CN107958267A - 一种基于光谱线性表示的油品性质预测方法 - Google Patents
一种基于光谱线性表示的油品性质预测方法 Download PDFInfo
- Publication number
- CN107958267A CN107958267A CN201711166539.4A CN201711166539A CN107958267A CN 107958267 A CN107958267 A CN 107958267A CN 201711166539 A CN201711166539 A CN 201711166539A CN 107958267 A CN107958267 A CN 107958267A
- Authority
- CN
- China
- Prior art keywords
- sample
- mrow
- mtd
- near infrared
- infrared spectrum
- 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 31
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 39
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract 2
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000009835 boiling Methods 0.000 claims description 2
- 238000004821 distillation Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 66
- 238000002835 absorbance Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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
本发明具体涉及一种基于光谱线性表示的油品性质预测方法;对校正集及测试样本的近红外光谱数据进行主成分分析,提取主成分分析得到的得分矩阵中前k个主成分建立主成分空间,并在主成分空间中基于欧式距离寻找到与测试样本最近的n个校正集中的油品样本,称为邻近样本;计算邻近样本的近红外光谱权值w;利用近红外光谱权值w对邻近样本的性质值进行加权,即得到测试样本的性质值预测。本发明通过具有特定权值的线性组合对测试样本进行预测,结合了参数模型和非参数模型的优势。
Description
技术领域
本发明属于石油化工的油品性质检测领域,具体涉及一种基于光谱线性表示的油品性质预测方法。
背景技术
传统油品评价方法可以提供详细的原油性质数据,但其操作复杂,时间长,很难满足油品加工过程中对油品性质分析实时性的要求。目前,基于近红外光谱的建模技术趋于成熟,这些方法包括多元线性回归、局部加权回归、偏最小二乘等,并广泛应用于油品的性质预测。尽管这些方法已经开始考虑利用局部建模的思想来处理实际问题中存在的非线性,但其线性参数模型的本质仍然限制了模型的预测性能,且其计算相对复杂,也有较多需要调节的参数。
基于拓扑聚类等非参数的模型,如k近邻法,能够适用于非线性问题且计算、调参相对于参数模型更为简便。但这些方法并没有充分利用输入信息,对数据的处理过于简单,欠缺对输入数据精细的考虑,使得其难以处理较为精确的预测问题。近红外光谱建模问题具有较强的非线性,且其输入数据为油品的波数段近红外吸光度数据,蕴含了大量的信息,这对传统的参数模型和非参数模型提出了挑战。
因此,亟待对基于拓扑学的方法进行改进。
发明内容
针对前述传统油品评价方法的缺陷而提出的一种基于光谱线性表示的油品性质预测方法,本发明基于邻近样本,通过将其进行具有特定权值的线性组合对测试样本进行预测,结合了参数模型和非参数模型的优势。
为了实现上述发明目的,本发明采用了以下技术方案:
一种基于光谱线性表示的油品性质预测方法,包括以下步骤:
1)首先对校正集及测试样本的近红外光谱数据进行主成分分析,提取主成分分析得到的得分矩阵的前k个主成分建立主成分空间,并在主成分空间中基于欧式距离寻找到与测试样本最近的n个校正集中的油品样本,称为邻近样本;
2)计算邻近样本的近红外光谱权值w,所述w加权线性组合与测试样本的近红外光谱之差的二范数最小,且w加权线性组合与测试样本的近红外光谱的和值为1;
3)利用近红外光谱权值w对邻近样本的性质值进行加权,即得到测试样本的性质值预测。
进一步,在对新的待测样本进行预测时,所述校正集由油品样本库中所有样本组成。
进一步,所述欧式距离di的表达公式如下:
其中pi,j为校正集第i个油品样本近红外光谱数据在第j个主成分上的得分,p0,j为测试样本近红外光谱数据在第j个主成分上的得分,k为主成分数。在求得了di后,即可寻找到{di}中最小的n个。在校正集近红外光谱数据Xall、性质数据Yall中提取对应的油品样本,即可构成邻近样本的近红外光谱数据表Xneighbor与性质列表Yneighbor(为叙述简便,分别将其记为X与Y)。
进一步,所述k通过主成分分析中方差累积贡献率达到指定值予以确定或选取k=2或k=3。
进一步,所述近红外光谱权值w通过解正则化优化问题得到:
s.t. 1Tw=1
其中X为邻近样本近红外光谱数据,X0为测试样本近红外光谱数据,λ为常数正则化因子,T为转置。
进一步,所述的正则化优化问题按照下式求解:
其中X为邻近样本近红外光谱数据,X0为测试样本近红外光谱数据,λ为常数正则化因子,T为转置,I为单位矩阵,μ是在求解问题时引入的对应于等式约束1Tw=1的拉格朗日乘子,[]+为广义逆矩阵。
进一步,所述邻近样本数n和正则化因子λ通过在校正集中进行留一法交叉验证得到。具体的方法为:对一个具体的参数取值(n=n0,λ=λ0),对于校正集中的每一例油品样本(Xi,Yi),分别将该油品样本作为测试样本,校正集中所有其余油品样本(Xremain,Yremain)作为训练油品样本,按前述方法进行预测,得到油品样本(Xi,Yi)的性质预测值遍及校正集中的每一例油品样本,可以得到在该参数组合下模型的性能。
进一步,所述留一交叉验证依次对油品样本库中每一个油品样本进行预测,当对任一样本进行预测时,将该样本作为测试油品样本,将油品样本库中除所述测试样本之外的其他样本作为校正集。
进一步,所述留一法交叉验证的预测误差的均方根误差表达公式如下:
其中RMSE为均方根误差,N为校正集中油品样本总数,为油品样本(Xi,Yi)的性质预测值,Xi为油品样本的近红外光谱数据,Yi为油品样本的性质数据。
一种基于光谱线性表示的油品性质预测方法应用于RON、MON、密度、初馏点、终馏点、10%蒸发温度、50%蒸发温度或90%蒸发温度的油品性质数据预测。
有益效果,本发明通过具有特定权值的线性组合对测试样本进行预测,结合了参数模型和非参数模型的优势,得到的油品性质预测值精确。
附图说明
图1是实施例1对一例测试样本进行性质预测的流程图;
图2是实施例1对于给定的油品样本库,在该油品样本库上评估取正则化因子λ时模型的性能RMSE的流程图;
图3实施例1对于指定的油品样本库,获取最优的模型参数n和λ流程图;
图4实施例1中模型参数n和λ对模型性能的影响图。
具体实施方式
下面结合附图以及具体的算例,给出详细的计算过程和具体操作流程,以对本发明作进一步说明。实施例中的光谱库采用某公司采集的调和油光谱及性质测试数据,包括270例油品近红外光谱数据及其研究法辛烷值(RON)数据。实施例中的测试样本近红外光谱数据组织形式与校正集近红外光谱数据相同,均为4000~4800cm-1波数范围的近红外光谱数据。实施例以本发明技术方案为前提下进行实施,但本发明的保护范围不限于该光谱库及下述实施例。
实施例1
(1)确定模型的基本参数n及λ
设定油品样本数的范围为n=10~100,以2为步长进行遍历搜索。为加快搜索,并考虑到油品样本光谱欧氏距离较小的实际情况,正则化参数λ取对数的等间隔,lg(λ)=-12~4,以0.02为步长。接下来按照图3所示的流程确定模型的基本参数n及λ。
现按照图2所示的流程,对参数组合n=10,λ=10-12.00评估模型性能:
在油品样本库中取第一例样本作为测试样本Stest=S1=(X1,Y1):
表1第一例样本的吸光度数据
谱图点 | 1 | 2 | 3 | … | 208 |
吸光度 | -0.0120 | -0.0099 | -0.0066 | … | -0.0796 |
其性质值Y1=92.4。除去油品样本库中第一例样本以外的其他样本作为校正集(共269例):
Scalibrate=Sall-S1
其中,Scalibrats为校正集,Sall为油品样本库,S1为第一例油品样本。
现在按照图1所示的流程对测试样本的性质进行预测。
对所有油品样本的近红外光谱数据Xall进行主成分分析,并取其在前k=3个主成分上的得分,得到各个油品样本在主成分空间中的坐标Ptest及Pcalibrate:
表2校正集中样本吸光度数据在前3个主成分上的得分
在Pcalibrate中,与Ptest欧式距离最近的n=10个样例为2号油品样本、3号油品样本、21号油品样本、…、155号油品样本,其吸光度数据X与性质数据Y为:
表3测试样本的10个邻近校正集油品样本吸光度及性质值
解优化问题
s.t. 1Tw=1
利用
得权值w为
表4求解得到的邻近样本的权值
对比测试样本性质的测定值Y1,于是该测试样本的预测误差
类比上述过程,依次取出每一例油品样本作为测试样本,其余油品样本为校正集油品样本,分别得到每一例油品样本的预测误差:
表5在一组参数下各个样本的交叉验证预测误差
样本编号 | 1 | 2 | 3 | 4 | 268 | 269 | 270 | |
预测误差 | 0.4918 | 0.5801 | -0.3409 | -0.6156 | …… | -0.3803 | -0.9353 | 0.0392 |
于是可评估在该参数组合n=10,λ=10-12.00下模型的性能为:
类比上述过程,在每一对参数组合(n,λ)下,模型的性能如下表所示:
表6模型参数对模型性能的影响
可绘制为图4。在该图中,尽可能使得RMSE小的同时n也较小,可取
n=30,λ=10-5.00
此时在校正集中模型的RMSE=0.2327。
(2)根据调试好的参数n及λ,对测试样本进行预测
根据前述调试结果,参数选定n=30,λ=10-5.00。现基于270例已测油品样本的光谱库作为校正集,对一例光谱已知但RON性质未知的油品样本进行预测,其近红外光谱数据X0为
表7一例未知样本的吸光度数据
谱图点 | 1 | 2 | 3 | … | 208 |
吸光度 | -0.0089 | -0.0062 | -0.0023 | … | -0.0824 |
对所有油品样本的近红外光谱数据X0∪Xcalibrate进行主成分分析,并取其在前k=3个主成分上的得分,得到各个样本在主成分空间中的坐标Ptest及Pcalibrate:
表8未知样本及校正集样本吸光度数据的主成分得分
在Pcalibrate中,与Ptest欧式距离最近的n=30个样例为257号油品样本、265号油品样本、…、256号油品样本、170号油品样本。
这些样例的吸光度数据X,X0与性质数据Y为:
表9未知油品样本的30例邻近样本
解优化问题
s.t. 1Tw=1
利用
得
表10 30例邻近样本的权值
油品样本编号 | 权值(w) |
257 | 0.033353 |
265 | 0.033343 |
220 | 0.033311 |
… | … |
256 | 0.033260 |
170 | 0.033310 |
于是该测试样本的性质预测值为92.50。
经过实际验证,本文所述的方法在某公司92#RON数据集上的其他油品样本中均达到了较好的预测效果,在其他的数据集上也表现良好,因此本文所述的方法具有很好的通用性,可以用于油品性质的预测。
Claims (10)
1.一种基于光谱线性表示的油品性质预测方法,其特征在于,包括以下步骤:
1)首先对校正集及测试样本的近红外光谱数据进行主成分分析,提取主成分分析得到的得分矩阵的前k个主成分建立主成分空间,并在主成分空间中基于欧式距离寻找到与测试样本最近的n个校正集中的油品样本,称为邻近样本;
2)计算邻近样本的近红外光谱权值w,所述w加权线性组合与测试样本的近红外光谱之差的二范数最小,且w加权线性组合与测试样本的近红外光谱的和值为1;
3)利用近红外光谱权值w对邻近样本的性质值进行加权,即得到测试样本的性质值预测。
2.根据权利要求1所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,在对新的待测样本进行预测时,所述校正集由油品样本库中所有样本组成。
3.根据权利要求1所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述欧式距离di的表达公式如下:
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中pi,j为校正集第i个油品样本近红外光谱数据在第j个主成分上的得分,p0,j为测试样本近红外光谱数据在第j个主成分上的得分,k为主成分数。
4.根据权利要求3所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述k通过主成分分析中方差累积贡献率达到指定值予以确定或选取k=2或k=3。
5.根据权利要求1所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述近红外光谱权值w通过解正则化优化问题得到:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mi>w</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>&lambda;</mi>
<mn>2</mn>
</mfrac>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<mi>w</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
s.t.1Tw=1
其中X为邻近样本近红外光谱数据,X0为测试样本近红外光谱数据,λ为常数正则化因子,T为转置。
6.根据权利要求5所述的一种基于光谱线性表示的油品性质预测方法,其特征在于所述的正则化优化问题按照下式求解:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>w</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&mu;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>X</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>I</mi>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mn>1</mn>
<mi>T</mi>
</msup>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
</msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>X</mi>
<mi>T</mi>
</msup>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中X为邻近样本近红外光谱数据,X0为测试样本近红外光谱数据,λ为常数正则化因子,T为转置,I为单位矩阵,μ是在求解问题时引入的对应于等式约束1Tw=1的拉格朗日乘子,[]+为广义逆矩阵。
7.根据权利要求5或6所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述邻近样本数n和正则化因子λ通过在校正集中进行留一法交叉验证得到。
8.根据权利要求7所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述留一交叉验证依次对油品样本库中每一个样本进行预测,当对任一样本进行预测时,将该样本作为测试样本,将油品样本库中除所述测试样本之外的其他油品样本作为校正集。
9.根据权利要求8所述的一种基于光谱线性表示的油品性质预测方法,其特征在于,所述留一法交叉验证的预测误差的均方根误差表达公式如下:
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
</mrow>
其中RMSE为均方根误差,N为校正集中油品样本总数,为油品样本(Xi,Yi)的性质预测值,Xi为油品样本的近红外光谱数据,Yi为油品样本的性质数据。
10.权利要求1所述的一种基于光谱线性表示的油品性质预测方法应用于RON、MON、密度、初馏点、终馏点、10%蒸发温度、50%蒸发温度或90%蒸发温度的油品性质数据预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166539.4A CN107958267B (zh) | 2017-11-21 | 2017-11-21 | 一种基于光谱线性表示的油品性质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166539.4A CN107958267B (zh) | 2017-11-21 | 2017-11-21 | 一种基于光谱线性表示的油品性质预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958267A true CN107958267A (zh) | 2018-04-24 |
CN107958267B CN107958267B (zh) | 2021-04-27 |
Family
ID=61965061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711166539.4A Active CN107958267B (zh) | 2017-11-21 | 2017-11-21 | 一种基于光谱线性表示的油品性质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958267B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN110308110A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法 |
CN110308111A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 |
CN110320174A (zh) * | 2019-06-14 | 2019-10-11 | 湖北省农业科学院果树茶叶研究所 | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 |
CN111829978A (zh) * | 2019-04-18 | 2020-10-27 | 中国石油化工股份有限公司 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
CN108844941B (zh) * | 2018-05-30 | 2021-10-12 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1992939A1 (en) * | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
CN101915739A (zh) * | 2010-06-30 | 2010-12-15 | 李华 | 基于机器视觉的水质检测中多维色谱向量分类方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
CN106248589A (zh) * | 2016-06-29 | 2016-12-21 | 辽宁科技学院 | 一种基于光谱检测灵芝提取物多糖含量的方法 |
CN107860743A (zh) * | 2017-10-20 | 2018-03-30 | 华东理工大学 | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 |
-
2017
- 2017-11-21 CN CN201711166539.4A patent/CN107958267B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1992939A1 (en) * | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
CN101915739A (zh) * | 2010-06-30 | 2010-12-15 | 李华 | 基于机器视觉的水质检测中多维色谱向量分类方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
CN106248589A (zh) * | 2016-06-29 | 2016-12-21 | 辽宁科技学院 | 一种基于光谱检测灵芝提取物多糖含量的方法 |
CN107860743A (zh) * | 2017-10-20 | 2018-03-30 | 华东理工大学 | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 |
Non-Patent Citations (2)
Title |
---|
ANDREAS A KARDAMAKIS 等: "Autoregressive modeling of near-IR spectra and MLR to predict RON values of gasolines", 《FUEL》 * |
张红光: "近红外光谱新型建模方法与应用基础研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844941B (zh) * | 2018-05-30 | 2021-10-12 | 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 |
CN111829978A (zh) * | 2019-04-18 | 2020-10-27 | 中国石油化工股份有限公司 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
CN111829978B (zh) * | 2019-04-18 | 2023-08-11 | 中国石油化工股份有限公司 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
CN110308110A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法 |
CN110308111A (zh) * | 2019-06-14 | 2019-10-08 | 湖北省农业科学院果树茶叶研究所 | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 |
CN110320174A (zh) * | 2019-06-14 | 2019-10-11 | 湖北省农业科学院果树茶叶研究所 | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 |
CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN110208211B (zh) * | 2019-07-03 | 2021-10-22 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107958267B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958267A (zh) | 一种基于光谱线性表示的油品性质预测方法 | |
CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
CN104089911B (zh) | 基于一元线性回归的光谱模型传递方法 | |
CN104020135B (zh) | 基于近红外光谱的校正模型建模方法 | |
CN101881727B (zh) | 一种基于吸收光谱图重构的多组分气体浓度定量分析方法 | |
CN105388123A (zh) | 一种由近红外光谱预测原油性质的方法 | |
CN105203498A (zh) | 一种基于lasso的近红外光谱变量选择方法 | |
CN105445421B (zh) | 一种通过外观指标预测片烟醇化过程中感官质量的方法 | |
CN106407648A (zh) | 一种汽油关键性质的快速批量预测方法 | |
CN105424641A (zh) | 一种原油种类的近红外光谱识别方法 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
CN104063577B (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
CN109324013A (zh) | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 | |
CN102680425B (zh) | 多组分气体傅立叶变换光谱分析的多分析模型信息融合方法 | |
CN109060702B (zh) | 红外光谱非线性定量分析方法 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN106248621A (zh) | 一种评价方法与系统 | |
CN106770015A (zh) | 一种基于主成分分析相似判别的油品性质检测方法 | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN105466884A (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
CN103134763B (zh) | 由红外光谱预测原油密度的方法 | |
CN102954946B (zh) | 由红外光谱测定原油硫含量的方法 | |
CN105004745A (zh) | 一种由核磁共振谱预测原油粘度的方法 |
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 |