CN107664623A - 一种物质光谱特征提取的方法 - Google Patents
一种物质光谱特征提取的方法 Download PDFInfo
- Publication number
- CN107664623A CN107664623A CN201710863412.1A CN201710863412A CN107664623A CN 107664623 A CN107664623 A CN 107664623A CN 201710863412 A CN201710863412 A CN 201710863412A CN 107664623 A CN107664623 A CN 107664623A
- Authority
- CN
- China
- Prior art keywords
- steps
- spectrum
- feature extraction
- data
- substance spectra
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 title claims description 35
- 239000000126 substance Substances 0.000 title claims description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 230000000052 comparative effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 239000007788 liquid Substances 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 239000007789 gas Substances 0.000 claims 1
- 238000002329 infrared spectrum Methods 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 240000008042 Zea mays Species 0.000 description 16
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 16
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 16
- 235000005822 corn Nutrition 0.000 description 16
- 239000002689 soil Substances 0.000 description 7
- 230000015654 memory Effects 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013405 beer Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种物质含量分析方法。涉及物质成分、含量的定量分析方法的技术领域，具体地说是一种红外光谱局部特征提取的方法，包括以下步骤：S100：读取被测物质的光谱；S200：设定所述被测物质的光谱曲线的显示屏幕展示窗口的尺寸；S300：顺序排列所述光谱曲线中的间隔显示的点；S400：从所述光谱曲线中取出一段数据，同未被取出的数据做比较；S500：对所述S400步骤的比较结果赋予权重；S600：对所述S500步骤的计算结果进行统计；S700：将所述S600的统计结果进行归一化，得到所述被测物质的光谱特征。
Description
技术领域
本发明涉及红外光谱分析方法，具体地说是利用样本红外光谱(局部)统计特征对样本进行分析的一种方法。
背景技术
红外光谱的特征提取对于红外光谱的分析、鉴别起着至关重要的作用，在农业、生物制药、环境工程等领域有着广泛的应用前景。
局部是相对于全局而言的，如果将整个光谱当作一个整体处理就是全局的，取光谱中的一段进行处理就是局部的。
红外光谱的局部特征是红外光谱分析中一类非常重要的特征，利用局部的特征可以快速的区分、鉴别不同类型的样本，是机器学习、化学计量学研究的重点领域，也是各国政府、科研机构和知名的红外光谱设备商重点投资研究的领域。
中国专利申请号为CN200710310811.5，本发明实施例提供了一种使用微型光谱仪检测样品的方法。该微型光谱仪包括电源、处理器、探测器、分光器和光源。处理器能够控制光源发射检测光线到样品，样品反射的反射光能够经过分光器分光之后入射到探测器上，探测器能够检测分光之后的反射光并输出探测信号，处理器能够根据所述探测信号获得样品的光谱数据。本发明的实施例的方法中，使用的微型光谱仪比普通微型光谱仪的灵敏度更高，性能更好，该方法能够在现场对物质进行高质量的红外光谱分析，同时兼顾了光谱仪便携性与光谱的高分辨率。
红外光谱的局部特征提取主要面临两个方面的挑战：一是鲁棒性，二是特征长度统一性。局部特征鲁棒性是指提取的特征收到噪声干扰小，能较为稳定地区分不同样本。光谱采集过程中由于仪器分辨率设置不同使得光谱的长度会发生变化。因此，光谱的特征应该不受光谱长度的影响而具有相同的长度。
发明内容
针对上述问题，本发明的目的，提出一种新的红外光谱局部统计特征。
为了实现本发明以上发明目的，本发明是通过以下技术方案实现的：
一种物质光谱特征提取的方法，如图1为本发明被测物质光谱特征提取步骤示意图所示，包括以下步骤：
S100：读取被测物质的光谱；
S200：设定所述被测物质的光谱曲线的显示屏幕展示窗口的尺寸；
S300：顺序排列所述光谱曲线中的间隔显示的点；
S400：从所述光谱曲线中取出一段数据，同未被取出的数据做比较；
S500：对所述S400步骤的比较结果赋予权重；
S600：对所述S500步骤的计算结果进行统计；
S700：将所述S600的统计结果进行归一化，得到所述被测物质的光谱特征。
进一步，所述的一种物质光谱特征提取的方法，所述S100步骤包括如下步骤：S101：设置所述被测物质的光谱x的大小为1×n，所述x是一维的行向量，这里的n是自然数。
进一步，所述的一种物质光谱特征提取的方法，所述S200步骤包括如下步骤：S201：设定所述显示屏幕展示窗口的尺寸的高度为w，所述w的数值为奇数。
进一步，所述的一种物质光谱特征提取的方法，所述S300步骤包括如下步骤：S301：以自然数i为顺序排列所述光谱曲线中的间隔显示的点x，形成x(i)。
进一步，所述的一种物质光谱特征提取的方法，所述S400步骤包括如下步骤：
S401：以所述i为中心，从所述x中提取长度为所述w的一段数据；
S402：从所述x中提取出所述S401步骤未被提取的长度为所述w-1的另一段数据，
S403：将所述一段数据与所述另一段数据进行逐一比较；
S404：所述一段数据中的一个数据大于所述另一段数据中的一个数据，则取1，反之，则取0；
S405：根据所述S404步骤的比较结果，形成所述w-1个比较结果值。
进一步，所述的一种物质光谱特征提取的方法，所述S500步骤包括如下步骤：
S501：顺序排列所述w-1的另一段数据，依次赋予权重2j-1，所述j＝1，2，3，…，w-1；
S502：将所述S501步骤的赋权重结果变化为一个在[0,2w-1-1]的区间上的整数。
进一步，所述的一种物质光谱特征提取的方法，所述S600步骤包括步骤S610：
S601：重复S400步骤和S500步骤，直到完成所有在所述光谱曲线中间隔显示的点；
S602：统计在所述[0,2w-1-1]的区间上各个整数出现的次数；
S603：得到长为2w-1-1的向量，作为统计结果。
进一步，所述的一种物质光谱特征提取的方法，得到的所述光谱特征为与所述被测物质的光谱x对应的特征。
进一步，所述的一种物质光谱特征提取的方法，所述物质光谱特征提取的分析仪器为红外光谱仪或者光谱分析仪。
进一步，所述的一种物质光谱特征提取的方法，所述被测物质的样品为固体、液体或者气体。
本发明与国内外现有同类产品的相比，其有益效果在于以下几点：
1、建立一种新的红外光谱局部统计特征提取方法；
2、特征对于噪声具有一定的鲁棒性；
3、对于不同长度的光谱，提取的特征长度相同，便于分析和处理。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明：
图1为本发明被测物质光谱特征提取步骤示意图；
图2为本发明第一实施例光谱特征提取步骤示意图；
图3为本发明第二实施例玉米光谱曲线示意图；
图4为本发明第二实施例玉米光谱特征示意图；
图5为本发明第二实施例土壤光谱曲线示意图；
图6为本发明第二实施例土壤光谱特征示意图；
图7为本发明第四实施例第一台仪器玉米光谱曲线示意图；
图8为本发明第四实施例第一台仪器玉米光谱特征示意图；
图9为本发明第四实施例第二台仪器玉米光谱曲线示意图；
图10为本发明第四实施例第二台仪器玉米光谱特征示意图。
具体实施方式
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，以下说明和附图对于本发明是示例性的，并且不应被理解为限制本发明。以下说明描述了众多具体细节以方便对本发明理解。然而，在某些实例中，熟知的或常规的细节并未说明，以满足说明书简洁的要求。
在本申请一个典型的配置中，用于模型计算和图形曲线生成的运算终端包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
本发明中的用于模型计算和图形曲线生成的运算终端包括处理器，含单核处理器或多核处理器。处理器也可称为一个或多个微处理器、中央处理单元(CPU)等等。更具体地，处理器可为复杂的指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器，或实现指令集组合的处理器。处理器还可为一个或多个专用处理器，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、网络处理器、通信处理器、密码处理器、协处理器、嵌入式处理器、或能够处理指令的任何其他类型的逻辑部件。处理器用于执行本发明所讨论的操作和步骤的指令。
本发明中的用于模型计算和图形曲线生成的运算终端包括存储器，可包括一个或多个易失性存储设备，如随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或其他类型的存储设备。存储器可存储包括由处理器或任何其他设备执行的指令序列的信息。例如，多种操作系统、设备驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用程序的可执行代码和/或数据可被加载在存储器中并且由处理器执行。
本发明中的用于模型计算和图形曲线生成的运算终端的操作系统可为任何类型的操作系统，例如微软公司的Windows、Windows Phone，苹果公司IOS，谷歌公司的Android，以及Linux、Unix操作系统或其他实时或嵌入式操作系统诸如VxWorks等。
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，以下说明和附图对于本发明是示例性的，并且不应被理解为限制本发明。以下说明描述了众多具体细节以方便对本发明理解。然而，在某些实例中，熟知的或常规的细节并未说明，以满足说明书简洁的要求。本发明的具体判断系统及方法参见下述实施例：
第一实施例
如图2为本发明第一实施例光谱特征提取步骤示意图所示：
本实施例的实现步骤如下：
(1)读取光谱x，其大小为1×n，，其中n为自然数，即x是个一维的行向量；
(2)设定窗口w的大小，为奇数；
(3)对光谱中的第i个点x(i)，以i为中心，提取长为w的一段数据；
(4)比较x(i)与窗口中剩下的w-1个点的大小，如果x(i)大则取1，反之取0；
(5)将w-1个点按照原来的顺序排成一行，对与每一个位置上的直赋予权重2j-1(j＝1，…，w-1)，将其变为一个在[0，2w-1-1]区间上的整数；
(6)对光谱中的所有点都进行(4)-(5)步的操作，并统计在[0，2w-1-1]区间上各个整数出现的次数，得到统计的结果,是一个长为2w-1-1的向量。
(7)将(6)得到的结果进行归一化，就是光谱x对应的特征。
第二实施
玉米光谱和土壤光谱数据集特征提取与分类，玉米光谱长度是700，土壤光谱长度为1050，这里取窗口长度为9(w)，光谱中的任意一个点将会被转为一个属于区间[0,255]的整数，光谱最终转换为一个长为256的特征向量。这两个光谱数据集可以http://www.models.life.ku.dk/datasets在下载。图图3为本发明第二实施例玉米光谱曲线示意图和图4为本发明第二实施例玉米光谱特征示意图是玉米光谱及其对应特征。图5为本发明第二实施例土壤光谱曲线示意图和图6为本发明第二实施例土壤光谱特征示意图是土壤光谱及其对应特征。
Matlab是通用的计算仿真软件，如下段程序只是对光谱做特征提取。
Matlab程序为：
其中的子程序为：
光谱提取了特征后再送到libsvm软件中进行运算，接着用支撑向量机对特征进行分类，直接调用libsvm工具包进行即可,结果如下：
| 方差 | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 |
| 识别率 | 100％ | 98.5％ | 92.5％ | 92.3％ | 88.5％ | 88.1％ | 93.1％ | 90.6％ | 88.6％ |
可以看出，对于噪声是比较鲁棒的。
台湾大学林智仁教授开发设计的libsvm工具包是个简单、易于使用和快速有效的基于支撑向量机算法的模式识别与回归分析的软件。能实现对样本的分类和回归分析。
第三实施例
药片光谱和啤酒光谱数据集特征提取与分类，药片光谱长度是404，啤酒光谱长度为926，这里取窗口长度为9，光谱中的任意一个点将会被转为一个属于区间[0,255]的整数，光谱最终转换为一个长为256的特征向量。这两个光谱数据集可以http://www.models.life.ku.dk/datasets在下载。提取特征后利用支撑向量机对特征进行分类，结果如下：
| 方差 | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 |
| 识别率 | 100％ | 100％ | 100％ | 100％ | 100％ | 98.9％ | 99.6％ | 100％ | 99.4％ |
第四实施例
在不同仪器上采集的玉米光谱分类：图7为本发明第四实施例第一台仪器玉米光谱曲线示意图；图8为本发明第四实施例第一台仪器玉米光谱特征示意图；图9为本发明第四实施例第二台仪器玉米光谱曲线示意图；图10为本发明第四实施例第二台仪器玉米光谱特征示意图。
接着用支撑向量机对特征进行分类，直接调用libsvm工具包进行即可,结果如下：
| 方差 | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 |
| 识别率 | 95.6％ | 51.1％ | 51.1％ | 51.1％ | 51.5％ | 48％ | 50.4％ | 52.1％ | 50％ |
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种物质光谱特征提取的方法，其特征在于，包括以下步骤：
S100：读取被测物质的光谱；
S200：设定所述被测物质的光谱曲线的显示屏幕展示窗口的尺寸；
S300：顺序排列所述光谱曲线中的间隔显示的点；
S400：从所述光谱曲线中取出一段数据，同未被取出的数据做比较；
S500：对所述S400步骤的比较结果赋予权重；
S600：对所述S500步骤的计算结果进行统计；
S700：将所述S600的统计结果进行归一化，得到所述被测物质的光谱特征。
2.如权利要求1所述的一种物质光谱特征提取的方法，其特征在于，所述S100步骤包括如下步骤：
S101：设置所述被测物质的光谱x的大小为1×n，所述x是一维的行向量，其中所述n为自然数。
3.如权利要求2所述的一种物质光谱特征提取的方法，其特征在于，所述S200步骤包括如下步骤：
S201：设定所述显示屏幕展示窗口的尺寸的高度为w，所述w的数值为奇数。
4.如权利要求3所述的一种物质光谱特征提取的方法，其特征在于，所述S300步骤包括如下步骤：
S301：以自然数i为顺序排列所述光谱曲线中的间隔显示的点x，形成x(i)。
5.如权利要求4所述的一种物质光谱特征提取的方法，其特征在于，所述S400步骤包括如下步骤：
S401：以所述i为中心，从所述x中提取长度为所述w的一段数据；
S402：从所述x中提取出所述S401步骤未被提取的长度为所述w-1的另一段数据；
S403：将所述一段数据与所述另一段数据进行逐一比较；
S404：所述一段数据中的一个数据大于所述另一段数据中的一个数据，则取1，反之，则取0；
S405：根据所述S404步骤的比较结果，形成所述w-1个比较结果值。
6.如权利要求5所述的一种物质光谱特征提取的方法，其特征在于，所述S500步骤包括如下步骤：
S501：顺序排列所述w-1的另一段数据，依次赋予权重2j-1，所述j＝1，2，3，…，w-1；
S502：将所述S501步骤的赋权重结果变化为一个在[0,2w-1-1]的区间上的整数。
7.如权利要求1所述的一种物质光谱特征提取的方法，其特征在于，所述S600步骤包括步骤S610：
S601：重复S400步骤和S500步骤，直到完成所有在所述光谱曲线中间隔显示的点；
S602：统计在所述[0,2w-1-1]的区间上各个整数出现的次数；
S603：得到长为2w-1-1的向量，作为统计结果。
8.如权利要求2所述的一种物质光谱特征提取的方法，其特征在于，得到的所述光谱特征为与所述被测物质的光谱x对应的特征。
9.如权利要求1所述的一种物质光谱特征提取的方法，其特征在于，所述物质光谱特征提取的分析仪器为红外光谱仪或者光谱分析仪。
10.如权利要求1所述的一种物质光谱特征提取的方法，其特征在于，所述被测物质的样品为固体、液体或者气体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710863412.1A CN107664623B (zh) | 2017-09-22 | 2017-09-22 | 一种物质光谱特征提取的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710863412.1A CN107664623B (zh) | 2017-09-22 | 2017-09-22 | 一种物质光谱特征提取的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107664623A true CN107664623A (zh) | 2018-02-06 |
| CN107664623B CN107664623B (zh) | 2020-07-28 |
Family
ID=61097362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710863412.1A Expired - Fee Related CN107664623B (zh) | 2017-09-22 | 2017-09-22 | 一种物质光谱特征提取的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107664623B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109253981A (zh) * | 2018-11-12 | 2019-01-22 | 武汉轻工大学 | 基于红外光谱的定量分析模型建立方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2762775B2 (ja) * | 1990-06-22 | 1998-06-04 | 松下電器産業株式会社 | 分光測定方法 |
| US20040045713A1 (en) * | 2002-05-31 | 2004-03-11 | Bianchi Gustavo Luis | Slurry for hydrocarbon production and water injection well cementing, and procedures to cement wells using such slurry |
| CN102445712A (zh) * | 2011-11-22 | 2012-05-09 | 成都理工大学 | 面向岩矿的特征窗口加权相关光谱匹配方法 |
| CN102567308A (zh) * | 2011-12-20 | 2012-07-11 | 上海电机学院 | 一种信息处理特征提取方法 |
| CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
| CN103105369A (zh) * | 2013-01-30 | 2013-05-15 | 华中科技大学 | 液态物质光谱基线校正定量分析方法 |
| CN103134767A (zh) * | 2013-01-30 | 2013-06-05 | 华中科技大学 | 一种红外光谱校正鉴定白酒品质的方法 |
| CN105335965A (zh) * | 2015-09-29 | 2016-02-17 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
| US20160139043A1 (en) * | 2014-09-29 | 2016-05-19 | Zyomed Corp. | Systems and methods for generating and using projector curve sets for universal calibration for noninvasive blood glucose and other measurements |
-
2017
- 2017-09-22 CN CN201710863412.1A patent/CN107664623B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2762775B2 (ja) * | 1990-06-22 | 1998-06-04 | 松下電器産業株式会社 | 分光測定方法 |
| US20040045713A1 (en) * | 2002-05-31 | 2004-03-11 | Bianchi Gustavo Luis | Slurry for hydrocarbon production and water injection well cementing, and procedures to cement wells using such slurry |
| CN102445712A (zh) * | 2011-11-22 | 2012-05-09 | 成都理工大学 | 面向岩矿的特征窗口加权相关光谱匹配方法 |
| CN102567308A (zh) * | 2011-12-20 | 2012-07-11 | 上海电机学院 | 一种信息处理特征提取方法 |
| CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
| CN103105369A (zh) * | 2013-01-30 | 2013-05-15 | 华中科技大学 | 液态物质光谱基线校正定量分析方法 |
| CN103134767A (zh) * | 2013-01-30 | 2013-06-05 | 华中科技大学 | 一种红外光谱校正鉴定白酒品质的方法 |
| US20160139043A1 (en) * | 2014-09-29 | 2016-05-19 | Zyomed Corp. | Systems and methods for generating and using projector curve sets for universal calibration for noninvasive blood glucose and other measurements |
| CN105335965A (zh) * | 2015-09-29 | 2016-02-17 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
Non-Patent Citations (6)
| Title |
|---|
| XINGE YOU ET AL.: "Mixed-norm partial least squares", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
| Y. MOU ET AL.: "Regularized multivariate scatter correction", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
| 张敏 等: "基于Matlab 的主成分分析方法（PCA）的实现", 《广西大学学报：自然科学版》 * |
| 牟怿 等: "奇异值分解在储粮害虫图像复原中的应用", 《计算机应用和计算机图形学》 * |
| 牟怿: "红外光谱定量分析关键算法研究与应用", 《中国博士学位论文全文数据库 基础科学辑》 * |
| 翁杨 等: "基于光谱技术的白酒真伪鉴别", 《中国酿造》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109253981A (zh) * | 2018-11-12 | 2019-01-22 | 武汉轻工大学 | 基于红外光谱的定量分析模型建立方法及装置 |
| CN109253981B (zh) * | 2018-11-12 | 2021-04-27 | 武汉轻工大学 | 基于红外光谱的定量分析模型建立方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107664623B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Randolph et al. | Kernel-penalized regression for analysis of microbiome data | |
| Seifert | Application of random forest based approaches to surface-enhanced Raman scattering data | |
| Chen et al. | Random forest in clinical metabolomics for phenotypic discrimination and biomarker selection | |
| JP5496650B2 (ja) | サンプル内の個々の要素を識別及び定量化するために分光測定データを分析するシステム、方法及びコンピュータプログラム製品 | |
| Reichenbächer et al. | Challenges in analytical quality assurance | |
| Dell’Anna et al. | Pollen discrimination and classification by Fourier transform infrared (FT-IR) microspectroscopy and machine learning | |
| Alanis-Lobato et al. | Highlighting nonlinear patterns in population genetics datasets | |
| WO2018121122A1 (zh) | 用于物品查验的拉曼光谱检测方法和电子设备 | |
| Brabec et al. | On model evaluation under non-constant class imbalance | |
| Debastiani et al. | Using phylogenetic information to impute missing functional trait values in ecological databases | |
| De Livera et al. | Statistical analysis of metabolomics data | |
| Liu et al. | Data mining in Raman imaging in a cellular biological system | |
| Mühlbauer et al. | Analysing the Impact of Workloads on Modeling the Performance of Configurable Software Systems | |
| Kalia et al. | Unsupervised dimensionality reduction for exposome research | |
| CN107664623A (zh) | 一种物质光谱特征提取的方法 | |
| Yangming et al. | Comparison of a novel PLS1-DA, traditional PLS2-DA and assigned PLS1-DA for classification by molecular spectroscopy | |
| Driscoll et al. | Sparse projection pursuit analysis: an alternative for exploring multivariate chemical data | |
| Lesiński et al. | Integration of human cell lines gene expression and chemical properties of drugs for drug induced liver injury prediction | |
| CN110838343B (zh) | 一种基于多模态指纹图谱的中药药性识别方法及系统 | |
| Gozdzialski et al. | Toward automated infrared spectral analysis in community drug checking | |
| US11513107B2 (en) | Gas feature vector decomposition | |
| CN116738172A (zh) | 一种基于机器学习的大型混合暴露数据分析方法 | |
| Janela et al. | Rationalizing general limitations in assessing and comparing methods for compound potency prediction | |
| Shahlaei et al. | A novel method for simultaneous determination of codeine and acetaminophen in plasma by combination of UV-Vis spectroscopy and artificial neural network | |
| Bernabe et al. | Performance portability study of an automatic target detection and classification algorithm for hyperspectral image analysis using OpenCL |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 Termination date: 20210922 |