CN111724868A - 一种voc气味评级模型及优化方法 - Google Patents

一种voc气味评级模型及优化方法 Download PDF

Info

Publication number
CN111724868A
CN111724868A CN202010373967.XA CN202010373967A CN111724868A CN 111724868 A CN111724868 A CN 111724868A CN 202010373967 A CN202010373967 A CN 202010373967A CN 111724868 A CN111724868 A CN 111724868A
Authority
CN
China
Prior art keywords
model
molecular weight
odor rating
voc
data
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
Application number
CN202010373967.XA
Other languages
English (en)
Inventor
郑瑞祥
张峻
李冕
侯林早
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing Huizhicheng Electronic Technology Co ltd
Original Assignee
Jiaxing Huizhicheng Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing Huizhicheng Electronic Technology Co ltd filed Critical Jiaxing Huizhicheng Electronic Technology Co ltd
Priority to CN202010373967.XA priority Critical patent/CN111724868A/zh
Publication of CN111724868A publication Critical patent/CN111724868A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Electrochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种VOC气味评级模型及优化方法，通过获得零件散发VOC气体的质谱图数据以及嗅觉工程师对每个零件的气味评级，建立并训练VOC气味评级模型；还研究了不同分子量的气体对气味评级的贡献度大小，筛选出对气味评级贡献度较大的分子量，通过目标优化的方法合理减少其中一部分气体的浓度从而实现车内整体VOC气味评级优化。本发明无需对VOC气体的具体构成组分进行化学分析和辨别，只需要给出质谱图数据，即可通过模型预测气味评级。在实际生产中，本发明建立的VOC气味评级模型能够通过车内零件的质谱图，快速确定该零件的气味评级是否合格，无需让嗅觉工程师对气味进行判定，提高效率，节省人工。

Description

一种VOC气味评级模型及优化方法
技术领域
本发明具体涉及一种VOC气味评级模型及优化方法。
背景技术
挥发性有机化合物(VOC Volatile Organic Compounds)是一类沸点在50-250摄氏度之间，在室温下以气相形式存在于空气中的有机化合物。大多数VOC组分都有难闻的气味，长期暴露在这种环境中会对人体健康造成危害。经实验室验证，车内异味的来源主要是汽车内部饰品和零件带来的挥发性有机物VOC，考虑到用户健康和用户体验，需要分析车内VOC气体，并对其气味进行优化。
由于VOC指代的有机化合物分子范围非常广泛，构成十分复杂，因此在实际研究中，很难确定哪种特定的挥发性有机物成分是异味的来源。目前的研究主要是采样法和分析法相结合的方法，对VOC组分进行分析。例如，固相微萃取(SPME)方法是一种可用于评估和定位VOC存在的采样方法。用SPME纤维从固体或液体介质中提取样品，分离分析物进行分析。样品制备的另一个例子是针捕集器微萃取(NTME)，它使用针捕集器作为新的工具来收集样品，并且需要非常小的样品体积而不损害灵敏度。样品制备后，需要对样品进行分析，以获得更多有关分子和浓度的详细信息。气相色谱-质谱(GC-MS)法是根据不同分子质量和吸附能力分析VOC组分的最常用方法。电子探头包含一个传感器阵列，用于检测每个VOC成分的特殊特征。结果表明，GC-MS法与电子探头这两种方法均能很好地区分不同VOC组分，并对其浓度进行定量。质子转移反应质谱(PTR-MS)也是一种分析方法，它通过识别每个VOC组分的质量分辨指纹来确定详细的VOC组分。通过这些采样法和分析法，实验室能够确定VOC气体的具体组分，并根据每种组分的物理性质分析VOC气体的气味表现。
现有的基于采样和分析法对VOC气体成分的研究，一般需要进行各种化学实验，例如取样和色谱分析就需要非常精细的化学操作。由于VOC气体通常由许多种有机化合物分子构成，因此实验中包含的物质分离与辨别等技术非常复杂。鉴于实际的汽车生产过程需要简单、快速地检测VOC气体，因此这种复杂且耗时的采样和分析步骤并不实用。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供一种VOC气味评级模型及优化方法。
为了实现上述目的，本发明提供以下技术方案：
一种VOC气味评级模型及优化方法，包括以下方式：
(1)构建VOC气味评级模型，并对VOC气味评级模型进行训练；
(2)对VOC气味评级进行优化。
这两种方式并没有时间上的先后关系，对VOC气味评级进行优化时，所采用的优化方法，既可以应用于本发明方式(1)中构建的VOC气味评级模型，还可以应用于其他形式的气味评级模型。
进一步地，VOC气味评级模型的构建方法包括以下步骤：
(1)对原始数据进行处理；
所述原始数据包括仪器数据和人工评分数据；仪器数据是由质谱仪对车内零件散发的VOC气体进行质谱图分析得到的数据；人工评分数据是指由嗅觉工程师根据自身主观感受对车内零件散发的VOC气体给出气味评级；
(2)确定VOC气味评级模型；
根据原始数据的特征，确定模型描述的是物理测量量和人体感知量之间的关系，因此确定VOC气味评级模型为：
Figure BDA0002479177680000021
其中，
Figure BDA0002479177680000022
为第n个样本零件的预测气味评级，βm为第m个相关分子量上的回归系数，zn，m为第n个样本在第m个分子量上的信号值大小，β′0为常数项，M为模型中使用的分子量的总数。
(3)对模型进行训练；
将第n个样本零件的信号数据zn，m及气味评级
Figure BDA0002479177680000023
代入公式(2)中，找出最优的β＝[β1，...，βM，β′0]参数组合，使损失函数达到最小值。
进一步地，数据处理的具体过程为：
(1.1)选择由Hg离子源轰击获得的数据；
(1.2)从中选择有可能是车内VOC气体成分的分子量及相对应的信号数据；
(1.3)对步骤(1.2)得到的信号数据与氮气背景信号数据进行对比，去除噪声信号，最终获得用于建模的数据。
进一步地，模型训练过程中，采用Lasso回归方法，即加入了L1范数正则项||β||1的损失函数，具体公式如下：
Figure BDA0002479177680000031
其中，N表示模型训练过程中使用的样本总数，N个样本，相对应地有N组数据，n表示第n个样本(n＝1,2,…N)，yn表示第n个样本的真实气味评级，
Figure BDA0002479177680000032
为第n个样本根据模型预测的气味评级，γ是常数系数，用来控制L1范数项对整个损失函数的影响。
进一步地，VOC气味评级的优化方法包括以下步骤：
(1)筛选出对气味评级贡献度较大的分子量；
(2)确定优化方案，实现气味评级的优化。
进一步地，VOC气味评级优化方法的步骤(1)具体过程为：
(1)找出典型样本：将所有样本数据代入同一个模型，观察模型筛选出的分子量分布情况；若大量样本能够获得一致的分子量贡献度分布，则能够用其中一个或者几个样本作为典型样本，其结果即可代表大量样本在该模型上的分子量筛选结果；
(2)在确定典型样本之后，筛选对气味评级贡献度较大的分子量；
按照以下标准决定分子量贡献度的大小：
2.1)针对典型样本，有多少个模型选中某一分子量为贡献度较大的分子量；若一个分子量被一个模型选中，则该分子量被模型选中的次数加一，分子量被选中的次数越多，说明该分子量被越多模型选中，其贡献度的可信度越高；
2.2)针对典型样本，当一个分子量被一个模型选中，若分子量在该模型上贡献度排序较高，则赋予较大的权重，若分子量在该模型上贡献度排序较低，则赋予较小的权重，将每个分子量在所有模型上的加权得分求和，即可获得该分子量的总得分，对总得分按照从大到小排序，获得该分子量在模型中的贡献度的最终结果；上述加权得分求和过程用公式(5)表示：
Figure BDA0002479177680000041
其中，Qm是一个子集，表示第m个分子量在K个模型中被选中的模型的序号，fK表示第K个模型，vq，j表示第m个分子量在第q个被选中的模型中，根据其贡献度排序j，获得对应的加权得分vq，j，将所有加权得分求和获得第m个分子量的总得分gm，依据所有gm即可对分子量贡献度进行排序，分子量筛选结果可按照需求依次取排序的前几位分子量。
进一步地，VOC气味评级优化方法的步骤(2)的具体过程为：
将每个分子量上信号与气味评级之间的数学模型和筛选出的分子量集合代入公式(6)中，求出气味评级优化的最佳方案；
Figure BDA0002479177680000042
Figure BDA0002479177680000043
其中集合I表示被用于优化的分子量集合，是被筛选出的贡献度较大的分子量的一个子集，M为模型中使用的所有分子量的个数，f表示VOC气味评级模型，zm、zi分别为被优化的样本零件在对应分子量上的质谱信号数据，m和i分别指的是被优化的样本零件的第m个和第i个分子量，i在集合I内，m不在集合I内；
Figure BDA0002479177680000044
为实际质谱信号数据与目标质谱信号数据之间的正向偏差，
Figure BDA0002479177680000045
为实际质谱信号数据与目标质谱信号数据之间的负向偏差，ygoal为想要达到的优化目标评级，wi为在对应分子量上进行原始数据调整的操作难易度；定义难易度wi的取值在1到5之间，难易度越接近1，说明实际操作越容易，难易度越接近5，说明实际操作越复杂；根据难易度wi的大小，在优化过程中优先调整wi较小的分子量上的数据。
本发明的有益效果是：
(1)本发明建立了VOC气味评级模型，该模型描述了质谱图数据与VOC气味评级之间的关系，无需对VOC气体的具体构成组分进行化学分析和辨别，只需要给出质谱图数据，即可通过模型预测气味评级。在实际生产中，该模型能够通过车内零件的质谱图，快速确定该零件的气味评级是否合格，无需让嗅觉工程师对气味进行判定，提高效率，节省人工。此外从本发明建立的模型中，还可以量化每个分子量对应的物质对气味评级的贡献，进而选择贡献较大的VOC组分优先进行气味优化方案的设计。
(2)本发明基于典型样本-多模型的加权排序分子量筛选方法，科学高效地筛选出对气味评级有较大影响的分子量，在实际生产中可以作为车内气味优化的具体方向，指导生产。
(3)本发明通过目标优化算法，能够针对不同的气体组合给出具体的优化方案，使车内气味提升至目标评级。本发明的优化方法，操作方便快捷，效率高，灵活性强。
附图说明
图1是原始数据表格示例。
图2是氮气背景3σ置信区间与样本信号的对比图。
图3是本发明VOC气味评级模型构建方法的流程图。
图4是模型参数β1，β2...β64的分布图。
图5是第60号样本在该模型上的分子量-贡献度分布图。
图6是同一模型上所有样本的分子量-贡献度图。
图7是评分为3的60号样本代入20个模型的分子量-贡献度关系图。
具体实施方式
以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。
实施例1
一种VOC气味评级模型的构建方法包含以下步骤：
(1)对原始数据进行处理：
所述原始数据包括仪器数据和人工评分数据；仪器数据是由质谱仪对车内零件散发的VOC气体进行质谱图分析得到的数据；人工评分数据是指由嗅觉工程师根据自身主观感受对车内零件散发的VOC气体给出气味评级；
数据处理过程包括：
(1.1)选择由Hg离子源轰击获得的数据；
(1.2)从中选择有可能是车内VOC气体成分的分子量及相对应的信号数据；在具体实施时，在文献或者相关资料中查找有可能是车内VOC气体成分的化学物质，计算这些化学物质的分子量，最终得出分子量，优选这些分子量及相对应的信号数据，进行处理。
(1.3)对步骤(1.2)得到的信号数据与氮气背景信号数据进行对比，去除噪声信号，最终获得用于建模的数据。
(2)确定VOC气味评级模型：
在建立模型的过程中，根据原始数据的特征，确定模型需要描述的是物理测量量和人体感知量之间的关系，参考韦伯费希纳定理，确定VOC气味评级模型；
(3)对模型进行训练：
将仪器数据(即质谱图数据)作为模型的输入，人工评分数据(即气味评级数据)作为模型的输出，测量大量样本零件；将处理过的数据代入模型即可进行模型训练；为了得到更准确更合理的模型参数，在模型训练中使用了Lasso回归方法，确定模型参数，获得完整的数学模型。
(1)对原始数据进行处理
在一些优选的方式中，仪器数据即使用质谱仪测量得到的数据，质谱仪的工作原理为：用Hg、Xe、He这三种离子源轰击通入质谱仪中的气体分子，使气体分子失去一个电子，同时分子量保持不变。由于失去电子的气体分子离子在质谱仪中的偏转情况只与其分子量有关，因此可以将其按照不同的分子量分离。最终同一分子量的气体分子离子到达质谱仪的接收端的固定位置，统计该位置接收到的信号即可统计该分子量对应的物质成分。
在一些优选的方式中，嗅觉工程师对气味给出的评级及标准描述具体如表1所示：
表1气味评分等级标准
Figure BDA0002479177680000061
Figure BDA0002479177680000071
*当异味介于两个评分等级之间时，采用0.5分评级。
由表1可以看出，气味评级分数越高，说明气味越令人不适。
图1给出了由质谱仪中导出的对车内样本零件散发的VOC气体的分析结果。如图1所示，最上方一行“score”为嗅觉工程师给出的样本零件的气味评级，可以看出命名为“Auria carpet foam 03”这种车内零件的气味评级为3分；左侧第一列“M+数字”中，数字表示分子量(massweight)的数值，例如“M17”即为分子量17；第二列为该分子量上测量信号的单位cps(counts per second)，表示每秒钟质谱仪在该分子量上接收到的信号强度；“*”表示该信号由Xe离子源轰击获得，若没有“*”则表示该信号由Hg离子源轰击获得；第三列“Background”表示该列为背景数据信号，背景数据信号通过直接向质谱仪中通入氮气来获得；第四列即为命名为“Auria carpet foam 03”这种车内零部件散发的VOC气体通入质谱仪中获得的cps信号结果。
由图1可以看出，质谱仪测量数据范围分布在7、16、17～300的分子量上，并且分为Xe、Hg两种离子源轰击的结果。由于在离子源轰击时，需要考虑化学组分电离能，一是是否能有效轰击使气体分子失去一个电子，二是要避免能量过大使气体分子碎片化，分子量发生改变。综合上述两点考虑，从质谱仪提供的Xe、Hg离子源数据中，选择由Hg离子源轰击气体分子得到的质谱图数据作为建模使用数据。在分子量30上，由于Hg离子没有信号，采用Xe离子的结果来替代。
在确定了选用Hg离子源轰击获得数据之后，根据车内VOC气体常见的化学组分，将Hg离子源轰击得到的数据中从17到300的连续分子量范围缩小到了其中的64个分子量(本实施例中，在文献中查找了有可能是车内VOC气体成分的化学物质，计算这些化学物质的分子量，最终得出了64个分子量，优选这64个分子量及相对应的信号数据，进行处理)；认为这64个分子量分别对应的化学组分可能会对气味评分产生影响。在这64个分子量中，31个分子量上有同分异构体，33个分子量只对应一种分子结构。
在将需要研究的分子量精简至64个之后，将每一个样本零件获得的信号与背景信号进行对比，以确定该信号是否为噪声。对氮气背景数据进行多次测量，并求得了每个分子量上氮气背景信号的平均值μ和标准差σ。
在一些优选的方式中，对噪声的判定标准为：若样本零件在某一分子量上的信号位于该分子量上氮气背景数据的3σ(三倍标准差)置信区间之内，则样本信号被视作噪声去除。测量噪声(noise)需满足的条件如下所示：
μ-3σ＜noise＜μ+3σ
图2中画出了所有氮气背景数据的平均值及3σ的置信区间，并附以一个样本零件的数据作为对比。若样本零件的信号落在灰色区间内，则将其视为噪声。
综上所述，本实施例中，原始数据处理包括三步，第一步是选择由Hg离子源轰击获得的cps信号数据，第二步是从17-300的连续分子量中选择有可能是车内VOC气体成分的64个分子量(在分子量30上，由于Hg离子没有信号，采用Xe离子的结果来替代)，第三步是对这些分子量上的cps信号与氮气背景信号数据进行对比，判断信号是否为需要去除的噪声，如果是则去除噪声，得到用于建模的数据。
(2)确定VOC气味评级模型
在对原始数据进行了处理之后，用于建模的样本数据包括64个分子量上的信号及嗅觉工程师给出的气味评级。为了描述样本原始cps信号与气味评级之间的关系，分析每个分子量上信号对气味评级的贡献度，需要建立模型，以64个分子量上的cps信号为输入，以气味评级为输出，通过大量已知数据进行模型训练获得模型参数，给出输入输出之间的量化关系。当获得了输入与输出之间的量化关系之后，该模型能够用于根据原始的样本零件cps信号数据直接预测其气味评级。
在模型建立的过程中，参考韦伯-费希纳定理，该定理刻画了人体所受的主观感觉强度(比如嗅觉、味觉、听觉等)与外部刺激强度的关系，其具体公式如下：
P＝klogI
其中，P代表人体感知到的主观强度，k为一个常量，I为物理测量的信号。根据该定理中给出的人体感知与物理信号之间的对数-线性关系，确定本发明中的模型公式，具体如下：
Figure BDA0002479177680000091
在公式(1)中，
Figure BDA0002479177680000096
为第n个样本零件的预测气味评级，βm为第m个相关分子量上的回归系数，zn，m为第n个样本在第m个分子量上的cps信号值大小，sm为第m个分子量上由原始cps信号到浓度的灵敏度系数(转换系数)，wm为第m个分子量对应的具体化学组分的嗅阈值(Odor detection threshold)，β0为常数项，M为模型中使用的分子量的总数(本实施例中，使用的分子量的总数为64个，即M＝64)。
由于某些分子量对应气体分子的同分异构体的嗅阈值未知，质谱仪对每个分子量上由cps信号到浓度的转换系数也未知，但是这些系数都是常数，因此可以将它们带来的影响从ln项中移出，与模型的常数项β0合并(对于有同分异构体的分子量，假设只有一种VOC气体)。基于此，对公式(1)做了如下处理：
Figure BDA0002479177680000092
则可以得到公式(2)如下所示：
Figure BDA0002479177680000093
在改进的公式(2)中，质谱图信号zn，m是模型的输入，气味评级
Figure BDA0002479177680000097
是模型的输出。
Figure BDA0002479177680000094
是第n个样本由模型预测的气味评级，yn为已知的嗅觉工程师给出的真实气味评级。通过代入大量已知数据的输入，获得每个样本预测的气味评级，结合模型训练算法对预测气味评级与真实气味评级之间的差值进行优化，即可求得最优的回归系数β1，...，βM，β′0，确定每个分子量上的cps信号强度zn，m与气味评级
Figure BDA0002479177680000095
之间的量化关系。
(3)模型训练过程
在处理了原始数据，确定了数学模型之后，可以开始进行模型训练，具体过程为：
将第n个样本零件的cps信号数据zn，m及气味评级yn代入公式(2)中，找出最优的β＝[β1，...，βM，β′0]参数组合能够使损失函数达到最小值。
本实施例中，由于样本特征较多，共65个参数需要计算，这种情况下容易产生过拟合现象。为了避免过拟合的问题，采用了Lasso回归，即加入了L1范数正则项||β||1的损失函数，具体公式如下：
Figure BDA0002479177680000101
其中，N表示模型训练过程中使用的样本总数，N个样本，相对应地有N组数据，n表示第n个样本(n＝1,2,…N)，yn表示第n个样本的真实气味评级，
Figure BDA0002479177680000102
为第n个样本根据模型预测的气味评级，γ是常数系数，用来控制L1范数项对整个损失函数的影响，本实施例中将其具体值定为0.6。
通过加入参数β的L1范数正则项，能够获得合理的参数训练结果。
图3综合了原始数据处理、模型建立、模型训练过程的所有操作，给出了本发明方案完整的算法流程。
具体实施示例
由实验获得了179个车内样本零件的原始质谱图数据与气味评级，其中原始质谱图数据表格如图1所示，共涉及362个不同离子源轰击的分子量上cps信号的测量。
按照图3所示流程，读取excel表格中的数据，获得对应的cps信号数据矩阵
Figure BDA0002479177680000103
气味评级数据
Figure BDA0002479177680000104
以及23组背景数据
Figure BDA0002479177680000105
确定模型中使用的64个分子量在D0、B0中的index，提取这些分子量上的数据，获得
Figure BDA0002479177680000106
综合B中23列背景cps信号，计算整体的平均值和方差，获得
Figure BDA0002479177680000107
将D中179列数据依次与μB±3σB进行对比。若某项cps信号在对应的μB±3σB范围内，则将其更新为1，由于对1取对数后值为零，可以通过这一操作将该噪声信号从模型数据中除去。
将更新后的D中各项取ln对数获得
Figure BDA0002479177680000111
结合
Figure BDA0002479177680000112
从179组样本数据中挑选149组数据作为训练集，用于模型训练，剩余的30组数据作为测试集，可以得到
Figure BDA0002479177680000113
将Dtrain和Strain作为公式(2)中模型的输入
Figure BDA0002479177680000117
与输出
Figure BDA0002479177680000114
代入模型，按照Lasso回归给出的损失函数(3)进行训练，即可求得最佳的模型参数β＝[β1，β2...β64，β′0]，最终获得确切的数学模型。
获得模型之后，将30组测试数据Dtest代入模型，结合模型参数β计算出30组测试数据的预测评分
Figure BDA0002479177680000116
对比预测评分
Figure BDA0002479177680000115
与实际评分yn∈Stest，可以获得该模型的准确率。
将179组数据分为149组训练数据和30组测试数据，获得了一个准确率为0.93的模型。该模型的β参数中，前64项参数值如图4所示，第65项β′0的值为2.8663。将第60号样本的数据代入该模型，可以得出该样本的分子量-贡献度分布图，如图5所示。
实施例2
本实施包括两个方面，一是根据现有的VOC质谱图数据与气味评级的数学模型，筛选出对气味评级贡献度较大的分子量；二是从筛选出的分子量中选取组合，实现气味评级的优化。
(一)基于现有的VOC质谱图数据与气味评级数学模型(此处的模型可以是实施例1中得到的模型还可以是其他形式的气味评级模型)进行筛选；不同分子量上数据对气味评级的影响大小也不同，优先选择贡献度较大的分子量。
由于模型的建立对原始数据量、数据分布情况等因素存在很大的依赖，将按照同样的建模方法，设置不同的训练集和测试集，训练出多个模型，通过综合分析这多个模型的共同表现，筛选出共同的对气味评级贡献度最大的分子量。
(二)基于VOC气味评级模型和筛选出的分子量，建立对应的优化，通过调整这些分子量上相对应的质谱数据信号大小，使得调整后的信号通过模型计算能够达到目标气味评级。为了达到目标所需调整最小的方案即为最优方案。
(一)对气味评级贡献度较大的分子量筛选
针对描述VOC质谱图数据zn，m(zn，m表示第n个样本在第m个分子量上的信号数据，假设一共使用了N个样本和M个分子量)与气味评级yn(表示第n个样本的气味评级)的一类模型，定义其数学模型格式为：
yn＝f(zn，m)， m＝1,2,…,M (4)
模型含义为：针对第n个样本，该模型以若干个分子量上的质谱图数据zn，m为输入，该样本的气味评级yn为输出，f即为质谱图数据与气味评级之间的数学关系。
该模型能够反映出不同分子量上的质谱图数据对气味评级的影响大小(定义为该分子量对气味评级的贡献度)，由于实际生产中无法考虑所有的分子量，因此需要筛选出贡献度较大的分子量进行优化处理。
由于模型在训练过程中受到训练数据、测试数据的直接影响，选择不同的训练集、测试集可能会使不同分子量的贡献度产生明显的不同。因此为了避免单个模型的特殊性，在分子量筛选的过程中，随机定义K组不同的训练集、测试集，从而获得K个模型，这K个模型的数学形式相同，但是具体的模型参数由于训练测试集的不同会出现差别。最终，有N组样本零件数据和K个模型，综合分析这些样本数据在模型上的分子量贡献度表现，能够获得全面可信且具有代表性的分子量筛选结果。
由于样本数据量较大，且模型数量较多，将每个样本代入每个模型进行贡献度的排序再综合结果需要大量的数据处理，因此采用典型样本-多模型的加权排序的方法，该方法能够高效全面地进行筛选，具体步骤如下：
(1)找出典型样本：将所有样本数据代入同一个模型，观察模型筛选出的分子量分布情况；若大量样本能够获得一致的分子量贡献度分布，则能够用其中一个作为典型样本，其结果即可代表大量样本在该模型上的分子量筛选结果。同样，只需总结这一个或几个典型样本在所有模型上的筛选结果，便可获得所有样本在所有模型上的筛选结果。
(2)在确定典型样本之后，筛选对气味评级贡献度较大的分子量；
由于K个模型会对每个样本提供K种不同的分子量贡献度排序方式，综合所有模型，按照以下两个标准决定整体分子量贡献度的大小：
2.1)针对典型样本，有多少个模型选中某一分子量为贡献度较大的分子量；若一个分子量被一个模型选中则相应该分子量被模型选中的次数加一，分子量被选中的次数越多，说明该分子量被越多模型选中，其贡献度的可信度越高；
在2.1)的基础上考虑标准2.2)，2.2)针对典型样本，当一个分子量被一个模型选中，若分子量在该模型上贡献度排序较高，则赋予较大的权重(例如贡献度最高的分子量得12分)，若分子量在该模型上贡献度排序较低，则赋予较小的权重(例如贡献度第二的分子量得11分)，那么将每个分子量在所有模型上的加权得分求和，即可获得该分子量的总得分，对总得分按照从大到小排序，获得该分子量在模型中的贡献度的最终结果；根据最终结果，选择排序前几位的分子量在优化方案中优先进行考虑；一般根据实际情况而定，优选地，使用前12位的分子量，上述加权得分求和过程可用公式(5)表示：
Figure BDA0002479177680000131
其中Qm是一个子集，表示第m个分子量在K个模型中被选中的模型的序号，fK表示第K个模型，vq，j表示第m个分子量在第q个被选中的模型中，根据其贡献度排序j，获得对应的加权得分vq，j，将所有加权得分求和获得第m个分子量的总得分gm，依据所有gm即可对分子量贡献度按照贡献度从大到小进行排序，分子量筛选结果可按照需求依次取排序的前几位分子量。
(二)基于数学模型的气味评级的优化方案
为了优化车内气味评级，需要降低车内VOC组分的浓度来减轻异味。通过之前的分析，挑选出了对车内气味评级贡献度较大的分子量，认为这些分子量对应的VOC组分对气味评级的升高有较大影响(气味评级越高说明气味越难以接受)，想要使气味评级降低，得到更优的气味评级，可以优先处理这些分子量对应的气体组分。
每个分子量上原始信号与气味评级之间的映射关系，如公式(4)所示，输入每一个分子量上的信号数据，该模型可以预测对应的气味评级。那么可以改变分子量上信号的大小，使模型预测的气味评级达到优化目标设定的气味评级。这种具有明确已知目标的优化问题属于目标规划(Goal Programming)问题，其一般形式如公式(6)所示：
Figure BDA0002479177680000141
Figure BDA0002479177680000142
其中集合I表示被用于优化的分子量集合，一般是被筛选出的贡献度较大的分子量的一个子集，M为模型中使用的所有分子量的个数，f表示VOC气味评级模型，此处的VOC气味评级模型可以是公式(2)所示的模型，也可以是其他形式的模型，只要是描述VOC质谱信号数据与气味评级之间关系的数学模型都可以；zm、zi分别为被优化的样本零件在对应分子量上的质谱信号数据，m和i分别指的是被优化的样本零件的第m个和第i个分子量，i在集合I内，m不在集合I内。
Figure BDA0002479177680000143
为实际质谱信号数据与目标质谱信号数据之间的正向偏差，
Figure BDA0002479177680000144
为实际质谱信号数据与目标质谱信号数据之间的负向偏差，ygoal为想要达到的优化目标评级，wi为在对应分子量上进行原始数据调整的操作难易度(相当于升高或降低该分子量对应气体浓度的难易程度)，定义难易度wi的取值在1到5之间，难易度越接近1，说明实际操作越容易，难易度越接近5，说明实际操作越复杂；根据难易度wi的大小，在优化过程中优先调整wi数值较小的分子量上的数据，从而获得更适应实际生产的优化方案。
针对具体的某一个模型，将该模型的具体形式代入公式(6)中f之后，即可获得该模型的目标优化问题设计，求出最优解即可获得气味评级优化的最佳方案。
实施示例3
本实施例采用了实施例1所构建的模型与实施例2中的优化方法。
分子量筛选：
(1)找出典型样本；将所有179个样本用20种不同的训练集、测试集划分方式进行模型训练，获得20组模型参数。将179个样本代入其中一个模型，获得同一模型上所有样本的贡献度-分子量，结果如图6所示，由图6可以看出，对于同一个模型来说，所有样本数据经由该模型得到的贡献度-分子量图线的重合度都非常高，也即同一个模型对所有样本筛选出的分子量(即峰值位置)几乎一致。因此，在179个样本中，从评分为2.5，3，3.5，4，4.5的样本中各随机选择一个样本作为典型样本(本实施例中，选择的典型样本分别为第13、60、78、142、49号样本)。
(2)在确定典型样本之后，筛选对气味评级贡献度较大的分子量：
将评分为3的60号样本数据，遍历了20个模型，得到20组分子量-贡献度结果如图7所示，其中每一条分子量-贡献度折线对应一个模型给出的结果。对于每一条分子量-贡献度折线，按照贡献度的峰值高低对分子量进行排序，并保留排名前十二的峰值，假设对应的分子量分别为76、70、126、104、68、78、90、92、46、45、72、144；
对贡献度排名第一的分子量76赋予12分的权重，贡献度排名第二的分子量70赋予11分的权重，以此类推。最终20个模型共产生20种贡献度前十二的分子量排序，假设对于分子量76来说，其在每个模型中都被选中，且被赋予的加权得分vq，j分别为12、11、10、12、12、12、12、12、12、12、10、12、11、11、12、12、10、11、12、12，则可得到该分子量76在20个模型中的加权得分之和为230分。对所有选出的分子量计算加权得分之和，并按照分值高低排序，取前十二个，即可得到根据贡献度筛选出的前十二位分子量。
二、气味评级优化方案：
在筛选出对气味评级贡献度较大的分子量之后，挑选贡献度排名前五的分子量70、76、106、90、104，对这五个分子量的组合进行优化。将公式(2)所示的具体的对数-线性数学模型和这五个分子量的集合I代入公式(6)中，可以获得本实施例中具体的优化问题设计，如公式(7)所示：
Figure BDA0002479177680000151
Figure BDA0002479177680000152
实际生产中，每个分子量上进行原始数据调整的操作难易度根据现实操作经验来决定；具体实施时，操作难易程度按照现实情况用户自行设定。本实施例中，为了举例说明，随机设定了五个分子量的操作难易度wi，如表2所示。
表2五个分子量的操作难易度
分子量 70 76 106 90 104
权重 1 4 2 1.3 1.5
由表2中可以看出，分子量76虽然在贡献度排序中排名较高，贡献度较大，但是实际操作难度也较大，因此，分子量76并不是优化方案中最优先考虑的分子量。
从不同的气味评级中选择了三个样本，分别为气味评级3.5的58号样本、气味评级4.0的50号样本和气味评级5.0的22号样本。将优化目标设定为使原有的气味评级降低0.5、1、1.5分，例如将58号样本的模型评分由3.49降低至3.0、2.5、2分，并计算想要达到这些优化目标需要怎样的优化方案。优化方案以百分比的形式表示，具体含义为每个分子量上的信号需要降低多少百分比才能达到对应的优化目标，计算后的优化结果如下表3-5所示：
表3基于五个分子量组合对样本58的优化方案
Figure BDA0002479177680000161
表4基于五个分子量组合对样本50的优化方案
Figure BDA0002479177680000162
表5基于五个分子量组合对样本22的优化方案
Figure BDA0002479177680000171
表3-5中，气味评级为嗅觉工程师对样本零件给出的真实评分，模型评分为根据样本的cps信号，代入模型，计算出的评分，即一个能够预测气味评级的模型给出的评分。针对表3-5中的方案，以样本22气味评级从模型评分4.43降至3.0的优化为例，对应的优化方案可具体解释为：如果想将模型评分4.43的22号样本优化至气味评级为3.0，则需要将分子量70上对应的信号强度降低15％，再将分子量76上对应的信号强度降低5％，其余三个分子量上的信号无需降低。实际生产中将信号强度的降低转化为降低具体的气体分子的浓度进行操作，即可优化VOC气体的气味评级。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

Claims (7)

1.一种VOC气味评级模型及优化方法，其特征是，包括以下方式：
(1)构建VOC气味评级模型，并对VOC气味评级模型进行训练；
(2)对VOC气味评级进行优化。
2.根据权利要求1所述的一种VOC气味评级模型及优化方法，其特征是，VOC气味评级模型的构建方法包括以下步骤：
(1)对原始数据进行处理；
所述原始数据包括仪器数据和人工评分数据；仪器数据是由质谱仪对车内零件散发的VOC气体进行质谱图分析得到的数据；人工评分数据是指由嗅觉工程师根据自身主观感受对车内零件散发的VOC气体给出气味评级；
(2)确定VOC气味评级模型；
根据原始数据的特征，确定模型描述的是物理测量量和人体感知量之间的关系，因此确定VOC气味评级模型为：
Figure FDA0002479177670000011
其中，
Figure FDA0002479177670000012
为第n个样本零件的预测气味评级，βm为第m个相关分子量上的回归系数，zn，m为第n个样本在第m个分子量上的信号值大小，β′0为常数项，M为模型中使用的分子量的总数；
(3)对模型进行训练；
将第n个样本零件的信号数据zn，m及气味评级
Figure FDA0002479177670000013
代入公式(2)中，找出最优的β＝[β1，...，βM，β′0]参数组合，使损失函数达到最小值。
3.根据权利要求2所述的一种VOC气味评级模型及优化方法，其特征是，数据处理的具体过程为：
(1.1)选择由Hg离子源轰击获得的数据；
(1.2)从中选择有可能是车内VOC气体成分的分子量及相对应的信号数据；
(1.3)对步骤(1.2)得到的信号数据与氮气背景信号数据进行对比，去除噪声信号，最终获得用于建模的数据。
4.根据权利要求2所述的一种VOC气味评级模型及优化方法，其特征是，模型训练过程中，采用Lasso回归方法，即加入了L1范数正则项||β||1的损失函数，具体公式如下：
Figure FDA0002479177670000021
其中，N表示模型训练过程中使用的样本总数，N个样本，相对应地有N组数据，n表示第n个样本，n＝1,2,…N，yn表示第n个样本的真实气味评级，
Figure FDA0002479177670000022
为第n个样本根据模型预测的气味评级，γ是常数系数。
5.根据权利要求1所述的一种VOC气味评级模型及优化方法，其特征是，VOC气味评级的优化方法包括以下步骤：
(1)筛选出对气味评级贡献度较大的分子量；
(2)确定优化方案，实现气味评级的优化。
6.根据权利要求5所述的一种VOC气味评级模型及优化方法，其特征是，步骤(1)具体过程为：
(1)找出典型样本：将所有样本数据代入同一个模型，观察模型筛选出的分子量分布情况；若大量样本能够获得一致的分子量贡献度分布，则能够用其中一个或者几个样本作为典型样本，其结果即可代表大量样本在该模型上的分子量筛选结果；
(2)在确定典型样本之后，筛选对气味评级贡献度较大的分子量；
按照以下标准决定分子量贡献度的大小：
2.1)针对典型样本，有多少个模型选中某一分子量为贡献度较大的分子量；若一个分子量被一个模型选中，则该分子量被模型选中的次数加一，分子量被选中的次数越多，说明该分子量被越多模型选中，其贡献度的可信度越高；
2.2)针对典型样本，当一个分子量被一个模型选中，若分子量在该模型上贡献度排序较高，则赋予较大的权重，若分子量在该模型上贡献度排序较低，则赋予较小的权重，将每个分子量在所有模型上的加权得分求和，即可获得该分子量的总得分，对总得分按照从大到小排序，获得该分子量在模型中的贡献度的最终结果；上述加权得分求和过程用公式(5)表示：
Figure FDA0002479177670000023
其中，Qm是一个子集，表示第m个分子量在K个模型中被选中的模型的序号，fK表示第K个模型，vq，j表示第m个分子量在第q个被选中的模型中，根据其贡献度排序j，获得对应的加权得分vq，j，将所有加权得分求和获得第m个分子量的总得分gm，依据所有gm即可对分子量贡献度进行排序，分子量筛选结果可按照需求依次取排序的前几位分子量。
7.根据权利要求5所述的一种VOC气味评级模型及优化方法，其特征是，步骤(2)的具体过程为：
将每个分子量上信号与气味评级之间的数学模型和筛选出的分子量集合代入公式(6)中，求出气味评级优化的最佳方案；
Figure FDA0002479177670000031
Figure FDA0002479177670000032
其中集合I表示被用于优化的分子量集合，是被筛选出的贡献度较大的分子量的一个子集，M为模型中使用的所有分子量的个数，f表示VOC气味评级模型，zm、zi分别为被优化的样本零件在对应分子量上的质谱信号数据，m和i分别指的是被优化的样本零件的第m个和第i个分子量，i在集合I内，m不在集合I内；
Figure FDA0002479177670000033
为实际质谱信号数据与目标质谱信号数据之间的正向偏差，
Figure FDA0002479177670000034
为实际质谱信号数据与目标质谱信号数据之间的负向偏差，ygoal为想要达到的优化目标评级，wi为在对应分子量上进行原始数据调整的操作难易度。
CN202010373967.XA 2020-05-06 2020-05-06 一种voc气味评级模型及优化方法 Pending CN111724868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010373967.XA CN111724868A (zh) 2020-05-06 2020-05-06 一种voc气味评级模型及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010373967.XA CN111724868A (zh) 2020-05-06 2020-05-06 一种voc气味评级模型及优化方法

Publications (1)

Publication Number Publication Date
CN111724868A true CN111724868A (zh) 2020-09-29

Family

ID=72564284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010373967.XA Pending CN111724868A (zh) 2020-05-06 2020-05-06 一种voc气味评级模型及优化方法

Country Status (1)

Country Link
CN (1) CN111724868A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766341A (zh) * 2021-01-11 2021-05-07 上海工程技术大学 一种基于气敏传感异味探测的智能衣柜
CN113552289A (zh) * 2021-07-14 2021-10-26 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN113588819A (zh) * 2021-07-27 2021-11-02 重庆长安汽车股份有限公司 一种汽车内饰零部件气味定量评价方法
CN116502130A (zh) * 2023-06-26 2023-07-28 湖南大学 一种藻源嗅味特征识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050252275A1 (en) * 2004-03-31 2005-11-17 Shimadzu Corporation Odor measuring apparatus
US20130219991A1 (en) * 2012-02-14 2013-08-29 The Regents Of The University Of California Gas chromatography recomposition-olfactometry for characterization of aroma mixtures
CN103900926A (zh) * 2014-03-05 2014-07-02 武汉理工大学 一种沥青挥发性有机物的检测分析方法
US20160091470A1 (en) * 2013-05-21 2016-03-31 Alon Daniel GAFSOU System and method for scent perception measurements and for construction of a scent database
CN108051496A (zh) * 2017-12-11 2018-05-18 中国科学院生态环境研究中心 利用激发态质子转移质谱仪进行水体嗅味物质实时检测的方法
CN108509601A (zh) * 2018-04-02 2018-09-07 中山大学 一种基于大数据分析的食品风味评定方法
CN109215743A (zh) * 2018-09-04 2019-01-15 南京工业大学 一种基于新型bp神经网络建模的沼气生产过程的预测方法
CN109633094A (zh) * 2018-12-28 2019-04-16 浙江省环境监测中心 一种臭气浓度在线监测方法
CN110057975A (zh) * 2019-04-22 2019-07-26 广东工业大学 一种嗅感描述符获取方法、系统及相关装置
CN111007176A (zh) * 2019-12-26 2020-04-14 冲之智能科技(天津)有限公司 基于气相色谱与离子迁移谱的车内气味等级评价方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050252275A1 (en) * 2004-03-31 2005-11-17 Shimadzu Corporation Odor measuring apparatus
US20130219991A1 (en) * 2012-02-14 2013-08-29 The Regents Of The University Of California Gas chromatography recomposition-olfactometry for characterization of aroma mixtures
US20160091470A1 (en) * 2013-05-21 2016-03-31 Alon Daniel GAFSOU System and method for scent perception measurements and for construction of a scent database
CN103900926A (zh) * 2014-03-05 2014-07-02 武汉理工大学 一种沥青挥发性有机物的检测分析方法
CN108051496A (zh) * 2017-12-11 2018-05-18 中国科学院生态环境研究中心 利用激发态质子转移质谱仪进行水体嗅味物质实时检测的方法
CN108509601A (zh) * 2018-04-02 2018-09-07 中山大学 一种基于大数据分析的食品风味评定方法
CN109215743A (zh) * 2018-09-04 2019-01-15 南京工业大学 一种基于新型bp神经网络建模的沼气生产过程的预测方法
CN109633094A (zh) * 2018-12-28 2019-04-16 浙江省环境监测中心 一种臭气浓度在线监测方法
CN110057975A (zh) * 2019-04-22 2019-07-26 广东工业大学 一种嗅感描述符获取方法、系统及相关装置
CN111007176A (zh) * 2019-12-26 2020-04-14 冲之智能科技(天津)有限公司 基于气相色谱与离子迁移谱的车内气味等级评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘纯友;李子娟;殷朝敏;凌江;董凯;: "水产品挥发性风味成分提取与检测方法研究进展", 广州化工, no. 06, 23 March 2017 (2017-03-23), pages 40 - 43 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766341A (zh) * 2021-01-11 2021-05-07 上海工程技术大学 一种基于气敏传感异味探测的智能衣柜
CN113552289A (zh) * 2021-07-14 2021-10-26 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN113552289B (zh) * 2021-07-14 2024-01-23 清华苏州环境创新研究院 一种基于高斯模式的大气污染溯源方法
CN113588819A (zh) * 2021-07-27 2021-11-02 重庆长安汽车股份有限公司 一种汽车内饰零部件气味定量评价方法
CN116502130A (zh) * 2023-06-26 2023-07-28 湖南大学 一种藻源嗅味特征识别方法
CN116502130B (zh) * 2023-06-26 2023-09-15 湖南大学 一种藻源嗅味特征识别方法

Similar Documents

Publication Publication Date Title
CN111724868A (zh) 一种voc气味评级模型及优化方法
CN108629365B (zh) 分析数据解析装置以及分析数据解析方法
US6675104B2 (en) Method for analyzing mass spectra
CA2501003C (en) Sample analysis to provide characterization data
JP4814530B2 (ja) 匂いの強度の測定
US20020193950A1 (en) Method for analyzing mass spectra
RU2619395C2 (ru) Идентификация химических веществ с использованием хроматографического индекса удерживания
Cristescu et al. Screening for emphysema via exhaled volatile organic compounds
AU2002241535A1 (en) Method for analyzing mass spectra
JP6760380B2 (ja) 分析データ処理方法及び分析データ処理装置
JP2004502934A (ja) 選択された多成分サンプルの分析方法
CN110214271B (zh) 分析数据解析方法以及分析数据解析装置
Äijälä et al. Resolving anthropogenic aerosol pollution types–deconvolution and exploratory classification of pollution events
Vikram et al. Volatile metabolites from the headspace of onion bulbs inoculated with postharvest pathogens as a tool for disease discrimination
CN117461087A (zh) 用于鉴别质谱中的分子种类的方法和装置
Bennett et al. A chemometric study on human breath mass spectra for biomarker identification in cystic fibrosis
RU2695039C1 (ru) Способ идентификации и прогнозирования р-алкильных радикалов гомологов о-алкилалкилфторфосфонатов
JP7268530B2 (ja) 質量分析データ処理方法、質量分析データ処理システム、及び質量分析データ処理プログラム
CN113640366A (zh) 为了确定二维样品中的分子含量分数对空间分辨离子光谱测量信号数据的处理
CN112801936A (zh) 一种x射线荧光光谱自适应本底扣除方法
JP2021196303A (ja) イメージング質量分析方法、及びイメージング質量分析装置
CN110675050A (zh) 一种基于肯德尔协同系数的优选权重赋值方法
CN117990633B (zh) 一种挥发性萜烯类物质的空气通量评估方法及系统
Herbig et al. Online breath sampling with PTR-MS–A setup for large screening studies
CN115436407B (zh) 一种随机森林回归结合主成分分析的元素含量定量分析方法

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