CN109086254A - 基于高光谱技术石蜡内部组分综合等级评定 - Google Patents
基于高光谱技术石蜡内部组分综合等级评定 Download PDFInfo
- Publication number
- CN109086254A CN109086254A CN201810882133.4A CN201810882133A CN109086254A CN 109086254 A CN109086254 A CN 109086254A CN 201810882133 A CN201810882133 A CN 201810882133A CN 109086254 A CN109086254 A CN 109086254A
- Authority
- CN
- China
- Prior art keywords
- paraffin
- internal composition
- integrated level
- grade
- sample
- 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.)
- Pending
Links
- 239000012188 paraffin wax Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004611 spectroscopical analysis Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001603 reducing effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000001993 wax Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 150000001924 cycloalkanes Chemical class 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- -1 isoparaffin Chemical class 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 229930195735 unsaturated hydrocarbon Natural products 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱技术的石蜡内部组分综合等级评定方法,包括如下步骤:通过高光谱分选仪分别获取石蜡样本的高光谱数据;运用主成分分析法对所得样品的高光谱数据进行等级区分;根据上述等级区分结果以及专家依据石蜡内部组分对不同等级石蜡样本对应综合评价的分数,运用Matlab软件建立BP神经网络预测模型,实现对石蜡等级的快速检测;基于SPSS软件利用上述实验数据建立合理的主成分回归模型(PCR),得出石蜡内部组分综合等级评定结果。本发明方法科学合理,便于操作,检测准确率高,能有效的快速的依据石蜡内部组分划分石蜡的综合等级。
Description
技术领域
本发明涉及石蜡的内部组分综合等级评定领域,具体涉及基于高光谱技术的石蜡内部组分综合等级评定方法。
背景技术
石蜡是从石油、页岩油或其他沥青矿物油中提取出来的,为白色或淡黄色半透明物,具有相当明显的晶体结构,石蜡的主要成份是正构烷烃,但市售的石蜡不可能是100%的正构烷烃,而含有少量环烷烃、异构烷烃、芳香烃、不饱和烃、微量铁、硫、氮等无机物杂质,这些杂质可以让石蜡带“石蜡味”、带色(特别是长期暴露在空气中颜色逐渐变深)、降低沸点等性能,综合评定石蜡内部组分,确立评定标准,严格划分石蜡的使用范围,防止劣质石蜡的滥用,影响消费者的生命安全。因此需要建立一种基于高光谱技术石蜡内部组分综合等级评定的有效方法。
发明内容
为解决上述问题,本发明提供了一种基于高光谱技术的石蜡内部组分综合等级评定方法,科学合理,流程短,便于操作,检测准确率高,能有效的快速的评定石蜡的组分。
为实现上述目的,本发明采取的技术方案为:
一种基于高光谱技术的石蜡内部组分综合等级评定方法,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、运用主成分分析法(PCA)对所得样品的高光谱数据进行等级区分;分析所得高光谱数据曲线走势趋于一致性,反映了石蜡内部组分整体性相似,而不同等级石蜡光谱数值大小有所差别,证明石蜡内部成分局部有差别,因此可以将光谱数据作为代表真实有效的石蜡内部组分为判断依据区分不同等级的石蜡样本;
S3、根据步骤S2的等级区分结果以及专家依据石蜡内部组分对不同等级石蜡样本对应综合评价的分数,运用Matlab软件建立BP神经网络预测模型,实现对石蜡等级的快速检测;
S4、基于SPSS软件利用上述实验数据建立合理的主成分回归模型(PCR),得出石蜡内部组分综合等级评定结果。
其中,所述步骤S1的具体步骤为:
通过高光谱分选仪对每一个石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小约为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据。
其中,所述步骤S2的具体包括如下步骤:
将上述光谱数据对石蜡进行不同等级的划分,依据主成分分析法(PCA)降维原理,将多维光谱数据进行重新的数学关联,去除数据中的冗余信息,PCA后的前三组分含量达到了99.85%,选取前三组分作为判断依据划分石蜡等级,实现预期效果,可以划分评定中四类不同等级的石蜡,结果表明利用高光谱技术测定石蜡组分来划分石蜡内部组分等级是可行的。
其中,所述步骤S3的具体包括如下步骤:
将测定石蜡组分的光谱数据与专家评分关联,建立BP神经网络预测模型,预测效果符合预期,模型结果相关系较高,标准误差较低,结果表明专家评分依据是根据石蜡组分含量评定的,可以根据其评分建立相应的数学模型。
其中,所述步骤S4的具体步骤为:
依据高光谱测定样本组分的光谱数据和专家对石蜡等级的评分建立主成分回归模型(PCR),将数据标准化计算各组分变量间的共线性,多变量间存在共线性,多维变量利用因子分析法进行降维,建立标准的回归数学模型,标准回归模型是利用相关阵列间的方差关系建立的,求解原始特征方程需要同时除去方差,建立原始的数学关联方程。
本发明具有以下有益效果:
基于高光谱技术石蜡内部组分综合等级评定的研究方法,将高光谱数据和专家石蜡等级综合评定的分数运用Malab软件PCA分类及建立BP神经网络预测模型,验证石蜡数据的准确性及专家评定的依据是石蜡内部组成成分,因此建立PCR数学模型,为后续的石蜡评定提供模板,具有方法科学合理,便于操作,检测准确率高等优点;且利用实验室已有的装置进行测量。
附图说明
图1为本发明实施例中石蜡光谱感兴趣区域的反射率图。
图2为本发明实施例中不同等级石蜡光谱反射值曲线走势图。
图3为本发明实施例中石蜡PCA等级区分示意图。
图4为本发明实施例中样本BP模型预测结果对比示意图。
图5为本发明实施例中样本BP模型相关性示意图。
图6为本发明实施例中所有变量因子关联系数部分示意图。
图7为本发明实施例中变量因子分析后因子的得分示意图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合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。
本发明实施例提供了一种基于高光谱技术的石蜡内部组分综合等级评定方法,包括如下步骤:
S1、通过高光谱(380-1038nm)分选仪获取同一厂家不同等级的石蜡样本的高光谱数据;分析所得高光谱数据曲线走势趋于一致性,反映了石蜡内部组分整体性相似,而不同等级石蜡光谱数值大小有所差别,证明石蜡内部成分局部有差别,因此可以将光谱数据作为代表真实有效的石蜡内部组分为判断依据区分不同等级的石蜡样本;
S2、根据所得光谱数据运用主成分分析法(PCA),可以有效的区分不同等级的石蜡;
S3、根据步骤S2的等级区分结果以及专家依据石蜡内部组分对不同等级石蜡样本对应综合评价的分数,运用Matlab软件建立BP神经网络预测模型,快速检测石蜡等级,证明石蜡数据有效性及等级可分性;
S4、根据步骤S2及S3的结果说明基于高光谱技术石蜡内部组分综合等级评定是可行的,因此基于SPSS软件利用上述实验数据建立合理的主成分回归模型(PCR),验证石蜡内部组分综合等级评定结果。
以下实施例中所使用的高光谱(380-1038nm)分选仪选用是北京卓立汉光仪器有限公司提供的GaiaSorter“盖亚”型号;所使用的数据建模软件选用是Matlab R2013a,SPSS2017。
实施例
对20个石蜡样本通过高光谱分选仪获取同一厂家不同等级的石蜡样本的高光谱数据,对一个石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小大约为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据,共获得20组光谱数据。
将获取的高光谱数据进行曲线趋势分析,研究发现曲线走势具有一致性,在相同波段下不同等级石蜡光谱数值大小有所差别,说明同厂家生产的石蜡总体组分上是相似的,局部区域掺杂了少量其他除正烷烃外的微量元素,完成对石蜡不同的构造,应用不同的领域,因此可以将光谱数据作为石蜡等级划分的依据。根据所得数据运用PCA分析法,可以有效的区分不同等级的石蜡;同时获取专家对不同等级石蜡样本对应的综合评价分数,共20个数据,与高光谱数据相对应;对于20个样本数据,根据校正集和预测集样本数3∶2的原则,12个作为校正集,8个作为预测集。为了确保试验校正集和预测集更加具有代表性,本发明采用每隔3个样本就选择2个样本为预测集的方法,并确保最大与最小值都在校正集中。结合光谱数据以及专家对石蜡等级综合评定所得的数据运用Matlab软件建立BP神经网络预测模型,快速预测石蜡等级,等级预测模型中分析得出校正集和预测集相关系数R分别为0.99897、0.98449。
利用PCA对石蜡等级分类结果表明利用高光谱技术测定石蜡组分来划分石蜡内部组分等级是可行的,同时,建立BP神经网络预测模型对石蜡组分检测表明专家评分依据是根据石蜡组分含量评定的,可以根据其评分建立相应的数学模型。因此,建立PCR数学关联方程,表征石蜡内部成分的含量,划分石蜡等级。
PCR回归模型的建立,利用SPSS软件验证石蜡光谱数据与评分间的线性关联,结果表明回归模型拟合度达到100%,各变量间存在共线性,需做主成分分析处理变量间的共线性。对标准化多维变量利用因子分析方法进行降维,多维变量降维后,前三主成分占到了99.887%,获取前三主成分因子的得分,为后期模型的建立提供自变量,通过SPSS软件得到所有变量因子关联系数及前三主成分的方差为:512.65、5.55、1.214,求取前三主成分关联方程的系数为所有各自主成分下变量因子关联系数除与各自方差的开方,因此得到前三主成分标准化数学关联模型,如公式(1)、(2)、(3)。同时,将专家的评分同样标准化,通过SPSS软件建立前三主分因子得分与标准化评分间的主成分回归模型,得到相应的关联系数,构建前三主成分间的数学模型,如公式(4)。将公式(1)、(2)、(3)带入(4)得到公式(5),公式(5)建立的是标准化后的变量方程,标准化公式是建立在方差基础上的,分别求取X1、X2…X520、Y各自相关变量下的均值及方差计算得到原始多维变量间的数学模型,如公式(6)、(7)。利用模型中变量间的相关系数、标准误差如公式(8)、(9)对于得到的数学模型进行评定,得到相关性为0.81,标准误差为0.47,综合分析建立的数学模型,相关性较好,误差相对较小,可以合理的、有效的根据石蜡组分综合评定等级。
F1=0.043X1+0.43X2+…+0.043X520 (1)
F2=0.057X1+0.053X2+…+0.084X520 (2)
F3=0.107X1+0.096X2+…+0.066X520 (3)
Y*=-0.001F1-0.379F2+0.106F3 (4)
Y*=-0.01X1-0.007X2-…+0.038X520 (5)
y=-1.71x1-2.03x2-…0.11x520+m(m>1) (7)
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于高光谱技术的石蜡内部组分综合等级评定方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、运用主成分分析法对所得样品的高光谱数据进行等级区分;
S3、根据步骤S2的等级区分结果以及专家依据石蜡内部组分对不同等级石蜡样本对应综合评价的分数,运用Matlab软件建立BP神经网络预测模型,实现对石蜡等级的快速检测;
S4、基于SPSS软件利用上述实验数据建立合理的主成分回归模型(PCR),得出石蜡内部组分综合等级评定结果。
2.根据权利要求1所述一种基于高光谱技术的石蜡内部组分综合等级评定方法,其特征在于,所述步骤S1的具体步骤为:
通过高光谱分选仪对每一个石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据。
3.根据权利要求1所述一种基于高光谱技术的石蜡内部组分综合等级评定方法,其特征在于,所述步骤S2的具体包括如下步骤:
将上述光谱数据对石蜡进行不同等级的划分,依据主成分分析法降维原理,将多维光谱数据进行重新的数学关联,去除数据中的冗余信息,PCA后的前三组分含量达到了99.85%,选取前三组分作为判断依据划分石蜡等级。
4.根据权利要求1所述一种基于高光谱技术的石蜡内部组分综合等级评定方法,其特征在于,所述步骤S3的具体包括如下步骤:
将测定石蜡组分的光谱数据与专家评分关联,建立BP神经网络预测模型。
5.根据权利要求1所述一种基于高光谱技术的石蜡内部组分综合等级评定方法,其特征在于,所述步骤S4的具体步骤为:
依据高光谱测定样本组分的光谱数据和专家对石蜡等级的评分建立主成分回归模型,将数据标准化计算各组分变量间的共线性,多变量间存在共线性,多维变量利用因子分析法进行降维,建立标准的回归数学模型,标准回归模型是利用相关阵列间的方差关系建立的,求解原始特征方程需要同时除去方差,建立原始的数学关联方程。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017115002592 | 2017-12-29 | ||
CN201711500259 | 2017-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086254A true CN109086254A (zh) | 2018-12-25 |
Family
ID=64833489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810882133.4A Pending CN109086254A (zh) | 2017-12-29 | 2018-08-01 | 基于高光谱技术石蜡内部组分综合等级评定 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086254A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN103823974A (zh) * | 2014-02-25 | 2014-05-28 | 北京科技大学 | 无取向硅钢磁性能影响因素的主成分回归分析法 |
CN105784604A (zh) * | 2016-03-04 | 2016-07-20 | 北京大学深圳研究生院 | 一种植物衰退等级的检测方法 |
CN106568738A (zh) * | 2016-10-31 | 2017-04-19 | 湖北省农业科学院果树茶叶研究所 | 一种近红外光谱快速判定不同质量等级茶鲜叶的方法 |
DE102016208087B3 (de) * | 2016-05-11 | 2017-05-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets |
CN107014769A (zh) * | 2017-03-20 | 2017-08-04 | 南京林业大学 | 一种基于THz光谱分析的鲜肉K值快速无损检测模型 |
-
2018
- 2018-08-01 CN CN201810882133.4A patent/CN109086254A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN103823974A (zh) * | 2014-02-25 | 2014-05-28 | 北京科技大学 | 无取向硅钢磁性能影响因素的主成分回归分析法 |
CN105784604A (zh) * | 2016-03-04 | 2016-07-20 | 北京大学深圳研究生院 | 一种植物衰退等级的检测方法 |
DE102016208087B3 (de) * | 2016-05-11 | 2017-05-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets |
CN106568738A (zh) * | 2016-10-31 | 2017-04-19 | 湖北省农业科学院果树茶叶研究所 | 一种近红外光谱快速判定不同质量等级茶鲜叶的方法 |
CN107014769A (zh) * | 2017-03-20 | 2017-08-04 | 南京林业大学 | 一种基于THz光谱分析的鲜肉K值快速无损检测模型 |
Non-Patent Citations (1)
Title |
---|
高俊峰等: "应用高光谱成像技术对打蜡苹果无损鉴别研究", 《光谱学与光谱分析》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azcarate et al. | Modeling excitation–emission fluorescence matrices with pattern recognition algorithms for classification of Argentine white wines according grape variety | |
