CN110987866A - 一种汽油性质评价方法及装置 - Google Patents
一种汽油性质评价方法及装置 Download PDFInfo
- Publication number
- CN110987866A CN110987866A CN201911315598.2A CN201911315598A CN110987866A CN 110987866 A CN110987866 A CN 110987866A CN 201911315598 A CN201911315598 A CN 201911315598A CN 110987866 A CN110987866 A CN 110987866A
- Authority
- CN
- China
- Prior art keywords
- spectral data
- gasoline
- unknown sample
- spectral
- type
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 159
- 230000000875 corresponding effect Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010238 partial least squares regression Methods 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 239000000523 sample Substances 0.000 description 50
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
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
本发明涉及汽油性质预测技术领域，公开了一种汽油性质评价方法，包括以下步骤：收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。本发明具有汽油性质预测评价耗时短、操作简单、实时性高、精度高的技术效果。
Description
技术领域
本发明涉及汽油性质预测技术领域，具体涉及一种汽油性质评价方法及装置。
背景技术
目前，汽油性质的确定一般采用传统的实验室分析化验实现，分析化验的方法耗时长，操作复杂，成本高，而且不能及时有效的为其他工艺操作提供分析数据，造成人力和资源的浪费。
发明内容
本发明的目的在于克服上述技术不足，提供一种汽油性质评价方法及装置，解决现有技术中汽油性质评价耗时长、操作复杂、实时性差的技术问题。
为达到上述技术目的，本发明的技术方案提供一种汽油性质评价方法，包括以下步骤：
收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；
对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；
获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；
采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述汽油性质评价方法。
本发明还提供一种汽油性质评价装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述汽油性质评价方法。
与现有技术相比，本发明的有益效果包括：本发明通过获取汽油样本的光谱数据建立性质预测模型，性质预测模型建立后，只需获取未知样本的光谱数据即可对未知样本进行性质预测评价，不需要进行化验分析，利用光谱分析获取未知样本的性质预测值，光谱分析技术的分析速度快、操作难度低、成本低、不破坏样本，为其他工艺快速操作提供了可能性。同时，本发明对光谱数据进行分类，针对每一类光谱数据建立与其相对应的性质预测模型，在对未知样本进行性质预测时，先判定位置样本的光谱数据的类别，再采用相应的性质预测模型进行预测，预测精度更高。
附图说明
图1是本发明提供的汽油性质评价方法一实施方式的流程图；
图2是本发明提供的性质预测模型建立后马氏距离检测异常点的效果图；
图3是本发明提供的性质预测模型建立后t检测异常点的效果图；
图4是本发明提供的对训练集中汽油样本的辛烷值进行预测的效果图；
图5是本发明提供的对测试集中未知样本的辛烷值进行预测的效果图；
图6是本发明提供的测试集中汽油样本的辛烷值预测值与实验值的对比图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
实施例1
如图1所示，本发明的实施例1提供了汽油性质评价方法，包括以下步骤：
S1、收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；
S2、对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；
S3、获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；
S4、采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。
本发明实施例首先建立训练集，训练集的选取，直接影响后续模型建立的准确性，因此，对于训练集的要求为：训练集囊括的组成成分应包含需要预测的未知样本所包含的所有化学成分；训练集中样本的性质变化范围大于使用模型进行分析的未知样本的性质变化范围；组分性质在整个变化范围内均匀分布；训练集中具有足够的样本数能统计确定光谱变量与性质之间的数学关系；训练集的性质必须通过现有标准或传统方法测得。
建立了训练集后，通过获取训练集内汽油样本的光谱数据建立性质预测模型，性质预测模型建立后，只需获取未知样本的光谱数据即可对未知样本进行性质预测评价，不需要进行化验分析，利用光谱分析获取未知样本的性质预测值，光谱分析技术的分析速度快、操作难度低、成本低、不破坏样本，为其他工艺快速操作提供了可能性。同时，本发明对光谱数据进行分类，针对每一类光谱数据建立与其相对应的性质预测模型，在对未知样本进行性质预测时，先判定位置样本的光谱数据的类别，再采用相应的性质预测模型进行预测，预测精度更高。可预测的汽油的性质值包括硫含量、氧含量、密度、馏程、烯烃含量、芳烃含量、苯含量、蒸气压、辛烷值等。
优选的，获取所述训练集内所有汽油样本的光谱数据，具体为：
采用近红外光谱分析仪对所述训练集内所有汽油样本进行光谱分析，得到所述光谱数据，并采用小波去噪法对所述光谱数据进行光滑处理。
优选的，采用小波去噪法对所述光谱数据进行光滑处理，具体为：
采用mallat算法对所述光谱数据进行小波分解，得到多层分解信号；
设定每一层所述分解信号对应的高频系数；
根据各层分解信号的高频系数对各层分解信号进行一维重构，得到光滑处理后的光谱数据。
近红外光谱分析仪测量的光谱数据中含有噪声，在进行性质预测模型训练之前，必须尽可能的去除噪声，本实施例采用小波去噪的方法。小波分解的高频系数的阈值量化选择软阈值或者硬阈值量化处理；根据小波分解的最后一层的低频系数和所有层的高频系数，进行一维重构，即可完成小波去噪过程。
优选的，对所述光谱数据进行分类，具体为：采用模糊聚类算法将所述光谱数据分成不同的类别；
采用模糊聚类算法将所述光谱数据分成不同的类别，具体为：
设定分类数、加权指数以及收敛门限；
设定初始隶属度矩阵：
0≤uij≤1
其中，uij为所述隶属度矩阵第i行第j列的元素，uij表示第j个汽油样本的光谱数据对第i类光谱数据的隶属度，i表示光谱数据的分类编号，j表示汽油样本编号，k即所述分类数，k也是所述隶属度矩阵的元素个数；
根据上一次迭代所计算的隶属度矩阵计算聚类中心：
其中，wi为聚类中心，n为汽油样本的数量，m为所述加权指数，xj为第j个汽油样本的光谱数据；
根据所述聚类中心对所述隶属度矩阵进行更新计算；
判断前后两次计算的隶属度矩阵的差值是否小于所述收敛门限，如果小于，则停止迭代并输出最后一次迭代计算的隶属度矩阵，否则对所述隶属度矩阵进行下一次迭代更新；
令所述隶属度矩阵的每列中最大的元素为1，其他元素为0,得到分类矩阵，根据所述分类矩阵对所述光谱数据进行分类。
将光滑处理之后的光谱数据采用模糊聚类算法分成不同的类别，然后根据不同类别的光谱数据建立不同的性质预测模型。针对不同类别的光谱数据分别建立性质预测模型，可以降低性质预测模型的复杂度，同时提高性质预测模型的准确性。
优选的，对所述光谱数据进行分类还包括：判断各所述光谱数据是否为离群点，剔除光谱数据中的离群点；
判断各所述光谱数据是否为离群点，具体为:
计算待判定光谱数据至其他光谱数据之间的距离：
dpo＝||p-o||
其中，d为待判定光谱数据p到光谱数据o之间的距离；
对所述距离进行排序，选择距离由小到大的第k个距离作为所述待判定光谱数据的K距离，记为disk(p)：
计算所述待判定光谱数据的K距离领域，所述K距离领域包括到所述待判定光谱数据的距离小于等于所述K距离的所有光谱数据；
分别计算所述待判定光谱数据相对于其他各光谱数据的可达距离：
reachpo＝max(disk(o),dpo)
其中，reachpo为所述可达距离，disk(o)为光谱数据o的K距离；
计算所述待判定光谱数据的局部可达密度：
其中，lrdk(p)为所述局部可达密度，Nk(p)为待判定光谱数据p的K距离领域；
计算所述待判定光谱数据的局部离群点因子：
其中，LOFk(p)为所述局部离群点因子，lrdk(o)为光谱数据o的局部可达密度；
判断所述局部离群点因子与1的差值是否小于设定阈值，如果小于，则所述待判定光谱数据不是离群点，否则所述待判定光谱数据是离群点。
采用离群点检测算法，剔除这些光谱数据中的离群点，如果对象p不是局部离群点，则LOFk(p)接近于1。相反，如果p是局部离群点，则LOFk(p)远离于1。通过这种比较方式就能准确发现离群点。
优选的，对所述光谱数据进行分类还包括：对所述光谱数据进行标准化处理；
对所述光谱数据进行标准化处理，具体为：
其中，x为标准化前的光谱数据，x*为标准化后的光谱数据，μ为期望，σ为方差。
因为不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理。
优选的，根据一类光谱数据建立相应的性质预测模型，具体为：
将光谱区域划分为多个等宽的波段，在每一所述波段上对一类光谱数据进行偏最小二乘回归建模，得到各所述波段的局部回归模型，计算各所述波段的局部回归模型的RMSECV值，取RMSECV值最小的局部回归模型为第一个入选模型，取RMSECV值最小的局部回归模型对应的波段为第一个入选波段；
将除已入选波段以外的其他波段分别与上一个入选波段进行联合，得到多个联合波段，在每一所述联合波段上对所述类的光谱数据进行偏最小二乘回归建模，得到各所述联合波段的局部回归模型，取RMSECV值最小的局部回归模型为下一个入选模型，取RMSECV值最小的局部回归模型对应的联合波段为下一个入选波段；
判断是否所有波段均联合完成，如果是，则输出RMSECV值最小的入选模型对应的入选波段作为最佳区间，否则转上一步进行下一次的波段联合；
在所述最佳区间上，采用遗传算法，以RMSECV值的倒数为适应度函数，再次进行筛选，得到筛选后的最佳区间；
在筛选后的最佳区间上对所述类的光谱数据进行偏最小二乘回归建模，得到所述类的光谱数据相应的性质预测模型。
对不同种类的光谱数据分别采用向前区间偏最小二乘算法和遗传算法建立性质预测模型。建立模型时，需要考虑光谱区间，光谱区间的选择决定着参与拟合的变量数。因此本实施例首先获取最佳区间，然后在最佳区间上建立性质预测模型。
计算RMSECV值，具体为：
其中，RMSECV为RMSECV值，n为第k类光谱数据对应的汽油样本数量；yi为第k类光谱数据对应的汽油样本中第a个汽油样本的性质测量值，
为第k类光谱数据对应的汽油样本中第a个汽油样本的性质预测值，
为根据局部回归模型或性质预测模型获取的性质预测值。
对建立好的性质预测模型还需要进行异常点检验，具体为：
计算每一所述汽油样本的浓度的马氏距离，如图2所示：
MD＝sT(SST)-1s
其中，MD为马氏距离，s为所述训练集的得分向量，sT为s的转置矩阵，S为所述训练集的得分矩阵，ST为S的转置矩阵；
判断MD>3m/n是否成立，n为训练集的汽油样本数量，m为主成分数量，如果是，则判定相应汽油样本为第一类异常点，并剔除第一类异常点；
采用t检测方法判断所述训练集中是否存在第二类异常点，检测结果如图3所示；
其中，tj第j个汽油样本的检测统计量，yj为第j个汽油样本的性质测量值，
为第j个汽油样本的性质预测值，MDj为第j个汽油样本的浓度的马氏距离，d为性质预测模型的自由度，d＝n-m-1，m为主成分数量，
为训练集中汽油样本的性质预测值；y为训练集中汽油样本的性质实际值；
查询t界值表中与所述自由度d相对应的界值，判断所述检测统计量ti是否小于所述自由度d相对应的界值，如果不小于，则判定第i个汽油样本为第二类异常点，并剔除第二类异常点。
剔除异常点之后，重新建立性质预测模型，直到异常点全部剔除为止，输出最后建立的性质预测模型。
优选的，判断所述未知样本的光谱数据所属的类别，具体为：
建立各类光谱数据的主成成分分析模型：
式中：Xk为第k类光谱数据对应的汽油样本的光谱数据矩阵，其大小为(n×p)；n为第k类光谱数据对应的汽油样本数量；p为波长变量数；Tk为得分矩阵，其大小为(n×f)；f为最佳主成分数，f通过交互验证方法确定；Pk为载荷矩阵，其大小为(p×f)；Ek为光谱残差矩阵，其大小为(n×p)；
计算各类光谱数据的光谱残差方差：
其中，s2为第k类光谱数据的光谱残差方差，
为为第k类光谱数据对应的汽油样本中第a个汽油样本在波长b处的光谱残差；
计算所述未知样本的光谱数据的光谱残差：
其中，
为所述未知样本的得分向量，
为所述未知样本的光谱残差，
为所述未知样本的光谱数据；
采用F显著检测方法，分别计算所述未知样本的光谱数据与每一类光谱数据的F统计量：
其中，F为所述F统计量，
为所述未知样本的光谱残差方差，s2为第k类光谱数据的光谱残差方差；
将所述F统计量与单边临界值进行比较，如果所述F统计量小于所述单边临界值，则所述未知样本属于对应种类光谱数据的性质预测模型，否则所述未知样本不属于对应种类光谱数据的性质预测模型；
如果所述未知样本不属于所述训练集中任何一类光谱数据，则将所述未知样本归于一个新类。
具体的，单边临界值为：
F0[α，(p-f),(n-f-1)(p-f)]
置信水平α一般取0.05或0.01。
对于聚类后的各个类别的光谱数据建立好性质预测模型后，针对未知样本性质预测的时候，需要进行分类，运用具体分类的性质预测模型来进行预测，分类算法采用SMICA。
选择好未知样本的类别后，可以使用分类的性质预测模型，对未知样本的性质进行预测。为验证本发明提供的评价方法的准确性，不仅对训练集中汽油样本进行了辛烷值的预测测试，同时还建立了训练集以外的测试集，对测试集中的未知样本进行预测评价其辛烷值，训练集中汽油样本的辛烷值预测结果如图4所示，测试集中未知样本的辛烷值预测结果如图5所示，并对测试集中未知样本进行检测试验检测其辛烷实验值，辛烷预测值与辛烷实验值的对比效果如图6所示。从图6中可以直观看出，本发明对汽油的性质预测准确度较高，具备很好的应用价值。
实施例2
本发明的实施例2提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时，实现以上实施例提供的汽油性质评价方法。
本发明实施例提供的计算机存储介质，用于实现汽油性质评价方法，因此，上述汽油性质评价方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了汽油性质评价装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现以上实施例提供的汽油性质评价方法。
本发明实施例提供的汽油性质评价装置，用于实现汽油性质评价方法，因此，上述汽油性质评价方法所具备的技术效果，汽油性质评价装置同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种汽油性质评价方法，其特征在于，包括以下步骤：
收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；
对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；
获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；
采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。
2.根据权利要求1所述的汽油性质评价方法，其特征在于，获取所述训练集内所有汽油样本的光谱数据，具体为：
采用近红外光谱分析仪对所述训练集内所有汽油样本进行光谱分析，得到所述光谱数据，并采用小波去噪法对所述光谱数据进行光滑处理。
3.根据权利要求2所述的汽油性质评价方法，其特征在于，采用小波去噪法对所述光谱数据进行光滑处理，具体为：
采用mallat算法对所述光谱数据进行小波分解，得到多层分解信号；
设定每一层所述分解信号对应的高频系数；
根据各层分解信号的高频系数对各层分解信号进行一维重构，得到光滑处理后的光谱数据。
4.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类，具体为：采用模糊聚类算法将所述光谱数据分成不同的类别；
采用模糊聚类算法将所述光谱数据分成不同的类别，具体为：
设定初始隶属度矩阵；
根据隶属度矩阵计算聚类中心；
根据所述聚类中心对所述隶属度矩阵进行更新计算；
判断前后两次计算的隶属度矩阵的差值是否小于收敛门限，如果小于，则停止迭代更新并输出最后一次更新的隶属度矩阵，否则对所述隶属度矩阵进行下一次迭代更新；
令所述隶属度矩阵的每列中最大的元素为1，其他元素为0,得到分类矩阵，根据所述分类矩阵对所述光谱数据进行分类。
5.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类还包括：判断各所述光谱数据是否为离群点，剔除光谱数据中的离群点；
判断各所述光谱数据是否为离群点，具体为:
计算待判定光谱数据至其他光谱数据之间的距离：
dpo＝||p-o||
其中，d为待判定光谱数据p到光谱数据o之间的距离；
对所述距离进行排序，选择距离由小到大的第k个距离作为所述待判定光谱数据的K距离，记为disk(p)：
计算所述待判定光谱数据的K距离领域，所述K距离领域包括到所述待判定光谱数据的距离小于等于所述K距离的所有光谱数据；
分别计算所述待判定光谱数据相对于其他各光谱数据的可达距离：
reachpo＝max(disk(o),dpo)
其中，reachpo为所述可达距离，disk(o)为光谱数据o的K距离；
计算所述待判定光谱数据的局部可达密度：
其中，lrdk(p)为所述局部可达密度，Nk(p)为待判定光谱数据p的K距离领域；
计算所述待判定光谱数据的局部离群点因子：
其中，LOFk(p)为所述局部离群点因子，lrdk(o)为光谱数据o的局部可达密度；
判断所述局部离群点因子与1的差值是否小于设定阈值，如果小于，则所述待判定光谱数据不是离群点，否则所述待判定光谱数据是离群点。
6.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类还包括：对所述光谱数据进行标准化处理。
7.根据权利要求1所述的汽油性质评价方法，其特征在于，根据一类光谱数据建立相应的性质预测模型，具体为：
将光谱区域划分为多个等宽的波段，在每一所述波段上对一类光谱数据进行偏最小二乘回归建模，得到各所述波段的局部回归模型，计算各所述波段的局部回归模型的RMSECV值，取RMSECV值最小的局部回归模型为第一个入选模型，取RMSECV值最小的局部回归模型对应的波段为第一个入选波段；
将除已入选波段以外的其他波段分别与上一个入选波段进行联合，得到多个联合波段，在每一所述联合波段上对所述类的光谱数据进行偏最小二乘回归建模，得到各所述联合波段的局部回归模型，取RMSECV值最小的局部回归模型为下一个入选模型，取RMSECV值最小的局部回归模型对应的联合波段为下一个入选波段；
判断是否所有波段均联合完成，如果是，则输出RMSECV值最小的入选模型对应的入选波段作为最佳区间，否则转上一步进行下一次的波段联合；
在所述最佳区间上，采用遗传算法，以RMSECV值的倒数为适应度函数，再次进行筛选，得到筛选后的最佳区间；
在筛选后的最佳区间上对所述类的光谱数据进行偏最小二乘回归建模，得到所述类的光谱数据相应的性质预测模型。
8.根据权利要求1所述的汽油性质评价方法，其特征在于，判断所述未知样本的光谱数据所属的类别，具体为：
建立各类光谱数据的主成成分分析模型：
式中：Xk为第k类光谱数据对应的汽油样本的光谱数据矩阵，其大小为(n×p)；n为第k类光谱数据对应的汽油样本数量；p为波长变量数；Tk为得分矩阵，其大小为(n×f)；f为最佳主成分数，f通过交互验证方法确定；Pk为载荷矩阵，其大小为(p×f)；Ek为光谱残差矩阵，其大小为(n×p)；
计算各类光谱数据的光谱残差方差：
其中，s2为第k类光谱数据的光谱残差方差，
为为第k类光谱数据对应的汽油样本中第a个汽油样本在波长b处的光谱残差；
计算所述未知样本的光谱数据的光谱残差：
其中，
为所述未知样本的得分向量，
为所述未知样本的光谱残差，
为所述未知样本的光谱数据；
采用F显著检测方法，分别计算所述未知样本的光谱数据与每一类光谱数据的F统计量：
其中，F为所述F统计量，
为所述未知样本的光谱残差方差，s2为第k类光谱数据的光谱残差方差；
将所述F统计量与单边临界值进行比较，如果所述F统计量小于所述单边临界值，则所述未知样本属于对应种类光谱数据的性质预测模型，否则所述未知样本不属于对应种类光谱数据的性质预测模型；
如果所述未知样本不属于所述训练集中任何一类光谱数据，则将所述未知样本归于一个新类。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的汽油性质评价方法。
10.一种汽油性质评价装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的汽油性质评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911315598.2A CN110987866A (zh) | 2019-12-19 | 2019-12-19 | 一种汽油性质评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911315598.2A CN110987866A (zh) | 2019-12-19 | 2019-12-19 | 一种汽油性质评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110987866A true CN110987866A (zh) | 2020-04-10 |
Family
ID=70095873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911315598.2A Pending CN110987866A (zh) | 2019-12-19 | 2019-12-19 | 一种汽油性质评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110987866A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111721513A (zh) * | 2020-06-10 | 2020-09-29 | 山东交通学院 | 一种船舶柴油机磨损的分析方法 |
| CN113702328A (zh) * | 2021-08-20 | 2021-11-26 | 广东省惠州市石油产品质量监督检验中心 | 一种成品油的性质分析方法、装置、设备及存储介质 |
| CN117591905A (zh) * | 2024-01-19 | 2024-02-23 | 山东鲁港福友药业有限公司 | 基于高光谱特征的猪肉安全性检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251471A (zh) * | 2008-03-12 | 2008-08-27 | 湖南中烟工业有限责任公司 | 一种基于烟叶近红外光谱的相似烟叶搜索方法 |
| CN103048273A (zh) * | 2012-11-09 | 2013-04-17 | 江苏大学 | 基于模糊聚类的水果近红外光谱分类方法 |
| CN105181650A (zh) * | 2015-10-08 | 2015-12-23 | 滁州职业技术学院 | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 |
| CN105825231A (zh) * | 2016-03-15 | 2016-08-03 | 浙江工业大学 | 一种基于人工智能的空间碎片光谱特征分类方法 |
| CN105911016A (zh) * | 2016-04-06 | 2016-08-31 | 南京富岛信息工程有限公司 | 一种原油光谱性质的非线性建模方法 |
| CN105954223A (zh) * | 2016-04-28 | 2016-09-21 | 南京富岛信息工程有限公司 | 一种提高汽油性质预测精度的方法 |
| CN106770018A (zh) * | 2017-02-22 | 2017-05-31 | 西安景辉信息科技有限公司 | 近红外光谱快速测定油料种类的方法 |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| CN109685099A (zh) * | 2018-11-12 | 2019-04-26 | 江苏大学 | 一种光谱波段优选模糊聚类的苹果品种辨别方法 |
| CN114088659A (zh) * | 2021-10-09 | 2022-02-25 | 池明旻 | 织物纤维成分的异常近红外光谱波形检测方法 |
-
2019
- 2019-12-19 CN CN201911315598.2A patent/CN110987866A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251471A (zh) * | 2008-03-12 | 2008-08-27 | 湖南中烟工业有限责任公司 | 一种基于烟叶近红外光谱的相似烟叶搜索方法 |
| CN103048273A (zh) * | 2012-11-09 | 2013-04-17 | 江苏大学 | 基于模糊聚类的水果近红外光谱分类方法 |
| CN105181650A (zh) * | 2015-10-08 | 2015-12-23 | 滁州职业技术学院 | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 |
| CN105825231A (zh) * | 2016-03-15 | 2016-08-03 | 浙江工业大学 | 一种基于人工智能的空间碎片光谱特征分类方法 |
| CN105911016A (zh) * | 2016-04-06 | 2016-08-31 | 南京富岛信息工程有限公司 | 一种原油光谱性质的非线性建模方法 |
| CN105954223A (zh) * | 2016-04-28 | 2016-09-21 | 南京富岛信息工程有限公司 | 一种提高汽油性质预测精度的方法 |
| CN106770018A (zh) * | 2017-02-22 | 2017-05-31 | 西安景辉信息科技有限公司 | 近红外光谱快速测定油料种类的方法 |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| CN109685099A (zh) * | 2018-11-12 | 2019-04-26 | 江苏大学 | 一种光谱波段优选模糊聚类的苹果品种辨别方法 |
| CN114088659A (zh) * | 2021-10-09 | 2022-02-25 | 池明旻 | 织物纤维成分的异常近红外光谱波形检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 夏勇: "聚类分析和离群点识别技术研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 谭峰等: "《基于光谱技术的寒地水稻瘟病害分析及机理研究》", 30 June 2016, 哈尔滨工程大学出版社 * |
| 龚梦龙: "中值滤波结合小波变换在光谱去噪中的应用", 《科技与创新》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111721513A (zh) * | 2020-06-10 | 2020-09-29 | 山东交通学院 | 一种船舶柴油机磨损的分析方法 |
| CN111721513B (zh) * | 2020-06-10 | 2022-04-29 | 山东交通学院 | 一种船舶柴油机磨损的分析方法 |
| CN113702328A (zh) * | 2021-08-20 | 2021-11-26 | 广东省惠州市石油产品质量监督检验中心 | 一种成品油的性质分析方法、装置、设备及存储介质 |
| CN113702328B (zh) * | 2021-08-20 | 2024-05-17 | 广东省惠州市石油产品质量监督检验中心 | 一种成品油的性质分析方法、装置、设备及存储介质 |
| CN117591905A (zh) * | 2024-01-19 | 2024-02-23 | 山东鲁港福友药业有限公司 | 基于高光谱特征的猪肉安全性检测方法 |
| CN117591905B (zh) * | 2024-01-19 | 2024-04-02 | 山东鲁港福友药业有限公司 | 基于高光谱特征的猪肉安全性检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8731839B2 (en) | Method and system for robust classification strategy for cancer detection from mass spectrometry data | |
| CN110987866A (zh) | 一种汽油性质评价方法及装置 | |
| CN109799269B (zh) | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 | |
| CN109543763B (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN111338972A (zh) | 基于机器学习的软件缺陷与复杂度关联关系分析方法 | |
| CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
| CN115452362A (zh) | 一种齿轮箱故障诊断方法 | |
| CN115420707A (zh) | 一种污水近红外光谱的化学需氧量评估方法及系统 | |
| CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| TWI428581B (zh) | 辨識光譜的方法 | |
| CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
| CN111122469A (zh) | 火成岩中长石含量的确定方法 | |
| CN110097134B (zh) | 一种基于时间序列的机械故障早期诊断方法 | |
| CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
| CN112378942B (zh) | 一种基于核磁共振指纹图谱的白酒等级分类识别方法 | |
| CN111104950A (zh) | 基于神经网络的k-NN算法中k值预测方法及装置 | |
| CN111595805A (zh) | 一种可能性聚类的白菜农药残留定性分析方法 | |
| CN117093841B (zh) | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 | |
| CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及系统 | |
| CN112085342B (zh) | 农业投入品复合品质评价方法 | |
| CN113312988B (zh) | 信号特征筛选及降维方法及系统 | |
| CN115795225B (zh) | 一种近红外光谱校正集的筛选方法及装置 | |
| Jung et al. | A wavelet based random effect model for multiple sets of complicated functional data |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |