本矩阵是由同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;所述样品总训练样本矩阵是由不同种类别的红外光谱数据形成的以所述特征信息的维度为行数、样品数为列数的矩阵;
求解回归系数单元,用于确定样品未知类别的待测样本数据,且将所述待测样本数据形成以所述特征信息的维度为行数的单列矩阵作为待测样本矩阵,并根据所述形成的样品总训练样本矩阵以及待测样本矩阵构建二者线性关系,进一步采用最小二乘回归算法对所述构建的线性关系求解,得到所述样品总训练样本矩阵与所述待测样本矩阵之间形成的回归系数;
样品类别识别单元,用于根据所述得到的回归系数以及样品每一种类别各自对应的分类训练样本矩阵,得到对应于样品每一种类别的估算样本矩阵,并对比所述待测样本矩阵分别与所述得到的对应于样品每一种类别的估算样本矩阵之间的欧氏距离,确定欧氏距离为最小时所对应估算样本矩阵的类别为所述待测样本数据的类别。
6.如权利要求5所述的系统,其特征在于,所述样品每一种类别各自对应的红外光谱数据采用行数为3000、列数为1的矩阵来表示。
7.如权利要求5所述的系统,其特征在于,所述特征信息的维度为294。
8.如权利要求5所述的系统,其特征在于,所述样品数为25个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710246398.0A CN107067034B (zh) | 2017-04-15 | 2017-04-15 | 一种快速识别红外光谱数据分类的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710246398.0A CN107067034B (zh) | 2017-04-15 | 2017-04-15 | 一种快速识别红外光谱数据分类的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067034A CN107067034A (zh) | 2017-08-18 |
CN107067034B true CN107067034B (zh) | 2020-06-23 |
Family
ID=59599478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710246398.0A Active CN107067034B (zh) | 2017-04-15 | 2017-04-15 | 一种快速识别红外光谱数据分类的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067034B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895167A (zh) * | 2017-10-12 | 2018-04-10 | 温州大学 | 一种基于稀疏表示的红外光谱数据分类识别方法 |
CN109060715A (zh) * | 2018-07-31 | 2018-12-21 | 温州大学 | 一种基于自组织神经网络的近红外光谱共识模型的构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6620621B1 (en) * | 1995-11-13 | 2003-09-16 | Digilab | Method for the detection of cellular abnormalities using fourier transform infrared spectroscopy |
EP1428032A2 (en) * | 2001-09-07 | 2004-06-16 | Transform Pharmaceuticals, Inc. | Apparatus and method for high-throughput preparation and characterization of compositions |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
CN105445218A (zh) * | 2015-11-25 | 2016-03-30 | 中国科学院南京土壤研究所 | 中红外光谱油菜籽蛋白质含量检测自适应模型的建立方法 |
CN106408012A (zh) * | 2016-09-09 | 2017-02-15 | 江苏大学 | 一种模糊鉴别聚类的茶叶红外光谱分类方法 |
-
2017
- 2017-04-15 CN CN201710246398.0A patent/CN107067034B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6620621B1 (en) * | 1995-11-13 | 2003-09-16 | Digilab | Method for the detection of cellular abnormalities using fourier transform infrared spectroscopy |
EP1428032A2 (en) * | 2001-09-07 | 2004-06-16 | Transform Pharmaceuticals, Inc. | Apparatus and method for high-throughput preparation and characterization of compositions |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
CN105445218A (zh) * | 2015-11-25 | 2016-03-30 | 中国科学院南京土壤研究所 | 中红外光谱油菜籽蛋白质含量检测自适应模型的建立方法 |
CN106408012A (zh) * | 2016-09-09 | 2017-02-15 | 江苏大学 | 一种模糊鉴别聚类的茶叶红外光谱分类方法 |
Non-Patent Citations (5)
Title |
---|
Application of NIR Spectroscopy in Classification of Plant Species;Tian-tai GUO et al;《2009 First International Workshop on Education Technology and Computer Science》;20090526;全文 * |
Using FTIR spectra and pattern recognition for discrimination of tea varieties;Jian-xiong Cai et al;《International Journal of Biological Macromolecules》;20151231;全文 * |
红外光谱定量分析中的一种变量聚类偏最小二乘算法;毕一鸣等;《分析化学(FENXI HUAXUE)研究报告》;20150731;第43卷(第7期);全文 * |
近红外光谱法对不同品种葡萄酒的识别研究;赵龙莲等;《2010年学术年会》;20101231;全文 * |
马铃薯叶片晚疫病的多光谱分类识别;刘鑫等;《光学仪器》;20170228;第39卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107067034A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN115222983A (zh) | 一种电缆破损检测方法及系统 | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN110634198A (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
US9864834B2 (en) | High-resolution melt curve classification using neural networks | |
CN113408616A (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN117036781A (zh) | 一种基于树综合多样性深度森林的图像分类方法 | |
CN114943290B (zh) | 一种基于多源数据融合分析的生物入侵识别方法 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114118246A (zh) | 基于沙普利值和假设检验的全相关特征选择方法及装置 | |
CN113239075A (zh) | 一种施工数据自检方法及系统 | |
KR102072894B1 (ko) | 인트론과 엑손 구분에 기반한 이상 서열 식별 방법 | |
CN107664655B (zh) | 用于表征分析物的方法以及装置 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN109960929B (zh) | 一种基于回归模型的零样本入侵检测方法 | |
CN117929655B (zh) | 一种气味强度检测方法、装置、设备、存储介质及车辆 | |
CN113139569B (zh) | 目标分类检测方法、装置与系统 | |
CN116881793A (zh) | 一种工控网络态势评估方法、装置、电子设备及存储介质 | |
CN117951644A (zh) | 一种智能管控系统的数据集成方法及系统 | |
CN117193184A (zh) | Vae与深度神经网络混合的智能制造工厂过程质量监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |