CN107884362B - 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 - Google Patents
棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 Download PDFInfo
- Publication number
- CN107884362B CN107884362B CN201711116293.XA CN201711116293A CN107884362B CN 107884362 B CN107884362 B CN 107884362B CN 201711116293 A CN201711116293 A CN 201711116293A CN 107884362 B CN107884362 B CN 107884362B
- Authority
- CN
- China
- Prior art keywords
- spandex
- content
- blended fabric
- subset
- prediction
- 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
- 229920002334 Spandex Polymers 0.000 title claims abstract description 84
- 239000004759 spandex Substances 0.000 title claims abstract description 84
- 239000004744 fabric Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 45
- 229920000742 Cotton Polymers 0.000 title claims abstract description 31
- 229920000728 polyester Polymers 0.000 title claims abstract description 31
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 20
- 230000036961 partial effect Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 239000000126 substance Substances 0.000 claims abstract description 6
- 238000011978 dissolution method Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 239000000975 dye Substances 0.000 description 5
- 238000009941 weaving Methods 0.000 description 4
- -1 weaving method Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G01N21/359—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
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
本发明公开了一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，该方法包括以下处理步骤：步骤1：通过化学溶解法测定校正集和预测集中各混纺织物的氨纶含量；步骤2：获得各混纺织物的近红外光谱数据，并且对校正集和预测集中各近红外光谱进行归一化预处理；步骤3：通过自组织神经网络模型的进行分子集；步骤4：分别将各子集根据步骤1中对应的氨纶含量通过偏最小二乘法，建立对应的子集预测模型；步骤5得出预测精度最高的子集预测模型；步骤6：通过子集对应的子集预测模型对该待测的混纺织物进行氨纶含量的检测。通过本发明可以有效提高检测精度和检测速度，保护环境与人员的健康。
Description
技术领域
本发明涉及氨纶检测领域，尤其涉及一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法。
背景技术
自组织映射神经网络，即Self Organizing Maps(SOM)，可以对数据进行无监督学习聚类。它的思想本质上是一种只有输入层--隐藏层(映射层)的神经网络。隐藏层中的一个节点代表一个需要聚成的类。训练时采用“竞争学习”的方式，每个输入的样例在隐藏层中找到一个和它最匹配的节点，称为它的激活节点。紧接着用随机梯度下降法更新激活节点的参数，同时和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数。
棉、聚酯及氨纶混纺织物中氨纶成分的含量在我国有强制性技术法规和标准进行限定。这使得对棉、聚酯及氨纶混纺织物中氨纶成分的含量的检测量较大。目前，氨纶含量的定量分析以化学溶解法为主，这种方法费时费力，并且需要消耗大量化学试剂，从而会危害环境与人员健康。