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 | |
Sinelli et al. | Application of near (NIR) infrared and mid (MIR) infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity | |
Cozzolino et al. | Can spectroscopy geographically classify Sauvignon Blanc wines from Australia and New Zealand? | |
Gurdeniz et al. | Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data | |
Feng et al. | Preliminary study on classification of rice and detection of paraffin in the adulterated samples by Raman spectroscopy combined with multivariate analysis | |
CN101675332B (zh) | 预测可由原油得到的渣油的物理性能的方法 | |
CN102023137B (zh) | 一种白酒鉴别方法 | |
Kharbach et al. | Characterization and classification of PGI Moroccan Argan oils based on their FTIR fingerprints and chemical composition | |
Flumignan et al. | Screening Brazilian commercial gasoline quality by hydrogen nuclear magnetic resonance spectroscopic fingerprintings and pattern-recognition multivariate chemometric analysis | |
CN107862456A (zh) | 一种批次烟叶质量综合评价的方法 | |
CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
Forina et al. | Artificial nose, NIR and UV–visible spectroscopy for the characterisation of the PDO Chianti Classico olive oil | |
US20170363540A1 (en) | Characterization of crude oil by near infrared spectroscopy | |
CN104502320A (zh) | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 | |
Aleme et al. | Diesel oil discrimination by origin and type using physicochemical properties and multivariate analysis | |
De Girolamo et al. | Detection of durum wheat pasta adulteration with common wheat by infrared spectroscopy and chemometrics: A case study | |
Condurso et al. | Characterization and ageing monitoring of Marsala dessert wines by a rapid FTIR-ATR method coupled with multivariate analysis | |
da Costa et al. | Characterization of Cabernet Sauvignon wines from California: Determination of origin based on ICP-MS analysis and machine learning techniques | |
Magdas et al. | Fruit spirits fingerprint pointed out through artificial intelligence and FT-Raman spectroscopy | |
Flumignan et al. | Screening Brazilian C gasoline quality: Application of the SIMCA chemometric method to gas chromatographic data | |
CN108344701A (zh) | 基于高光谱技术的石蜡等级定性分类与定量回归方法 | |
CN109086254A (zh) | 基于高光谱技术石蜡内部组分综合等级评定 | |
CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
Shen et al. | Discrimination of blended Chinese rice wine ages based on near-infrared spectroscopy |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |