CN111370075A - 糖分含量的检测方法 - Google Patents
糖分含量的检测方法 Download PDFInfo
- Publication number
- CN111370075A CN111370075A CN202010144988.4A CN202010144988A CN111370075A CN 111370075 A CN111370075 A CN 111370075A CN 202010144988 A CN202010144988 A CN 202010144988A CN 111370075 A CN111370075 A CN 111370075A
- Authority
- CN
- China
- Prior art keywords
- sample
- sugar
- curve
- data model
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本申请提供一种糖分含量的检测方法,涉及糖分检测技术领域。所述糖分含量的检测方法,包括以下步骤:将变频输入小幅值正弦波扰动信号作用于待测样本,得到所述待测样本在交流阻抗图谱中的第一曲线;在数据库中获取与待测样本同类型的交流阻抗图谱、糖分检测数据模型和对应的预测样本;将第一曲线得到的数据,输入至糖分检测数据模型;根据所述糖分检测数据模型的输出值,得到所述待测样本的糖分含量。本申请所提供的糖分含量的检测方法对待测样本的样本无需进行预先处理,简化了检测工序。
Description
技术领域
本申请涉及糖分检测技术领域,具体而言,本申请涉及一种糖分含量的检测方法。
背景技术
糖是人们获取甜味的重要来源,糖类物质是多羟基(2个或以上)的醛类(Aldehyde)或酮类(Ketone)化合物,比如糖分,葡萄糖,以及果糖等。饮品中的糖分,一方面能够补充人体所需的能量,另一方面是影响口感的重要因素。
目前,快速测定含糖溶液,存在以下方法,利用红外光谱对糖度进行测试、通过采集固体样品反射的激光信号进行检测、使用旋光法对透明的糖溶液进行检测或者是使用色谱柱原理获取样品的指纹图谱进行检测等方法,但是这些检测方法都样品前处理过程复杂,无法实现实时原位检测,利用光信号的检测易受到干扰,对样品的溶液的状态要求较高等问题。
发明内容
为了降低检测前对样本处理的复杂程度和待测样本的状态要求,特提出以下技术方案:
本申请提供一种糖分含量的检测方法,其包括以下步骤:
将变频输入小幅值正弦波扰动信号作用于待测样本,得到所述待测样本在交流阻抗图谱中的第一曲线;
在数据库中获取与待测样本同类型的交流阻抗图谱、糖分检测数据模型和对应的预测样本;
将第一曲线得到的数据,输入至糖分检测数据模型;
根据所述糖分检测数据模型的输出值,得到所述待测样本的糖分含量。
在其中一个实施例中,所述将变频输入小幅值正弦波扰动信号作用于待测样本的步骤之前,还包括:
对已知糖分浓度的初始样本,并逐次加入等体积等浓度的糖分溶液作为预测样本,将多个预测样本建立数据库;
将变频输入小幅值正弦波扰动信号作用于每个预测样本,得到每个预测样本在交流阻抗图谱中的第二曲线;
根据所述第二曲线得到的数据,输入至所述糖分检测数据模型。
在其中一个实施例中,所述小幅值正弦波扰动信号为扰动电压信号;
所述得到每个预测样本在交流阻抗图谱中的第二曲线的步骤包括:
根据各个频率对应输入的小幅值正弦波扰动电压信号,得到每个预测样本对应的电阻和电抗;
分别以所述电阻和电抗作为所述交流阻抗图谱的实部和虚部,得到交流阻抗图谱;
对应一个预测样本,在所述交流阻抗图谱上各个频率的实部和虚部数据,得到该预测样本的对应第二曲线。
在其中一个实施例中,所述扰动电压信号为5mV,所述频率的调节范围为0.1-105Hz。
在其中一个实施例中,所述将变频输入小幅值正弦波扰动信号作用于每个预测样本的步骤,包括:
将单支20对电极的叉指电极放置于每个预测样本中,并根据设定大小的扰动电压信号;
在所述频率的调节范围内逐次增大频率的大小,作用于每个预测样本。
在其中一个实施例中,所述根据所述第二曲线得到的数据,输入至糖分检测数据模型的步骤之前,还包括:
利用BP神经网络进行建模,并得到糖分检测数据模型。
在其中一个实施例中,所述利用BP神经网络进行建模,并得到糖分检测数据模型的步骤,包括:
将部分预测样本的各个频率和对应的实部和虚部作为建模的输入量,将对应糖分浓度含量作为建模的输出量;
根据多个预测样本在交流阻抗图谱中的第二曲线的数据进行迭代,得到糖分检测数据模型。
在其中一个实施例中,所述根据多个预测样本在交流阻抗图谱中的第二曲线的数据进行迭代,得到糖分检测数据模型的步骤,包括:
利用交流阻抗图谱,得到连续若干个连续预测样本的第二曲线的数据,并逐一输入至糖分检测数据模型;
根据每次迭代所对应的预测样本的第二曲线的数据的方差的收敛情况,确定最佳测试次数。
在其中一个实施例中,所述得到连续若干个连续预测样本的第二曲线的数据的步骤,包括:
从初始样本开始获取连续若干个连续预测样本的第二曲线的数据。
在其中一个实施例中,所述根据第二曲线得到的数据,输入至所述糖分检测数据模型的步骤之后,还包括:
将未用于建模的预测样本的交流阻抗图谱中的第一曲线的数据输入至糖分检测数据模型,对预测样本的真实值与测试值之间的误差进行验证。
本申请所提供的糖分含量的检测方法,对待测样本的样本无需进行预先处理,简化了检测工序,而且对待测样本的样本状态要求不高,有利于提升该糖分含量的检测方法的适用性。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一个实施例所提供的糖分含量的检测方法的流程图;
图2为本申请另一个实施例所提供的糖分含量的检测方法的流程图;
图3为针对以橙汁作为初始样本所得到的交流阻抗图谱;
图4为本申请又一个实施例所提供的糖分含量的检测方法的流程图。
图5为本申请中对糖分检测数据模型建立和训练过程中,对应预测样本的糖分含量的方差的收敛趋势图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
参照图1,图1为本申请一个实施例所提供的糖分含量的检测方法的流程图。本申请所提供的一种糖分含量的检测方法,包括以下步骤:
S110、将变频输入小幅值正弦波扰动信号作用于待测样本,得到所述待测样本在交流阻抗图谱中的第一曲线;
S120、在数据库中获取与待测样本同类型的交流阻抗图谱、糖分检测数据模型和对应的预测样本;
S130、将第一曲线得到的数据,输入至糖分检测数据模型;
S140、根据所述糖分检测数据模型的输出值,得到所述待测样本的糖分含量。
在步骤S110至S140中,对待测样本输入变频的小幅值正弦波扰动信号,依据交流阻抗的原理,得到与待测样本对应的交流阻抗图谱。在该交流阻抗图谱中,不同频率对应不同的实部和虚部,由此,该待测样本的测试数据在交流阻抗图谱中,连接成第一曲线。
在本实施例中,所述小幅值正弦波扰动信号为扰动电压信号或者是扰动电流信号。
根据该待测样本的类型,得到对应类型的糖分检测数据模型和该糖分检测数据模型对应的预测样本。
然后,将该第一曲线的数据输入至糖分检测数据模型,根据该糖分检测数据模型的输出值,得到该待测样本的糖分含量。在本实施例中,在得到待测样本的糖分含量时,将该糖分含量对应的交流阻抗图谱的预测样本,对该待测样本糖分含量的检测结果进行验证。
本申请所提供的糖分含量的检测方法,利用交流阻抗的远离得到待测样本的交流阻抗图谱,并将从交流阻抗图谱的得到相应的曲线,将该曲线的数据输入至糖分检测数据模型得到该待测样本的糖分含量的检测结果。在本申请所提供的检测方案中,对待测样本的样本无需进行预先处理,简化了检测工序,而且对待测样本的样本状态要求不高,有利于提升该糖分含量的检测方法的适用性。
在本申请中,所述糖分可来源于常用甜味剂,如蔗糖、葡萄糖、果糖、麦芽糖或乳糖等。
参考图2,图2为本申请另一个实施例所提供的糖分含量的检测方法的流程图。
本申请所提供的糖分含量的检测方法,在步骤S110之前,还包括以下步骤:
S101、对已知糖分浓度的初始样本,并逐次加入等体积等浓度的糖分溶液作为预测样本,将多个预测样本建立数据库;
S102、将变频输入小幅值正弦波扰动信号作用于每个预测样本,得到每个预测样本在交流阻抗图谱中的第二曲线;
S103、根据所述第二曲线得到的数据,输入至所述糖分检测数据模型。
在步骤S101至S103中,在对待测样本进行检测之前,对应该检测溶液的同类型溶液建立对应的交流阻抗图谱。具体为,将已知糖分浓度的初始样本逐次加入等体积且等浓度的糖分溶液,叠加一次糖分溶液所得到的样本溶液为一个预测样本,而且每个预测样本的糖分浓度是已知的。并且,从上述操作中所得到的多个预测溶液的已知浓度建立数据库。
对于上述建立预测样本,进行举例说明:先使用某已知糖分浓度的橙汁作为初始样本,该初始样本的糖分浓度为3.81moL。然后量取25mL橙汁,向该定量的初始样本输入变频的小幅值正弦波扰动信号,并得到该初始样本对应的交流阻抗图谱。随后逐次往该初始样本加入262μL的糖分溶液,并计算得到每添加一次糖分溶液后样品的真实糖分浓度,并且,得到相应的交流阻抗图谱。而每添加一侧糖分溶液后样本为一个预测样本,在交流阻抗图谱中存在对应的第二曲线。获取多个预测样本所对应的第二曲线的数据,并将该数据输入至数据库中已存储的对应于该类型的糖分检测数据模型。以上述的所具的例子进行说明,对于上述所指的同类型,可以是同时同一种类的样本溶液,如橙汁;也可以是含有糖分成分的样本溶液。可以根据检测的实际需求进行选取。
在本实施例中,所述小幅值正弦波扰动信号为扰动电压信号。
对应地,步骤S102中的所述得到每个预测样本在交流阻抗图谱中的第二曲线的步骤包括:
S1、根据各个频率对应输入的小幅值正弦波扰动电压信号,得到每个预测样本对应的电阻和电抗;
S2、分别以所述电阻和电抗作为所述交流阻抗图谱的实部和虚部,得到交流阻抗图谱;
S3、对应一个预测样本,在所述交流阻抗图谱上各个频率的实部和虚部数据,得到该预测样本的对应第二曲线。
参照图3,图3为针对以橙汁作为初始样本所得到的交流阻抗图谱。
在步骤S1-S3中,在不同频率下,对每个预测样本输入小幅值正弦波扰动电压信号,得到对应预测样本对应每个频率的电阻和电抗。然后,分别以所述电阻和电抗作为该预测样本的交流阻抗图谱的实部和虚部,从而得到该预测溶液的交流阻抗图谱。每一个预测样本,在不同频率下输入小幅值正弦波扰动电压信号所得到的电阻和电抗均不同,因此,可以对应一个预测溶液,在交流阻抗图谱中,对应各个频率存在不同的实部和虚部,从而得到每个预测样本所对应的第二曲线。
在本实施例中,所述扰动电压信号为5mV,所述频率的调节范围为0.1-105Hz。该频率的调节范围可以是针对预测样本的交流阻抗图谱的分析,也可以对待测样本的检测过程。
对于步骤S102中的将变频输入小幅值正弦波扰动信号作用于每个预测样本的步骤,包括:
S11、将单支20对电极的叉指电极放置于每个预测样本中,并根据设定大小的扰动电压信号;
S12、在所述频率的调节范围内逐次增大频率的大小,作用于每个预测样本。
将20对电极组成的单支叉指电极放置于每个预测样本中,对每个预测样本输入设定大小的扰动电压信号。然后,在设定的频率的调节方位内逐步增大频率的大小,得到在不同频率的条件下,对应预测样本在交流阻抗图谱的实部和虚部。
参考图4,图4为本申请又一个实施例所提供的糖分含量的检测方法的流程图。
本申请中,在步骤S103之前,还包括:
S1030、利用BP神经网络进行建模,并得到糖分检测数据模型。
具体可进一步包括以下步骤:
S21、将部分预测样本的各个频率和对应的实部和虚部作为建模的输入量,将对应糖分浓度含量作为建模的输出量;
S22、根据多个预测样本在交流阻抗图谱中的第二曲线的数据进行迭代,得到糖分检测数据模型。
在多个预测样本中选取部分预测样本的第二曲线的数据作为建模的输入量,具体为各个频率和对应的实部和虚部作为建模的输入量。每次向由最近迭代得到的糖分检测数据模型输入一次预测样本所对应的第二曲线的数据,所检测得到的糖分含量。并利用不同预测样本进行迭代,得到糖分检测数据模型。
参考图5,图5为本申请中对糖分检测数据模型建立和训练过程中,对应预测样本的糖分含量的方差的收敛趋势图。
对于步骤S22,可进一步包括:
S221、利用交流阻抗图谱,得到若干个连续预测样本的第二曲线的数据,并逐一输入至糖分检测数据模型;
S222、根据每次迭代所对应的预测样本的第二曲线的数据的方差的收敛情况,确定最佳测试次数。
在步骤S221至S222中,采用若干个连续的预测样本,并交流阻抗图谱,得到对应的第二曲线的数据,具体为各个频率和对应的实部和虚部。将该第二曲线的数据逐一输入至糖分检测数据模型。利用糖分检测数据模型,得到就一个预测样本的糖分含量的检测值。然后,根据该预测样本糖分含量的检测值与真实值,对应检测值的方差。根据每一次迭代后所得到的检测值的方差,并由连续的若干个预测样本对应的检测值的方差,得到糖分检测数据模型在训练过程中的方差的收敛情况。若方差的收敛情况一直处于收敛状态,当达到预设的方差值时,对应的预测样本的生成顺序为最佳的测试次数。如图5所示,在糖分检测数据模型的建立和训练的过程中,只需利用4个预测样本进行迭代,得到方差值随预测样本的生成顺序的增大而迅速收敛,并下降至预设的方差值以下。在本实施例中,只需采用4个预测样本进行迭代,便可得到检测精准度高的糖分检测数据模型。
在上述对连续的若干个预测样本的取样中,最优的是,从初始样本开始获取连续若干个连续预测样本的第二曲线的数据,对糖分检测数据模型进行建模和训练。将得到的糖分检测数据模型存储在数据库中,待后续对待测样本进行检测时使用。
本申请中所提供的所述糖分含量的检测方法,在步骤S103之后,还包括:
S104、将未用于建模的预测样本的交流阻抗图谱中的第一曲线的数据输入至糖分检测数据模型,对预测样本的真实值与测试值之间的误差进行验证。
在多个预测样本中,部分用于对糖分检测数据模型的建立和训练,剩下部分的预测样本则对该糖分检测数据模型进行可靠性验证。具体地,将该未用于建模的预测样本在交流阻抗图谱中对应的第一曲线的数据输入至糖分检测数据模型中,得到该糖分检测数据模型得到的预测样本的检测值。然后,将该检测值与预测样本的真实值进行对比,得到的误差在设定范围内的情况下,所得到的糖分检测数据模型可以进一步用于对待测样本进行检测。否则,进行对该糖分检测数据模型进行迭代,直至误差在设定范围内。
本申请所提供的糖分含量的检测方法,无需对待测样本进行预先处理,简化了检测工序,而且对待测样本的样本状态要求不高,有利于提升该糖分含量的检测方法的适用性。
进一步地,在对待测样本进行检测前,对检测体系的建立过程,只需基于一个初始样本,并逐次加入已知体积和浓度的糖分溶液,便可得到多个预测样本,依据交流阻抗法得到对应的第二曲线,并输入至所述糖分检测数据模型。该过程也无需对预测样本进行预先处理,从而简化了检测体系建立工序,提高检测效率。
在上述检测体系建立的过程中,利用BP神经网络建立并得到糖分检测数据模型。根据检测数据分析可得,只需进行少量预测样本进行迭代,便可得到检测精准度高的糖分检测数据模型,可进一步简化检测体系的建立工序,提高检测效率。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种糖分含量的检测方法,其特征在于,包括以下步骤:
将变频输入小幅值正弦波扰动信号作用于待测样本,得到所述待测样本在交流阻抗图谱中的第一曲线;
在数据库中获取与待测样本同类型的交流阻抗图谱、糖分检测数据模型和对应的预测样本;
将第一曲线得到的数据,输入至糖分检测数据模型;
根据所述糖分检测数据模型的输出值,得到所述待测样本的糖分含量。
2.根据权利要求1所述的糖分含量的检测方法,其特征在于,
所述将变频输入小幅值正弦波扰动信号作用于待测样本的步骤之前,还包括:
对已知糖分浓度的初始样本,并逐次加入等体积等浓度的糖分溶液作为预测样本,将多个预测样本建立数据库;
将变频输入小幅值正弦波扰动信号作用于每个预测样本,得到每个预测样本在交流阻抗图谱中的第二曲线;
根据所述第二曲线得到的数据,输入至所述糖分检测数据模型。
3.根据权利要求2所述的糖分含量的检测方法,其特征在于,
所述小幅值正弦波扰动信号为扰动电压信号;
所述得到每个预测样本在交流阻抗图谱中的第二曲线的步骤包括:
根据各个频率对应输入的小幅值正弦波扰动电压信号,得到每个预测样本对应的电阻和电抗;
分别以所述电阻和电抗作为所述交流阻抗图谱的实部和虚部,得到交流阻抗图谱;
对应一个预测样本,在所述交流阻抗图谱上各个频率的实部和虚部数据,得到该预测样本的对应第二曲线。
4.根据权利要求3所述的糖分含量的检测方法,其特征在于,
所述扰动电压信号为5mV,所述频率的调节范围为0.1-105Hz。
5.根据权利要求4所述的糖分含量的检测方法,其特征在于,
所述将变频输入小幅值正弦波扰动信号作用于每个预测样本的步骤,包括:
将单支20对电极的叉指电极放置于每个预测样本中,并根据设定大小的扰动电压信号;
在所述频率的调节范围内逐次增大频率的大小,作用于每个预测样本。
6.根据权利要求2所述的糖分含量的检测方法,其特征在于,
所述根据所述第二曲线得到的数据,输入至糖分检测数据模型的步骤之前,还包括:
利用BP神经网络进行建模,并得到糖分检测数据模型。
7.根据权利要求6所述的糖分含量的检测方法,其特征在于,
所述利用BP神经网络进行建模,并得到糖分检测数据模型的步骤,包括:
将部分预测样本的各个频率和对应的实部和虚部作为建模的输入量,将对应糖分浓度含量作为建模的输出量;
根据多个预测样本在交流阻抗图谱中的第二曲线的数据进行迭代,得到糖分检测数据模型。
8.根据权利要求7所述的糖分含量的检测方法,其特征在于,
所述根据多个预测样本在交流阻抗图谱中的第二曲线的数据进行迭代,得到糖分检测数据模型的步骤,包括:
利用交流阻抗图谱,得到连续若干个连续预测样本的第二曲线的数据,并逐一输入至糖分检测数据模型;
根据每次迭代所对应的预测样本的第二曲线的数据的方差的收敛情况,确定最佳测试次数。
9.根据权利要求8所述的糖分含量的检测方法,其特征在于,
所述得到连续若干个连续预测样本的第二曲线的数据的步骤,包括:
从初始样本开始获取连续若干个连续预测样本的第二曲线的数据。
10.根据权利要求2所述的糖分含量的检测方法,其特征在于,
所述根据第二曲线得到的数据,输入至所述糖分检测数据模型的步骤之后,还包括:
将未用于建模的预测样本的交流阻抗图谱中的第一曲线的数据输入至糖分检测数据模型,对预测样本的真实值与测试值之间的误差进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144988.4A CN111370075B (zh) | 2020-03-04 | 2020-03-04 | 糖分含量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144988.4A CN111370075B (zh) | 2020-03-04 | 2020-03-04 | 糖分含量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111370075A true CN111370075A (zh) | 2020-07-03 |
CN111370075B CN111370075B (zh) | 2023-02-03 |
Family
ID=71211688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144988.4A Active CN111370075B (zh) | 2020-03-04 | 2020-03-04 | 糖分含量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111370075B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106061370A (zh) * | 2013-12-16 | 2016-10-26 | 美敦力迷你迈德公司 | 电化学阻抗谱(eis)在连续葡萄糖监测中的使用 |
DE102015119027A1 (de) * | 2015-11-05 | 2017-05-11 | Bundesrepublik Deutschland, Vertreten Durch Das Bundesministerium Für Wirtschaft Und Energie, Dieses Vertreten Durch Den Präsidenten Der Physikalischen Bundesanstalt | Verfahren und Messeinrichtung zur Bestimmung von Blutkörperchen |
CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
-
2020
- 2020-03-04 CN CN202010144988.4A patent/CN111370075B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106061370A (zh) * | 2013-12-16 | 2016-10-26 | 美敦力迷你迈德公司 | 电化学阻抗谱(eis)在连续葡萄糖监测中的使用 |
DE102015119027A1 (de) * | 2015-11-05 | 2017-05-11 | Bundesrepublik Deutschland, Vertreten Durch Das Bundesministerium Für Wirtschaft Und Energie, Dieses Vertreten Durch Den Präsidenten Der Physikalischen Bundesanstalt | Verfahren und Messeinrichtung zur Bestimmung von Blutkörperchen |
CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111370075B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6876931B2 (en) | Automatic process for sample selection during multivariate calibration | |
US20040223155A1 (en) | Method of characterizing spectrometer instruments and providing calibration models to compensate for instrument variation | |
US20040078160A1 (en) | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale | |
JPS63259696A (ja) | 音声予処理方法および装置 | |
CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN113739779A (zh) | 基于bp神经网络半球谐振陀螺多元温度补偿系统及方法 | |
EP2745110A1 (en) | Extrapolation of interpolated sensor data to increase sample throughput | |
EP0285276B1 (en) | Coding of acoustic waveforms | |
CN110967313A (zh) | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 | |
CN109143370A (zh) | 地震动加速度记录基线漂移的校正方法 | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
CN111370075B (zh) | 糖分含量的检测方法 | |
CN113158575A (zh) | 一种假定标样的在线近红外光谱模型的转移方法 | |
CN109580527A (zh) | 一种基于组织切片鉴别abo血型的红外光谱分析方法 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN116559110A (zh) | 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法 | |
CN108415880B (zh) | 一种基于样本熵与小波变换的线损特性分析方法 | |
WO2019002413A1 (en) | NMR METHOD FOR IDENTIFICATION AND QUANTIFICATION OF SUBSTANCES IN COMPLEX MIXTURES | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN102262098A (zh) | 类风湿关节炎图谱模型的构建方法及其图谱模型 | |
Stoynov | Structural spectral analysis of electrochemical impedance | |
Chukwu et al. | Statistical analysis of the measurement noise in dynamic impedance spectra | |
WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
CN116956119A (zh) | 一种基于沉积噪声模拟的泥页岩层序地层划分方法及装置 | |
RU2279065C1 (ru) | Способ обработки сигналов мультисенсорного анализатора типа "электронный нос" |
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 |