另一种检测方法为近红外光谱法，其能够较准确地检测混纺织物纤维成分含量，但在棉、聚酯及氨纶混纺织物中氨纶含量一般较低，容易受到织物染料和结构等因素的影响，造成相对误差较大。因此，现阶段急需建立一种快速准确的棉、聚酯及氨纶混纺织物中氨纶含量检测方法来面对生产工作的需要。
发明内容
本发明的目的是，提供一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，可以有效提高检测精度和检测速度，保护环境与人员的健康。
为实现目的，提供了一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，该方法包括以下处理步骤：
步骤1：收集棉、聚酯及氨纶混纺织物随机分成校正集和预测集并且通过化学溶解法测定校正集和预测集中各混纺织物的氨纶含量；
步骤2：分别对校正集和预测集的各混纺织物进行近红外光谱扫描，获得各混纺织物的近红外光谱数据，并且对校正集和预测集的各近红外光谱进行归一化预处理；
步骤3：将预处理后的校正集的各近红外光谱作为输入向量，输入到自组织神经网络模型的输入层从而进行子集划分；
步骤4：分别将各子集根据步骤1中对应的氨纶含量通过偏最小二乘法，建立对应的子集预测模型；
步骤5：通过步骤1-步骤2中所得的预测集的各混纺织物的氨纶含量和对应的近红外光谱数据对建立的子集预测模型进行预测结果评价，从而得出预测精度最高的子集预测模型；
步骤6：将待测混纺织物通过步骤2-步骤3处理得到该待测混纺织物所对应的子集，然后通过该子集对应的精度最高的子集预测模型对该待测的混纺织物进行氨纶含量的检测。
优选地，在步骤2中，近红外光谱扫描采用的波段为900-1700nm。
优选地，在步骤3中，所述自组织神经网络模型的映射层数目设定为9。
优选地，所述自组织神经网络模型的网络工作过程包括以下步骤：
步骤31：初始化为用随机数设定输入层和映射层之间的权值的初始值；
步骤32：所述输入层与映射层各神经元之间进行欧式距离计算，其中映射层的第j个神经元和输入向量xi的距离计算如下：
式中，X为输入层，Wj为映射层的第j个神经元，xi为输入向量，ωij为输入层第i个神经元和映射层第j个神经元之间的权值，通过计算后得到一个具有最小距离的神经元，作为获胜神经元，记为j*；
步骤33：对获胜神经元j*及其邻接神经元的权值通过如下公式进行修正，
Δωij＝ωij(t+1)-ωij(t)＝η(t)(xi(t)-ωij(t))
式中，Δωij为获胜神经元j*及其邻接神经元的修正权值，
步骤34：通过步骤32-步骤33将输入向量划分为9个子集，其中还通过如下计算公式进行验证，
式中，f为0-1的函数，用于判断输出值是否小于等于0.001或是否达到设定的迭代次数，如判断输出值小于等于0.001或达到设定的迭代次数则算法结束，否则返回步骤32，进入下一轮处理。
优选地，所述步骤34中，所述迭代次数设定为100。
优选地，在步骤4中，所述偏最小二乘法的数学模型通过以下公式进行建立，
X＝TV+EX
Y＝RQ+EY
式中，X为光谱矩阵，Y为氨纶含量，T为X的得分矩阵，R为Y的得分矩阵；V为X载荷矩阵，Q为Y的载荷矩阵；EX为运用偏最小二乘模型法去拟合X所引进的误差，EY为运用偏最小二乘模型法去拟合Y所引进的误差。
优选地，偏最小二乘法的数学模型预测和检测时公式为，
Y1＝X1B
式中，Y1为待测混纺织物的氨纶含量，X1为待测混纺织物的光谱矩阵，B为回归系数。
优选地，所述回归系数B的计算公式为，
B＝T(VtT)-1Q
式中，T和V为混纺织物的光谱矩阵的得分矩阵和载荷矩阵，Q为混纺织物氨纶含量的载荷矩阵。
本发明与现有技术相比，其有益效果在于：
本发明中通过建立自组织神经网络模型对混纺织物进行分类并且偏最小二乘法的数学模型进行检测，可以有效提高检测精度和检测速度，保护环境与人员的健康。通过本发明在有效提高检测速度的同时预测误差一般小于5％。在本本发明中通过建立自组织神经网络模型对混纺织物进行分类能够有效减轻染料、织法、成分含量比例等干扰因素的影响，显著提高氨纶含量的预测精度。
附图说明
图1为本发明方法的流程框图。
具体实施方式
下面结合实施例，对本发明作进一步的描述，但不构成对本发明的任何限制，任何在本发明权利要求范围所做的有限次的修改，仍在本发明的权利要求范围内。
如图1所示，本发明提供了一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，该方法包括以下处理步骤：
步骤1：收集棉、聚酯及氨纶混纺织物随机分成校正集和预测集并且通过化学溶解法测定校正集和预测集中各混纺织物的氨纶含量；
步骤2：分别对校正集和预测集的各混纺织物进行近红外光谱扫描，获得各混纺织物的近红外光谱数据，并且对校正集和预测集的各近红外光谱进行归一化预处理；
其中，归一化处理是现有技术，也是光谱数据处理的通用技术，其计算公式为：
式中，μ、σ分别为各近红外光谱的均值和方差。
步骤3：将预处理后的校正集的各近红外光谱作为输入向量，输入到自组织神经网络模型的输入层从而进行子集划分；
步骤4：分别将各子集根据步骤1中对应的氨纶含量通过偏最小二乘法，建立对应的子集预测模型；
步骤5：通过步骤1-步骤2中所得的预测集的各混纺织物的氨纶含量和对应的近红外光谱数据对建立的子集预测模型进行预测结果评价，从而得出预测精度最高的子集预测模型；
步骤6：将待测混纺织物通过步骤2-步骤3处理得到该待测混纺织物所对应的子集，然后通过该子集对应的精度最高的子集预测模型对该待测的混纺织物进行氨纶含量的检测。
在本实施例中，对成品棉、聚酯及氨纶混纺织物进行扫描并通过化学溶解法检测出氨纶含量。在直接扫描过程中，棉、聚酯及氨纶混纺织物的染料、织法、成分含量比例等均会对光谱产生影响，从而影响最终的预测结果。因此，解决办法就是收集大量的棉、聚酯及氨纶混纺织物作样本，通过自动寻找样本中的内在规律和本质属性，将样本划分为数个子集，每个子集或类别建立相应的预测模型。当预测新棉、聚酯及氨纶混纺织物时，先确定其归属于的子集，再调用该子集预测模型进行预测，这样可以减轻染料、织法、成分含量比例等干扰因素的影响，显著提高氨纶含量的预测精度。
在本实施例中，收集棉、聚酯及氨纶混纺织物随机分成校正集和预测集，确保校正集的每一个子集都能建立十个或以上的子集预测模型，确保预测集能够对每一个子集的子集预测模型进行结果评估，从而找出每一个子集的精度最高的子集预测模型。
在本实施例中，步骤4处理时，为对子集的作为样本的混纺织物根据步骤1中对应的氨纶含量通过偏最小二乘法，分别建立子集预测模型，然后通过步骤5选出检测精度最高的子集预测模型用于对待测混纺织物进行检测。
在步骤2中，近红外光谱扫描采用的波段为900-1700nm。
在步骤3中，自组织神经网络模型的映射层数目设定为9。
在本实施例中，映射层的数目是本方法的一个重要参数。映射层数目过大，即子集过多，每个子集的样本数较少，子集模型难以建立。映射层数目过小，则子集过少，难以减轻染料、织法、成分含量比例等干扰因素的影响。经试验，映射层较佳的实施方式为9。
自组织神经网络模型的网络工作过程包括以下步骤：
步骤31：初始化为用随机数设定输入层和映射层之间的权值的初始值；步骤32：输入层与映射层各神经元之间进行欧式距离计算，其中映射层的第j个神经元和输入向量xi的距离计算如下：
式中，X为输入层，Wj为映射层的第j个神经元，xi为输入向量，ωij为输入层第i个神经元和映射层第j个神经元之间的权值，通过计算后得到一个具有最小距离的神经元，作为获胜神经元，记为j*；
步骤33：对获胜神经元j*及其邻接神经元的权值通过如下公式进行修正，
Δωij＝ωij(t+1)-ωij(t)＝η(t)(xi(t)-ωij(t))
式中，Δωij为获胜神经元j*及其邻接神经元的修正权值，
步骤34：通过步骤32-步骤33将输入向量划分为9个子集，其中还通过如下计算公式进行验证，
式中，f为0-1的函数，用于判断输出值是否小于等于0.001或是否达到设定的迭代次数，如判断输出值小于等于0.001或达到设定的迭代次数则算法结束，否则返回步骤32，进入下一轮处理。步骤34中，迭代次数设定为100。
在本实施例中，用随机数设定输入层和映射层之间权值的初始值。对m个输入神经元到输出神经元的连接权值赋予较小的权值。选取输出神经元j个“邻接神经元”的集合Sj。其中，Sj(0)表示时刻t＝0的神经元j的邻接神经元的集合，Sj(t)表示时刻t的邻接神经元的集合。
在本实施例中，通过将映射层数目设定为9，通过步骤32-步骤33将输入向量根据具有最小距离的神经元并通过修正权值而划分为9个子集。
在步骤4中，偏最小二乘法的数学模型通过以下公式进行建立，
X＝TV+EX
Y＝RQ+EY
式中，X为光谱矩阵，Y为氨纶含量，T为X的得分矩阵，R为Y的得分矩阵；V为X载荷矩阵，Q为Y的载荷矩阵；EX为运用偏最小二乘模型法去拟合X所引进的误差，EY为运用偏最小二乘模型法去拟合Y所引进的误差。
偏最小二乘法的数学模型预测和检测时公式为，
Y1＝X1B
式中，Y1为待测混纺织物的氨纶含量，X1为待测混纺织物的光谱矩阵，B为回归系数。
回归系数B的计算公式为，
B＝T(VtT)-1Q
式中，T和V为混纺织物的光谱矩阵的得分矩阵和载荷矩阵，Q为混纺织物氨纶含量的载荷矩阵。
在本实施例中，PLS分为校正和预测两个步骤。用一系列已知氨纶含量的样品的量测数据来建立数学模型，求得回归系数。预测时，用上述已建好的数学模型对预测集的氨纶含量进行预测，将预测的氨纶含量值与溶液中真实氨纶含量值相比较，从而对所构建模型的预测能力以及预测结果进行评价。
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。
Claims (8)
1.一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，该方法包括以下处理步骤：
步骤1：收集棉、聚酯及氨纶混纺织物随机分成校正集和预测集并且通过化学溶解法测定校正集和预测集中各混纺织物的氨纶含量；
步骤2：分别对校正集和预测集的各混纺织物进行近红外光谱扫描，获得各混纺织物的近红外光谱数据，并且对校正集和预测集的各近红外光谱进行归一化预处理；
步骤3：将预处理后的校正集的各近红外光谱作为输入向量，输入到自组织神经网络模型的输入层从而进行子集划分；
步骤4：分别将各子集根据步骤1中对应的氨纶含量通过偏最小二乘法，建立对应的子集预测模型；
步骤5：通过步骤1-步骤2中所得的预测集的各混纺织物的氨纶含量和对应的近红外光谱数据对建立的子集预测模型进行预测结果评价，从而得出预测精度最高的子集预测模型；
步骤6：将待测混纺织物通过步骤2-步骤3处理得到该待测混纺织物所对应的子集，然后通过该子集对应的精度最高的子集预测模型对该待测的混纺织物进行氨纶含量的检测。
2.根据权利要求1所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于：在步骤2中，近红外光谱扫描采用的波段为900-1700nm。
3.根据权利要求1所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于：在步骤3中，所述自组织神经网络模型的映射层数目设定为9。
4.根据权利要求3所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，所述自组织神经网络模型的网络工作过程包括以下步骤：
步骤31：初始化为用随机数设定输入层和映射层之间的权值的初始值；步骤32：所述输入层与映射层各神经元之间进行欧式距离计算，其中映射层的第j个神经元和输入向量xi的距离计算如下：
式中，X为输入层，Wj为映射层的第j个神经元，xi为输入向量，ωij为输入层第i个神经元和映射层第j个神经元之间的权值，通过计算后得到一个具有最小距离的神经元，作为获胜神经元，记为j*；
步骤33：对获胜神经元j*及其邻接神经元的权值通过如下公式进行修正，
Δωij＝ωij(t+1)-ωij(t)＝η(t)(xi(t)-ωij(t))
式中，Δωij为获胜神经元j*及其邻接神经元的修正权值，
步骤34：通过步骤32-步骤33将输入向量划分为9个子集，其中还通过如下计算公式进行验证，
式中，f为0-1的函数，用于判断输出值是否小于等于0.001或是否达到设定的迭代次数，如判断输出值小于等于0.001或达到设定的迭代次数则算法结束，否则返回步骤32，进入下一轮处理。
5.根据权利要求4所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，所述步骤34中，所述迭代次数设定为100。
6.根据权利要求1所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，在步骤4中，所述偏最小二乘法的数学模型通过以下公式进行建立，
X＝TV+EX
Y＝RQ+EY
式中，X为光谱矩阵，Y为氨纶含量，T为X的得分矩阵，R为Y的得分矩阵；V为X载荷矩阵，Q为Y的载荷矩阵；EX为运用偏最小二乘模型法去拟合X所引进的误差，EY为运用偏最小二乘模型法去拟合Y所引进的误差。
7.根据权利要求6所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，偏最小二乘法的数学模型预测和检测时公式为，
Y1＝X1B
式中，Y1为待测混纺织物的氨纶含量，X1为待测混纺织物的光谱矩阵，B为回归系数。
8.根据权利要求7所述的一种棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法，其特征在于，所述回归系数B的计算公式为，
B＝T(VtT)-1Q
式中，T和V为混纺织物的光谱矩阵的得分矩阵和载荷矩阵，Q为混纺织物氨纶含量的载荷矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711116293.XA CN107884362B (zh) | 2017-11-13 | 2017-11-13 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711116293.XA CN107884362B (zh) | 2017-11-13 | 2017-11-13 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107884362A CN107884362A (zh) | 2018-04-06 |
| CN107884362B true CN107884362B (zh) | 2020-05-22 |
Family
ID=61776760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711116293.XA Active CN107884362B (zh) | 2017-11-13 | 2017-11-13 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107884362B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297845A (zh) * | 2011-05-25 | 2011-12-28 | 杨季冬 | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 |
| CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8571291B2 (en) * | 2011-10-19 | 2013-10-29 | Kabushiki Kaisha Toshiba | Combination weight applied to iterative reconstruction in image reconstruction |
| CN104809695B (zh) * | 2014-01-26 | 2019-03-08 | 华为技术有限公司 | 一种数据去噪的方法及装置 |
| CN104596957A (zh) * | 2015-01-12 | 2015-05-06 | 西安科技大学 | 基于可见光近红外光谱技术的土壤铜含量估算方法 |
| CN105447596A (zh) * | 2015-11-19 | 2016-03-30 | 国网河南省电力公司电力科学研究院 | 一种优化的电力数据短期预测方法 |
-
2017
- 2017-11-13 CN CN201711116293.XA patent/CN107884362B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297845A (zh) * | 2011-05-25 | 2011-12-28 | 杨季冬 | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 |
| CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| "An ensemble method based on a self-organizing map for near-infrared spectral calibration of complex beverage samples";Chao Tan 等;《Anal. Bioanal. Chem.》;20081231;第392卷;第515-521页 * |
| "棉/氨混纺织物氨纶含量快速分析方法研究";朱洪亮等;《中国纤维》;20111231(第24期);第54-58页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107884362A (zh) | 2018-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108777873A (zh) | 基于加权混合孤立森林的无线传感网络异常数据检测方法 | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN106355192A (zh) | 一种基于混沌灰狼优化的支持向量机方法 | |
| CN108920863A (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| CN110472671B (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
| CN109307854A (zh) | 一种电能计量装置综合评估方法及系统 | |
| CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
| CN110782546A (zh) | 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法 | |
| CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
| CN110321493A (zh) | 一种社交网络的异常检测与优化方法、系统及计算机设备 | |
| CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
| CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
| CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 | |
| CN107884362B (zh) | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 | |
| CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
| CN107884744B (zh) | 无源被动式室内定位方法及装置 | |
| CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
| CN115017943A (zh) | 轴承故障诊断模型训练方法及训练装置 | |
| CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
| CN109766905A (zh) | 基于自组织特征映射网络的目标分群方法 | |
| CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
| CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 |
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 |