CN111175243B - 一种光谱区间快速选择方法及系统 - Google Patents
一种光谱区间快速选择方法及系统 Download PDFInfo
- Publication number
- CN111175243B CN111175243B CN201911403797.9A CN201911403797A CN111175243B CN 111175243 B CN111175243 B CN 111175243B CN 201911403797 A CN201911403797 A CN 201911403797A CN 111175243 B CN111175243 B CN 111175243B
- Authority
- CN
- China
- Prior art keywords
- family
- spectrum
- interval
- objective function
- function value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 title claims description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 165
- 230000035772 mutation Effects 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 abstract description 10
- 238000010187 selection method Methods 0.000 abstract description 3
- 238000002329 infrared spectrum Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开一种光谱区间快速选择方法及系统,属于近红外光谱分析技术领域,现有技术在对于光谱分区数较大时,光谱区间选择速度较慢,精度较低的问题。一种光谱区间快速选择方法及系统,将光谱划分成N个光谱区间,并进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;获取群体中的每个家族的目标函数值,根据其大小,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;重复形成新的群体,直至达到设定变异次数为止,得到最佳光谱区间编码,从而获取最佳光谱区间。提高了在光谱分区数较大时,光谱区间选择的速度和精度。
Description
技术领域
本发明涉及近红外光谱分析技术领域,尤其是涉及种光谱区间快速选择方法及系统。
背景技术
常用的光谱区间选择方法有均匀排序法、遗传算法等,但是这些方法对于光谱分区数较大的时候,光谱区间选择计算速度都不够快,精度也不够高,达不到实际需求。
发明内容
本发明的目的在于至少克服上述一种技术不足,提出一种光谱区间快速选择方法及系统。
一方面,本发明提供了一种光谱区间快速选择方法,包括以下步骤:
步骤S1、将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
步骤S2、获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
步骤S3、对新的群体重复执行步骤S2,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数。
进一步地,所述将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
进一步地,所述获取群体中的每个家族的目标函数值,具体包括,利用偏最小二乘法计算每个家族的目标函数值,
进一步地,所述根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
进一步地,所述根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
另一方面,本发明还提供了一种光谱区间快速选择系统,包括光谱区间划分及编码模块、新群体生成模块和最佳光谱区间确定模块;
所述光谱区间划分及编码模块,用于将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
所述新群体生成模块,用于获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
所述最佳光谱区间编码确定模块,用于使新群体生成模块重复执行,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数。
进一步地,所述光谱区间划分及编码模块,将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
进一步地,所述新群体生成模块,获取群体中的每个家族的目标函数值,具体包括,利用偏最小二乘法计算每个家族的目标函数值,
进一步地,所述新群体生成模块,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
进一步地,所述新群体生成模块,根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
与现有技术相比,本发明的有益效果包括:通过将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;重新形成新的群体,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;提高了在光谱分区数较大时,光谱区间选择的速度和精度。
附图说明
图1是本发明实施例1所述的光谱区间快速选择方法的流程示意图;
图2是本发明实施例1所述的光谱区间划分示意图;
图3是本发明实施例1所述的倒向变异的示意图;
图4是本发明实施例1所述的光谱分区及平均计算时间对比图;
图5是本发明实施例1所述的光谱分区及均方根误差对比图。
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
本发明实施例提供了一种光谱区间快速选择方法,其流程示意图,如图1所示,所述光谱区间快速选择方法,包括以下步骤:
步骤S1、将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
步骤S2、获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
步骤S3、对新的群体重复执行步骤S2,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数。
需要说明的是,所述设定变异次数为迭代次数,可以通过实际情况进行调整,例如取5~20之间;
优选的,将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
具体实施时,编码为1的区间为有效光谱区间即被选中参与后续关于光谱区间的建模,编码为0的区间为无效光谱区间,不参与后续关于光谱区间的建模;可选,5≤m≤50;
一个具体实施,一个光谱等分成20个光谱区间,即N=20,对20个光谱区间的随机编码,组成的家族,光谱区间划分示意图,如图2所示,图2中,上图为一个家族中的光谱区间编码,下图为对应的光谱区间编号。
优选的,获取群体中的每个家族的目标函数值,具体包括,利用偏最小二乘法计算每个家族的目标函数值,
其中,性质校正模型可为偏最小二乘法等模型方法;样品光谱的数量即为参与后续建模的光谱数量,例如60个,这60个样品光谱的光谱区间编码相同;样品光谱的性质测量值,可通过实验测试得到。
优选的,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
具体实施时,根据排队次序对每个家族分配变异次数,排队越靠前,变异次数越少,越往后变异次数越多,例如,排序在第1位的家族变异的次数为1,排在第m位(末位)的家族变异的次数为m;当产生的随机数小于变异的概率时候发生变异,变异策略为倒向变异,随机产生两个1~N之间的数字(N为光谱分区数),交换家族内两个数字之间的编码,倒向变异的示意图,如图3所示;
比较每个家族变异前后的目标函数值,例如,每次变异前的家族记为np,目标函数值为fp,经过一次变异后的家族记为nl,目标函数值为fl;如果fp≤fl,则将np作为家族的后代,如果fp>fl,则将nl作为家族的后代;
优选的,所述根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
具体实施时,根据得到的最佳光谱区间建立性质预测模型,通过将光谱区间快速选择方法(偏最小二乘列队竞争方法)与向前区间偏最小二乘算法对比,得到光谱分区及平均计算时间对比图,如图4所示,得到光谱分区及均方根误差对比图,如图5所示;可见本发明提供的技术方案在光谱分区数较大(例如,光谱分区数大于15)的时候计算速度快,计算精度高。
实施例2
本发明实施例还提供了一种光谱区间快速选择系统,包括光谱区间划分及编码模块、新群体生成模块和最佳光谱区间确定模块;
所述光谱区间划分及编码模块,用于将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
所述新群体生成模块,用于获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
所述最佳光谱区间编码确定模块,用于使新群体生成模块重复执行,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数。
进一步地,所述光谱区间划分及编码模块,将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
进一步地,所述新群体生成模块,获取群体中的每个家族的目标函数值,具体包括,利用偏最小二乘法计算每个家族的目标函数值,
优选的,所述新群体生成模块,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
优选的,所述新群体生成模块,根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
本发明公开了一种光谱区间快速选择方法及系统,通过将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;重新形成新的群体,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;提高了在光谱分区数较大时,光谱区间选择的速度和精度。
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 (8)
1.一种光谱区间快速选择方法,其特征在于,包括以下步骤:
步骤S1、将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
步骤S2、获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
步骤S3、对新的群体重复执行步骤S2,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数;
所述根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
2.根据权利要求1所述的光谱区间快速选择方法,其特征在于,所述将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
4.根据权利要求1所述的光谱区间快速选择方法,其特征在于,所述根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
5.一种光谱区间快速选择系统,其特征在于,包括光谱区间划分及编码模块、新群体生成模块和最佳光谱区间确定模块;
所述光谱区间划分及编码模块,用于将光谱划分成N个光谱区间,将所述N个光谱区间分别进行随机编码,以N个经编码的光谱区间组成一个家族,以m个家族形成群体;
所述新群体生成模块,用于获取群体中的每个家族的目标函数值,根据每个家族的目标函数值的大小,从小到大对所有家族进行排列,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,根据家族变异前后的目标函数值确定相应家族的后代,以每个家族的后代形成新的群体;
所述最佳光谱区间确定模块,用于使新群体生成模块重复执行,直至达到设定变异次数为止,获取最新的群体中每个家族的目标函数值,以目标函数值最小的家族对应的光谱区间编码作为最佳光谱区间编码,根据最佳光谱区间编码获取最佳光谱区间;其中,N、m为正整数;
所述新群体生成模块,根据每一家族的排列次序,对每个家族的光谱区间编码进行变异,具体包括,对于每个家族,随机选择两个1~N之间的数字,交换家族内两个数字之间的编码,以实现一次倒向变异;家族排列次序的越前,对相应家族的光谱区间编码进行倒向变异的次数越少。
6.根据权利要求5所述的光谱区间快速选择系统,其特征在于,所述光谱区间划分及编码模块,将所述N个光谱区间分别进行随机编码,具体包括,将所述N个光谱区间分别随机编码为1或者0,编码为1的光谱区间为有效光谱区间,编码为0的光谱区间为无效光谱区间。
8.根据权利要求5所述的光谱区间快速选择系统,其特征在于,所述新群体生成模块,根据家族变异前后的目标函数值确定相应家族的后代,具体包括,若家族变异前的目标函数值大于家族变异后的目标函数值,则以变异后的家族作为相应家族的后代,否则,以变异前的家族作为相应家族的后代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403797.9A CN111175243B (zh) | 2019-12-31 | 2019-12-31 | 一种光谱区间快速选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403797.9A CN111175243B (zh) | 2019-12-31 | 2019-12-31 | 一种光谱区间快速选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175243A CN111175243A (zh) | 2020-05-19 |
CN111175243B true CN111175243B (zh) | 2023-03-31 |
Family
ID=70650595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911403797.9A Active CN111175243B (zh) | 2019-12-31 | 2019-12-31 | 一种光谱区间快速选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175243B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355850B (zh) * | 2021-12-28 | 2023-06-20 | 汉谷云智(武汉)科技有限公司 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773674A (zh) * | 2016-11-24 | 2017-05-31 | 武汉理工大学 | 一种延迟焦化过程多目标实时优化方法及系统 |
CN106971049A (zh) * | 2017-04-17 | 2017-07-21 | 武汉理工大学 | 一种催化裂化分离系统的新型多目标优化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
CN105136714B (zh) * | 2015-09-06 | 2017-10-10 | 河南工业大学 | 一种基于遗传算法的太赫兹光谱波长选择方法 |
CN106706551B (zh) * | 2016-12-05 | 2020-03-24 | 河南工业大学 | 基于差分进化的组氨酸太赫兹吸收谱波长选择方法及装置 |
CN108681697B (zh) * | 2018-04-28 | 2021-03-23 | 北京农业质量标准与检测技术研究中心 | 特征选择方法及装置 |
CN108898242B (zh) * | 2018-06-07 | 2021-07-27 | 汉谷云智(武汉)科技有限公司 | 一种多目标原油选购优化方法 |
-
2019
- 2019-12-31 CN CN201911403797.9A patent/CN111175243B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773674A (zh) * | 2016-11-24 | 2017-05-31 | 武汉理工大学 | 一种延迟焦化过程多目标实时优化方法及系统 |
CN106971049A (zh) * | 2017-04-17 | 2017-07-21 | 武汉理工大学 | 一种催化裂化分离系统的新型多目标优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111175243A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647262B (zh) | 一种面向敏捷卫星多目标任务规划的差分进化方法 | |
CN108595916B (zh) | 基于生成对抗网络的基因表达全谱推断方法 | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN105203565A (zh) | 一种能谱重叠峰解析方法 | |
CN111175243B (zh) | 一种光谱区间快速选择方法及系统 | |
CN110858805A (zh) | 小区网络流量预测方法及装置 | |
CN109558968B (zh) | 风电场出力相关性分析方法及装置 | |
Wang et al. | Modified algorithms for fast construction of optimal Latin-hypercube design | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
Pal | Wright–Fisher diffusion with negative mutation rates | |
CN116822743A (zh) | 一种基于两阶段分解重构与误差校正的风电功率预测方法 | |
CN116842439A (zh) | 一种基于模型的半导体质量预测方法 | |
CN111323847A (zh) | 用于为模拟集成算法确定权重比的方法和设备 | |
CN113128071B (zh) | 一种含光伏发电的发电系统可靠性评估方法 | |
Su et al. | The impact of incorporating molecular evolutionary model into predictions of phylogenetic signal and noise | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
CN112132259B (zh) | 神经网络模型输入参量降维方法及计算机可读存储介质 | |
CN114943866A (zh) | 基于进化神经网络结构搜索的图像分类方法 | |
CN114971325A (zh) | 一种电动工具转子关键质量特征集筛选方法 | |
CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 | |
CN107784197B (zh) | 一种pcr实验优化方法 | |
Karunasena et al. | Application of Graph Theory in DNA similarity analysis of Evolutionary Closed Species |
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 |