CN109886314A - 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 - Google Patents
一种基于pnn神经网络的餐厨废弃油检测方法及其装置 Download PDFInfo
- Publication number
- CN109886314A CN109886314A CN201910084361.1A CN201910084361A CN109886314A CN 109886314 A CN109886314 A CN 109886314A CN 201910084361 A CN201910084361 A CN 201910084361A CN 109886314 A CN109886314 A CN 109886314A
- Authority
- CN
- China
- Prior art keywords
- oil
- neural network
- weight
- sample
- vector
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 239000002253 acid Substances 0.000 claims abstract description 28
- 239000003921 oil Substances 0.000 claims description 112
- 238000012549 training Methods 0.000 claims description 54
- 239000000523 sample Substances 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 14
- 239000008157 edible vegetable oil Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000002860 competitive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 235000019198 oils Nutrition 0.000 description 85
- 239000000126 substance Substances 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 6
- 238000004587 chromatography analysis Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000000053 physical method Methods 0.000 description 4
- 239000004519 grease Substances 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 235000021190 leftovers Nutrition 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 235000019482 Palm oil Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 239000010495 camellia oil Substances 0.000 description 1
- 239000000828 canola oil Substances 0.000 description 1
- 235000019519 canola oil Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002540 palm oil Substances 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000008159 sesame oil Substances 0.000 description 1
- 235000011803 sesame oil Nutrition 0.000 description 1
- 239000003549 soybean oil Substances 0.000 description 1
- 235000012424 soybean oil Nutrition 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
Abstract
本发明公开了一种基于PNN神经网络的餐厨废弃油检测方法及其装置，以电导率检测为主，辅之以酸价值检测和折光率检测，最后利用PNN神经网络通过多权重处理方式来综合判断是否属于餐厨废弃油，有效的提高了检测的准确性。
Description
技术领域
本发明涉及一种用于餐厨废弃油检测的PNN神经网络训练方法及基于该网络的餐厨废弃油检测装置，属于餐厨废弃油检测领域。
背景技术
餐厨废弃油泛指生活中的劣质油，大致分为三类：一是狭义的餐厨废弃油，即将下水道中的油腻漂浮物或者将宾馆、酒楼的剩饭、剩菜，经过简单加工、提炼出的油；二是劣质猪肉、猪内脏、猪皮加工以及提炼后产出的油；三是用于油炸食品的油使用次数超过一定次数后，再被重复使用或往其中添加一些新油后重新使用的油。目前国内外对于餐厨废弃油检测的方法有化学方法和物理方法。
化学方法主要有酸性、油脂不饱和度等挥发性成分检测、重金属元素及胆固醇检测。酸检：当在合格食用油掺入餐厨废弃油，餐厨废弃油由于长时间暴露在空气中，油脂等成分过度氧化使得油的酸价值严重超标；重金属元素：利用餐厨废弃油在回收加工过程中受环境的影响，可能会掺杂进不同的重金属元素，这些元素成为检测的重要手段。因此通过化学方法验证相关指标即可检测油品是否含有餐厨废弃油。然而通过化学方法检测局限性较大，针对每项指标都要进行相应实验处理，尽管现在通过一定手段缩减了测试流程，但由于国家食品政策施压及相关检测技术的出现，不法分子有针对性的对餐厨废弃油的制造进行了相应改进与提高，使得化学检测的精度不高，有些方法不再适应。
物理方法主要有电导率检测、色谱法、折光率法等。电导率检测：餐厨废弃油常含有一些可溶的离子并存在导电性，使餐厨废弃油电导率远高于合格食用植物油；色谱法检测：餐厨废弃油中存在精炼过程中无法除去的醛类、多环芳烃等极性物质，这些成分与油脂的扩散速率的不同，通过色谱法可以检测出其存在的极性物质，从而判断是否为餐厨废弃油。折光率法：食用油和餐厨废弃油混合后，折光率数值会介于两者之间，通常可以用阿贝折射仪测定，这可以作为鉴别餐厨废弃油与合格油是否掺杂的一种方法。在物理方法中，电导率的测定仍然作为检测餐厨废弃油的关键参数，而色谱法对于加工精炼的餐厨废弃油进行检测效果一般。
综上所述，已有的化学方法和物理方法大多只能独立的检测相应的指标参数，且有些参数必须依赖特殊环境如实验室才能进行检测，在一定程度上效率较低。
发明内容
发明目的：本发明为了克服当今对餐厨废弃油检测中有些指标系数依赖实验室环境测量，测量数据单一独立，无法整合参考及误差较大等缺点，本发明采用了一种用于餐厨废弃油检测的PNN神经网络训练方法及基于该网络的餐厨废弃油检测装置，以电导率检测为主，辅之以酸价值检测和折光率检测，最后利用PNN神经网络通过多权重处理方式来综合判断是否属于餐厨废弃油，有效的提高了检测的准确性。
本发明公开了一种基于PNN神经网络的餐厨废弃油检测方法，包括以下步骤：
S1：准备油样，分为合格油、非合格油和掺杂油；所述合格油为市面上标准食用油，所述非合格油为合格油使用后的废弃油，所述掺杂油为按已知质量百分比将非合格油与合格油掺杂得到；
S2：获取S1中各油样的电导率、酸价值和折光率；
S3：将S1中的油样分成两份，包括训练集和测试集；
S4：构建PNN神经网络，并采用S3中的训练集得到最优分类结构，采用测试集测试该神经网络，得到其准确率；
S5：输入未知油样，测得该未知油样的电导率、酸价值和折光率，通过S4得到的神经网络，判断该未知油样是否为餐厨废弃油；
其中，在S4中，调整电导率、酸价值和折光率的训练权重对PNN神经网络进行训练。
进一步的，PNN神经网络中训练权重从大到小依次为：电导率、酸价值和折光率。
进一步的，所述S4中的PNN神经网络的训练包括：
S4-1：PNN神经网络的隐含层内置权值IW，计算输入样本向量与权值的距离，并通过径向基函数网络输出距离向量；
S4-2：PNN神经网络的输出层内置期望输出向量LW，通过期望输出向量LW与来自隐含层输出的实际的距离向量进行比较得到偏差信号，该偏差信号反馈至隐含层进行权值IW调整，得到最小偏差对应的权值IW为最终权值；
S4-3：PNN神经网络接收每个样本训练得到的输出距离向量，通过内置的竞争传递函数进行输出。
进一步的，所述权值IW的初始值为输入样本向量的转置矩阵。
进一步的，所述S4-3中，每个样本训练得到的输出距离向量依据Parzen方法来求和估计各类的概率，通过compet竞争传递函数的计算，较大的元素取1，其他元素取0。
进一步的，所述S4-3中竞争输出采用ind2vec函数和vec2ind函数进行矩阵和索引的转换来实现。
本发明还公开了一种基于PNN神经网络的餐厨废弃油检测装置，包括用于检测电导率的电导率检测仪、用于检测折光率的折光率检测仪、用于检测酸价值的酸价检测仪、单片机控制器、上位机、用来存放检测油样的槽孔和配合酸价检测仪工作的酸价值检测仪探头；
所述电导率检测仪、折光率检测仪和酸价检测仪的检测数据通过单片机控制器送至上位机，通过上位机的PNN神经网络进行识别分类。
进一步的，所述PNN神经网络包括输入层、隐含层和输出层；
所述输入层，负责输入样本向量；
所述隐含层，内置权值IW，负责计算输入样本向量与权值IW的距离，通过传递函数输出距离向量；
所述输出层，内设有期望输出向量LW，通过将隐含层输出的距离向量与期望输出向量LW进行比较，得到偏差信号，该偏差信号反馈给隐含层，对权值IW进行调整，得到最小偏差信号；
所述输出层采用竞争输出，在训练过程中每个样本训练得到的距离向量传递到输出层，通过compet竞争传递函数的计算，较大的元素取1，其他元素取0，最后仅有一个神经元竞争获胜，即为对输入模式的分类。
有益效果：本发明与现有技术相比，本发明具有以下优点：
1.PNN神经网络多权重训练，整合多个参数指标，通过设置权重比重，相较于目前仅利用神经网络进行单一参数训练，其准确性大大提高。
2.具有很强的容错性，通过定量的训练，将不同指标同时比对，保证检测的正确率，克服现在指标检测的单一性。
3.训练容易，扩充性能好，适用于种类鉴别。
附图说明
图1：本发明的餐厨废弃油检测装置图；
图2：上位机主流程图；
图3：下位机主流程图；
图4：PNN神经网络多权重训练简化结构图；
图5：PNN神经网络训练流程图。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
本发明主要介绍的就是上位机进行PNN神经网络多权重训练检测的方法。该方法就是通过未知油的多个检测参数与已训练PNN神经网络的结果进行比较，最后用竞争输出的方式得到测试结果。PNN神经网络实质上是贝叶斯最小风险准则发展而来的并行算法，是径向基网络的一个分支，属于前馈网络的一种，该神经网络既有统计分类的功能，又不受多元正态分布等条件的限制，易于训练，适用于种类鉴别，更重要的是可实时检测。
PNN神经网络训练构建模型，PNN神经网络分为以下四层：输入层，隐含层，输出层(也可分为输出层，隐含层和输出层)。输入层负责将特征向量传入网络。隐含层通过连接权值与输入层连接，计算输入特征向量与训练集中各个模式的相似度，隐含层神经元与输入样本矢量相同，输出层与其他神经网络不同的是采用竞争输出代替线性输出，通过竞争传递函数为概率最大的元素对应输出1，否则为0，从而进行种类划分。
如图1所示的一种基于PNN神经网络多权重训练的餐厨废弃油检测装置，该装置包括电导率检测仪3，折光率检测仪6，酸价检测仪7，单片机控制器2、上位机4、用来存放检测油样的槽孔1、电导率检测仪5和酸价值检测仪探头8。各检测仪将数据传到单片机控制器2，单片机控制器2将检测的参数送到上位机4进行神经网络多权重训练。所用单片机控制器2为MSP430单片机，在其最低耗的情况下工作，系统上电开始工作，单片机控制器2首先进行初始化设置，同时开始采集检测数据并传递到上位机进行神经网络训练。根据不同的特征参数在不同权重的情况下通过神经网络自动分类，完成训练。检测未知油时，收集测量的参数，输送到上位机。上位机通过训练好的神经网络将已有的样本与测量样本比较，得到最大概率的值判断检测油是否为餐厨废弃油，并反馈给下位机。
在本发明中最为重要的就是PNN神经网络的构建、多权重训练和测试。接下来将从PNN神经网络多权重训练的隐含层结构和训练流程进行详细说明。
图4为神经网络多权重训练的局部简化结构图，图5为神经网络训练的流程图。和其他神经网络一样，PNN神经网络也分为输入层、隐含层和输出层(也可分为输出层，隐含层和输出层)。输入层负责输入样本变量，并不参与实质性的运算，样本变量输入到隐含层，隐含层通过连接权值与输入层连接，计算输入特征向量与训练集中各个模式的相似度，隐含层神经元与输入样本矢量相同，权值IW初始值为输入样本向量的转置矩阵，其值随着神经网络的训练不断调整从而找到最优的分类面。权值IW由dist函数进行运算，dist函数为欧几里得距离权函数，用来计算高维空间两点的距离，在这里计算输入样本向量与权值的距离。隐含层网络为径向基函数网络，目的在于把原来线性不可分的样本通过某种非线性变换映射到最合适的高位特征空间，得到与期望向量 LW{2,1}最接近的距离向量，且径向基函数网络逼近能力，分类能力和速度等方面与BP 网络相比较优，采用径向基函数作为传递函数，这里采用高斯函数作为传递函数
式中lg表示g类的数量，n表示特征个数，Xij表示g类的第i个神经元的第j个数据。
输出向量为距离向量，传递至输出层。输出层中存在一个期望输出向量LW，即下一层的权值，期望输出向量与输出的实际距离向量进行比较，产生偏差信号b，这个值反映了实际值与期望值的差距，然后通过偏差信号b来调整神经网络中的IW的值，由不同的训练样本进行训练调整训练，从而找到与期望向量相对应的最小误差，使得实际值与期望值之间最接近，达到训练分类的最优选择，同时也表示了这种训练方法判决条件是最小误差准则。训练完成后将得到的最小误差对应的权值IW确定为最终权值。在训练过程中每个样本训练得到的距离向量传递到输出层的竞争输出函数compet。
PNN的输出层采用竞争输出代替线性输出，各神经元只依据Parzen方法来求和估计各类的概率，通过compet竞争传递函数的计算，较大的元素取1，其他元素取0，这里竞争输出实现方式用ind2vec函数和vec2ind函数进行矩阵和索引的转换来实现，最后仅有一个神经元竞争获胜，即表示对输入模式的分类，从而实现神经网络的训练。
本发明基于PNN神经网络的餐厨废弃油检测方法，具体包括以下步骤：
S1：准备油样，分为合格油和非合格油。合格油采用粟米油、花生油、火麻油、玉米油、橄榄油、山茶油、棕榈油、芥花子油、葵花子油、大豆油等市面上标准食用油；非合格油则采用合格油使用后的废弃油作为纯餐厨废弃油类，其中再将餐厨废弃油按 10％、20％、30％、40％、50％、60％、70％、80％、90％的含量掺入合格食用油中作为非合格油中的掺杂油。将分好的油使用相关检测仪测量其电导率、酸价值和折光率。
S2：将数据送入上位机，通过软件操作将油样划分为两份，一份用来训练，一份用来测试，训练油样的数据传输后，由上述方法构建模型经过神经网络训练，找到最优的分类结构，再由测试油样组成测试样本进入神经网络检测，用来测试构建的神经网络，证明其准确率。
在S2中，最重要一点就是利用神经网络的多权重处理方式。传输的数据为电导率、酸价值和折光率。其中电导率和酸价值在合格食用油和餐厨废弃油中含量差值较大，检测数据区别合格油和餐厨废弃油范围明显，而折光率的数据则区别不大。根据阿贝折射仪检测的数据显示：餐厨废弃油的折光率普遍小于等于1.455，合格食用油的折光率普遍大于等于1.465。两者划分差距仅为0.01个折光率单位，且其受温度影响。在这种细微差距的情况下，本方法利用PNN神经网络在隐含层对其进行最优处理，通过大量的油样样本进入神经网络训练，在隐含层中经过径向基函数网络后，神经网络会形成多个分类指标，对于差别较小的折光率来说，最初形成的分类区间并不能将所有的折光率都划入正确范围，因此可以通过软件手段降低折光率在神经网络中的权重，再通过神经网络训练调整，达到一种最优的分类标准。总的来说，就是利用神经网络中的权重处理不好区分的数据。神经网络中训练权重最大为电导率，其次为酸价值，最后软件设置折光率为最小权重，前两项检测后在进行第三特征分类上则不占据太大的比重，解决了差距较小数据对总体检测的误差问题，从而是检测的结果更为精确。
S3：神经网络多权重训练测试后，将未知的油用该装置进行检测，得到未知油是否为餐厨废弃油。
Claims (8)
1.一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：包括以下步骤：
S1：准备油样，分为合格油、非合格油和掺杂油；所述合格油为市面上标准食用油，所述非合格油为合格油使用后的废弃油，所述掺杂油为按已知质量百分比将非合格油与合格油掺杂得到；
S2：获取S1中各油样的电导率、酸价值和折光率；
S3：将S1中的油样分成两份，包括训练集和测试集；
S4：构建PNN神经网络，并采用S3中的训练集得到最优分类结构，采用测试集测试该神经网络，得到其准确率；
S5：输入未知油样，测得该未知油样的电导率、酸价值和折光率，通过S4得到的神经网络，判断该未知油样是否为餐厨废弃油；
其中，在S4中，调整电导率、酸价值和折光率的训练权重对PNN神经网络进行训练。
2.根据权利要求1所述的一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：PNN神经网络中训练权重从大到小依次为：电导率、酸价值和折光率。
3.根据权利要求1所述的一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：所述S4中的PNN神经网络的训练包括：
S4-1：PNN神经网络的隐含层内置权值IW，计算输入样本向量与权值的距离，并通过径向基函数网络输出距离向量；
S4-2：PNN神经网络的输出层内置期望输出向量LW，通过期望输出向量LW与来自隐含层输出的实际的距离向量进行比较得到偏差信号，该偏差信号反馈至隐含层进行权值IW调整，得到最小偏差对应的权值IW为最终权值；
S4-3：PNN神经网络接收每个样本训练得到的输出距离向量，通过内置的竞争传递函数进行输出。
4.根据权利要求3所述的一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：所述权值IW的初始值为输入样本向量的转置矩阵。
5.根据权利要求3所述的一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：所述S4-3中，每个样本训练得到的输出距离向量依据Parzen方法来求和估计各类油样的概率，通过compet竞争传递函数的计算，较大的元素取1，其他元素取0。
6.根据权利要求5所述的一种基于PNN神经网络的餐厨废弃油检测方法，其特征在于：所述S4-3中竞争输出采用ind2vec函数和vec2ind函数进行矩阵和索引的转换来实现。
7.一种基于PNN神经网络的餐厨废弃油检测装置，其特征在于：包括用于检测电导率的电导率检测仪、用于检测折光率的折光率检测仪、用于检测酸价值的酸价检测仪、单片机控制器、上位机、用来存放检测油样的槽孔和配合酸价检测仪工作的酸价值检测仪探头；
所述电导率检测仪、折光率检测仪和酸价检测仪的检测数据通过单片机控制器送至上位机，通过上位机的PNN神经网络进行识别分类。
8.根据权利要求7所述的一种基于PNN神经网络的餐厨废弃油检测装置，其特征在于：所述PNN神经网络包括输入层、隐含层和输出层；
所述输入层，负责输入样本向量；
所述隐含层，内置权值IW，负责计算输入样本向量与权值IW的距离，通过传递函数输出距离向量；
所述输出层，内设有期望输出向量LW，通过将隐含层输出的距离向量与期望输出向量LW进行比较，得到偏差信号，该偏差信号反馈给隐含层，对权值IW进行调整，得到最小偏差信号；
所述输出层采用竞争输出，在训练过程中每个样本训练得到的距离向量传递到输出层，通过compet竞争传递函数的计算，较大的元素取1，其他元素取0，最后仅有一个神经元竞争获胜，为对输入模式的分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084361.1A CN109886314B (zh) | 2019-01-29 | 2019-01-29 | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084361.1A CN109886314B (zh) | 2019-01-29 | 2019-01-29 | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886314A true CN109886314A (zh) | 2019-06-14 |
| CN109886314B CN109886314B (zh) | 2023-09-22 |
Family
ID=66927184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910084361.1A Active CN109886314B (zh) | 2019-01-29 | 2019-01-29 | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886314B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539302A (zh) * | 2020-04-20 | 2020-08-14 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
| CN111881747A (zh) * | 2020-06-23 | 2020-11-03 | 北京三快在线科技有限公司 | 信息预估方法、装置，电子设备 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995392A (zh) * | 2010-11-15 | 2011-03-30 | 中华人民共和国上海出入境检验检疫局 | 快速检测橄榄油掺伪的方法 |
| CN104764837A (zh) * | 2014-01-08 | 2015-07-08 | 中国科学院沈阳应用生态研究所 | 一种鉴别地沟油的方法 |
-
2019
- 2019-01-29 CN CN201910084361.1A patent/CN109886314B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995392A (zh) * | 2010-11-15 | 2011-03-30 | 中华人民共和国上海出入境检验检疫局 | 快速检测橄榄油掺伪的方法 |
| CN104764837A (zh) * | 2014-01-08 | 2015-07-08 | 中国科学院沈阳应用生态研究所 | 一种鉴别地沟油的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周志权等: "人工神经网络用于直接化学电离质谱分析食用油品质的研究", 《分析化学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539302A (zh) * | 2020-04-20 | 2020-08-14 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
| CN111539302B (zh) * | 2020-04-20 | 2022-09-09 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
| CN111881747A (zh) * | 2020-06-23 | 2020-11-03 | 北京三快在线科技有限公司 | 信息预估方法、装置，电子设备 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886314B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100520425C (zh) | 电力暂态信号小波分析后处理方法及其装置 | |
| CN106529090B (zh) | 一种航天电子类产品可靠性评估方法 | |
| CN109886314A (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
| CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
| CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
| CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
| CN105065085A (zh) | 一种多传感器信息融合的机油品质在线监测系统及其方法 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN108492043A (zh) | 一种基于聚类算法的电力用户负荷测算方法 | |
| CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
| CN108319739A (zh) | 一种混沌rbf神经网络汽油机进气流量预测方法 | |
| Wang et al. | Big data driven outlier detection for soybean straw near infrared spectroscopy | |
| CN110400231A (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
| CN105182141A (zh) | 变压器故障检测方法及系统 | |
| CN106405280B (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
| CN106595788B (zh) | 基于多参数耦合修正的大型泵站流量监测方法 | |
| CN106780108A (zh) | 一种基于改进证据推理融合的配电变压器状态评估方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| CN101339150A (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
| CN107085630B (zh) | 一种变压器油中溶解气体在线监测装置实用性分析方法 | |
| CN109884282A (zh) | 基于grnn神经网络的新型地沟油检测方法及其检测系统 | |
| Gao et al. | Physical fitness clustering analysis based on self-organizing feature maps network | |
| Yahui et al. | The gas regulator fault diagnosis based on PCA-RBF neural network | |
| CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190614 Assignee: Shanghai Yanqiao Information Technology Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2023980047724 Denomination of invention: A detection method and device for kitchen waste oil based on PNN neural network Granted publication date: 20230922 License type: Common License Record date: 20231121 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240422 Address after: Building 1, No. 3 Gutan Avenue, Economic Development Zone, Gaochun District, Nanjing City, Jiangsu Province, 211302 Patentee after: NANJING YUANKONG HEALTH TECHNOLOGY CO.,LTD. Country or region after: China Address before: 223005 A12-2, high tech Industrial Park, three East seven street, Hongze District, Huaian, Jiangsu (Hongze technology transfer center Hongze sub center) Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |