CN112749466A - 智能制造测量控制集成模型及其建立方法应用 - Google Patents
智能制造测量控制集成模型及其建立方法应用 Download PDFInfo
- Publication number
- CN112749466A CN112749466A CN201911046017.XA CN201911046017A CN112749466A CN 112749466 A CN112749466 A CN 112749466A CN 201911046017 A CN201911046017 A CN 201911046017A CN 112749466 A CN112749466 A CN 112749466A
- Authority
- CN
- China
- Prior art keywords
- model
- measurement control
- adopting
- intelligent manufacturing
- manufacturing measurement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 54
- 238000005259 measurement Methods 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 21
- 238000012628 principal component regression Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 3
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 7
- 239000013068 control sample Substances 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 240000008042 Zea mays Species 0.000 description 16
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 16
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 13
- 235000005822 corn Nutrition 0.000 description 13
- 239000009916 yin-huang Substances 0.000 description 9
- 239000002245 particle Substances 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000008187 granular material Substances 0.000 description 5
- 238000010238 partial least squares regression Methods 0.000 description 4
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 3
- 235000009973 maize Nutrition 0.000 description 3
- IPQKDIRUZHOIOM-UHFFFAOYSA-N Oroxin A Natural products OC1C(O)C(O)C(CO)OC1OC(C(=C1O)O)=CC2=C1C(=O)C=C(C=1C=CC=CC=1)O2 IPQKDIRUZHOIOM-UHFFFAOYSA-N 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- IKIIZLYTISPENI-ZFORQUDYSA-N baicalin Chemical compound O1[C@H](C(O)=O)[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1OC(C(=C1O)O)=CC2=C1C(=O)C=C(C=1C=CC=CC=1)O2 IKIIZLYTISPENI-ZFORQUDYSA-N 0.000 description 2
- 229960003321 baicalin Drugs 0.000 description 2
- AQHDANHUMGXSJZ-UHFFFAOYSA-N baicalin Natural products OC1C(O)C(C(O)CO)OC1OC(C(=C1O)O)=CC2=C1C(=O)C=C(C=1C=CC=CC=1)O2 AQHDANHUMGXSJZ-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000205585 Aquilegia canadensis Species 0.000 description 1
- 240000004534 Scutellaria baicalensis Species 0.000 description 1
- 235000017089 Scutellaria baicalensis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供智能制造测量控制集成模型及其建立方法应用，通过将加工轨迹法与模型融合法相结合，建立适用于智能制造测量控制的集成模型。模型建立具体步骤为：1、将样本集划分为校正集和验证集；2、采用蒙特卡罗亚采样(MCS)技术抽取样本；3、采用加工轨迹法优化模型建立参数；4、采用标定方法建立最优单一模型；5、最后分别运用串联和并联方法融合最优单一模型，形成集成模型。本发明提出的模型建立方法可靠、有效；建立的集成模型准确性较高，适用范围较广。采用加工轨迹法优化模型建立参数，保证了所建立单一模型为最优；采用串联和并联集成方法，提高了模型的准确性和鲁棒性。
Description
技术领域：
本发明属于制造领域，具体涉及到智能制造测量控制集成模型及其建立方法应用。
技术背景
“智能化”是如今各制造业转型及保持竞争优势的关键。准确度是评价智能化生产的重要指标——帮助有效实现高精度的快速生产。搭上智能化制造这一趟发展快车的要点之一是要掌握核心的过程控制技术，提高智能制造测量控制的准确性。
智能制造是制造信息技术发展的必然，是自动化和集成技术向纵深发展的结果。智能制造过程的连续性，生产工艺复杂性等问题使得所建立的测量控制模型准确性不高。研究发现单一模型的准确性易受环境、设备等的影响，目前采用的在Bagging、Boosting、Random forest等模型集成方法，可在一定程度上改善上述情况，提高模型的准确性和鲁棒性，但仍有较大的提升空间。开发并应用准确性更高的智能制造测量控制集成模型是持续推进制造智能化的必由之路。
发明内容
基于以上内容，为解决智能制造测量控制模型准确性问题，我们提出了新的智能制造测量控制集成模型及其建立方法应用，为了实现本发明的上述目的，采用以下技术方案：
智能制造测量控制集成模型建立方法应用，具体包括以下步骤：
步骤一、采用Kennard-Stone将数据集划分为校正集和验证集，其中校正集用于校正模型，验证集用于验证模型准确性；
步骤二、采用蒙特卡罗亚采样技术从步骤一划分出的校正集中抽取n个独立样本，作为后续模型建立的样本集；
步骤三、采用加工轨迹法，即对预处理方法、变量选择方法、主成分、潜在因子数进行全因素筛选，得到建立最优模型的参数组合；
步骤四、基于n个独立样本，采用包括偏最小二乘回归、主成分回归、最小二乘支持向量回归在内的k种标定方法，建立k*n个最优单一模型；
步骤五、基于串联和并联模型融合方法，融合最优单一模型，获得智能制造测量控制集成模型预测结果：
1)、采用串联的模型融合方法，分别将n个最优模型的预测结果进行融合，在此基础上，基于标定方法的不同，将融合后的k种标定方法的建模结果进一步融合，获得基于串联的智能制造测量控制集成模型预测结果；
2)、采用并联的模型融合方法，分别将k种标定方法的建模结果进行融合，在此基础上，基于样本的不同，将融合后的n个模型预测结果进行融合，获得基于并联的智能制造测量控制集成模型预测结果。
附图说明
图1为智能制造测量控制集成模型建立方法示意图；
图2为玉米数据集(a)和银黄颗粒数据集(b)PCR模型加工轨迹结果图；
图3为基于串联融合方法建立的集成模型预测玉米数据集(a)和银黄颗粒数据集(b)结果图；
具体实施方式
下面结合附图和具体实施方式对本发明进行进一步说明。
本实例以中药智能制造测量控制中的开源玉米数据集和银黄颗粒数据集为研究对象，对智能制造测量控制集成模型及其建立方法应用进行具体详细的说明，这两个示例不构成对本发明方法的范围限制。
实例一、开源玉米数据集
具体地，本发明实施例为智能制造测量控制集成模型建立方法应用于开源数据集的典型，图1为模型建立方法示意图，包括如下步骤：
步骤一、样本集划分，将样本划分为校正集和验证集，具体过程：从http://www.eigenvector.com/data/Corn/index.html.21下载开源的玉米数据集。该数据集包含80个玉米样本水分的光谱和含量数据，由mp5光谱仪在1100-2498nm的波长范围，以2nm的波长间隔测得。采用Kennard-Stone算法将上述玉米数据集按2:1的比例划分为校正集和验证集。
步骤二、采用蒙特卡罗亚采样技术优化模型样本，保证样本集的可靠性，具体过程：采用蒙特卡罗亚采样技术从校正集中按预定的0.64比例抽取样本，本过程重复500次，抽取出500个独立样本集，用于后续模型建立。
步骤三、采用工艺轨迹法优化模型参数，得到建立最优模型的参数组合，具体过程：对预处理方法、变量选择方法、主成分或潜在因子数进行优化。从预处理方法:原始光谱(raw)、9点平滑预处理(SG(9))、一阶导预处理(1D)、二阶导预处理(2D)和标准正态变量变换预处理(SNV)、变量选择方法：间隔偏最小二乘法(SiPLS)和投影重要性指标筛选法(VIP)、主成分数(PC1-PC10)和潜变量因子数LVs(1-10)中筛选出模型最优时这几个参数的组合。
优化地，以玉米的主成分回归(PCR)模型参数筛选为例，对步骤三进行详细说明：1、工艺轨迹建立：将玉米的raw、SG(9)、1D、2D和SNV预处理光谱通过SiPLS和VIP法进行变量选择，筛选出PC1-PC10这10个PCR模型建立参数，整个过程构成玉米数据近红外模型建立的加工轨迹。2、模型建立参数确定：图2(a)为玉米样品PCR模型的加工轨迹结果图，以相对分析误差(RPD)值作为模型性能评价指标，设置RPD值最大时对应的参数为玉米样品PCR模型的最佳模型参数组合，具体为SG(9)光谱预处理、VIP变量筛选法和10个主成分数。
步骤四、根据偏最小二乘回归(PLS)、PCR、最小二乘支持向量回归(LS-SVR)三种多元校正标定方法建立最优单一校正模型，具体过程：基于步骤三中加工轨迹结果，采用最佳参数组合建立最优单一模型，共建立1500个最优单一模型。
步骤五、基于串联和并联模型融合方法，获得智能制造测量控制集成模型预测结果：
1)、采用串联的模型融合方法，分别将500个最优模型的预测结果进行融合，在此基础上，基于3种标定方法，将融合后的3种标定方法的建模结果进一步融合，获得基于串联的智能制造测量控制集成模型预测结果；
2)、采用并联的模型融合方法，分别将3种多元校正标定方法的建模结果进行融合，在此基础上，基于500个独立样本，将融合后的500个模型预测结果进行融合，获得基于串联的智能制造测量控制集成模型预测结果。
为了验证本发明中建立的智能制造测量控制集成模型准确性，将基于串联和并联融合方法的集成模型预测结果与单一模型和Bagging集成模型的预测结果进行对比。实验结果见表1，由预测集均方根误差(RMSEP)、Rp和RPD值可知，本实施例中Bagging集成模型不适用于玉米复杂数据，所建立的Bagging集成模型的准确性并未高于原始单一模型。而采用串联和并联融合方法建立的两种智能制造测量控制集成模型与其他模型相比，RMSEP值较明显减小，Rp和RPD值较明显增大，模型准确性增强。其中串联方法建立的集成模型准确性是最高的。图3(a)为采用基于串联方法建立的集成模型预测玉米数据集的结果图，显示预测值与参考值比较接近，模型预测准确性高，分类能力好。表明本发明提出的基于串联和并联的智能制造测量控制模型可以较显著地提高模型准确性，此集成模型建立方法应用范围较广。
实例二、银黄颗粒数据集
具体地，本发明实施例为智能制造测量控制集成模型建立方法应用于中药智能制造过程的例子，图1为模型建立方法示意图，包括如下步骤：
步骤一、样本集划分，将样本划分为校正集和验证集，具体过程：用AntarisNicolet FT-NIR系统(美国Thermo Fisher Scientific Inc.)测定72份银黄颗粒样品中黄芩苷含量组成银黄颗粒数据集。原始光谱数据由1557个波数变量组成，测量范围为10000到4000cm-1，分辨率为8cm-1。采用高效液相色谱法测定黄芩苷含量作为参考。将该银黄颗粒数据集采用K-S算法按2:1的比例划分为校正集和验证集。
步骤二、采用蒙特卡罗亚采样技术优化模型样本，保证样本集的可靠性，具体过程：采用蒙特卡罗亚采样技术从校正集中按预定的0.64比例抽取样本，抽取出500个独立样本集，用于后续模型建立。
步骤三、采用加工轨迹法优化模型参数，得到建立最优模型的参数组合，具体过程：对预处理方法、变量选择方法、主成分或潜在因子数进行优化。从预处理方法(raw、SG(9)、1D、2D和SNV)、变量选择方法(SiPLS和VIP)、主成分数(1-10)和潜变量因子数(1-10)中筛选出模型最优时这几个参数的组合。
优化地，以银黄颗粒数据集的PCR模型参数筛选为例，步骤三具体为：1、工艺轨迹建立：将银黄颗粒的raw、SG(9)、1D、2D和SNV预处理光谱通过SiPLS和VIP法进行变量选择，筛选出PC1-PC10这10个PCR模型建立参数，整个过程构成玉米数据近红外模型建立的加工轨迹。2、模型建立参数确定：图2(b)为银黄颗粒样品PCR模型的加工轨迹结果图，以RPD值作为模型性能评价指标，设置RPD值最大时对应的参数为银黄颗粒样品PCR模型的最佳模型参数组合，具体为原始光谱、SiPLS变量筛选法和10个主成分数。
步骤四、根据PCR、PLS、LS-SVR三种多元校正标定方法建立最优单一校正模型，具体过程：基于步骤三中工艺轨迹的结果，采用建立最佳模型时的参数组合，共建立1500个最优单一模型。
步骤五、基于串联和并联模型融合方法，获得智能制造测量控制集成模型预测结果：
1)、采用串联的模型融合方法，分别将500个最优模型的预测结果进行融合，在此基础上，基于3种标定方法，将融合后的3种标定方法的建模结果进一步融合，获得基于串联的多元校正集成模型结果；
2)、采用并联的模型融合方法，分别将3种多元校正标定方法的建模结果进行融合，在此基础上，基于500个独立样本，将融合后的500个模型预测结果进行融合，获得基于串联的多元校正集成模型结果。
为了验证本发明中建立的基于串联和并联的智能制造测量控制集成模型准确性，将基于串联和并联的集成模型预测结果与单一模型和Bagging集成模型结果进行对比。实验结果见表1，由RMSEP、Rp和RPD值可知，本实施例中Bagging模型集成方法可适当提高LS-SVR模型的准确性，但对PCR和PLS模型的准确性改变不明显。基于并联的智能制造测量控制集成模型可适当提高模型的预测性能，采用串联融合方法建立的集成模型较显著地提高模型准确性。图3(b)为采用串联融合方法建立的智能制造测量控制集成模型预测银黄颗粒数据集的结果图，显示预测值与参考值比较接近，模型预测准确性高，分类能力好，表明本发明提出的智能制造测量控制集成模型可以较为显著地提高模型预测准确性，此集成模型建立方法应用范围较广。
表1不同模型预测结果
Claims (9)
1.智能制造测量控制集成模型建立方法应用，其特征在于，包括以下步骤：
步骤一、样本集划分，将样本划分为校正集和验证集；
步骤二、采用蒙特卡罗亚采样技术抽取样本，保证样本的代表性；
步骤三、采用加工轨迹法优化建模参数，得到建立最优模型的参数组合；
步骤四、采用标定方法，基于最优参数组合，建立最优单一模型；
步骤五、基于串联和并联模型融合方法，融合最优单一模型，获得智能制造测量控制集成模型预测结果。
2.按照权利要求1所述的智能制造测量控制集成模型建立方法应用，其特征在于，所述步骤一具体为：
采用Kennard-Stone算法按比例将样本划分成校正集和验证集两部分，其中校正集用于校正模型，验证集用于评价模型准确性。
3.按照权利要求1所述的智能制造测量控制集成模型建立方法应用，其特征在于，所述步骤二具体为：
采用蒙特卡罗亚采样技术从步骤一划分出的校正集中不断随机抽取n个独立样本，直到模型最优停止，作为后续模型建立的样本集。
4.按照权利要求1所述的智能制造测量控制集成模型建立方法应用，其特征在于，所述步骤三具体为：
采用加工轨迹法优化建模参数，对数据预处理方法、变量选择方法、主成分、潜在因子数进行全因素组合筛选，得到建立最优模型的参数组合。
5.按照权利要求1所述的智能制造测量控制集成模型建立方法应用，其特征在于，所述步骤四具体为：
基于n个独立样本，采用包括偏最小二乘回归、主成分回归、最小二乘支持向量回归在内的k种标定方法，建立k*n个最优单一模型。
6.按照权利要求1所述的智能制造测量控制集成模型建立方法应用，其特征在于，所述步骤五具体为：
1)、采用串联的模型融合方法，分别将n个最优模型的预测结果进行融合，在此基础上，基于标定方法的不同，将融合后的k种标定方法的建模结果进一步融合，获得基于串联的智能制造测量控制集成模型预测结果；
2)、采用并联的模型融合方法，分别将k种标定方法的建模结果进行融合，在此基础上，基于样本的不同，将融合后的n个模型预测结果进行融合，获得基于并联的智能制造测量控制集成模型预测结果。
7.智能制造测量控制集成模型，其特征在于，为n个最优单一模型经串联和并联融合方法集成得到的，所述最优单一模型为智能制造测量控制样本经过样本集划分，最优模型参数组合确定，通过k种标定方法建立的。
8.根据权利要求7所述的串联和并联融合方法，其特征在于，具体步骤为：
1)、采用串联的模型融合方法，分别将n个最优模型的预测结果进行融合，在此基础上，基于标定方法的不同，将融合后的k种标定方法的建模结果进一步融合，获得基于串联的智能制造测量控制集成模型预测结果；
2)、采用并联的模型融合方法，分别将k种多元校正标定方法的建模结果进行融合，在此基础上，基于样本的不同，将融合后的n个模型预测结果进行融合，获得基于并联的智能制造测量控制集成模型预测结果。
9.权利要求2-8所述智能制造测量控制集成模型建立方法应用适合中药、食品、化工、生物、物理、计算机任何一种智能制造测量控制领域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046017.XA CN112749466B (zh) | 2019-10-30 | 2019-10-30 | 智能制造测量控制集成模型及其建立方法应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046017.XA CN112749466B (zh) | 2019-10-30 | 2019-10-30 | 智能制造测量控制集成模型及其建立方法应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112749466A true CN112749466A (zh) | 2021-05-04 |
| CN112749466B CN112749466B (zh) | 2023-11-21 |
Family
ID=75640642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911046017.XA Active CN112749466B (zh) | 2019-10-30 | 2019-10-30 | 智能制造测量控制集成模型及其建立方法应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749466B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113607683A (zh) * | 2021-08-09 | 2021-11-05 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770005A (zh) * | 2016-11-25 | 2017-05-31 | 山东大学 | 一种用于近红外光谱分析的校正集和验证集的划分方法 |
| CN108564248A (zh) * | 2018-03-05 | 2018-09-21 | 北京中医药大学 | 一种中药生产过程质量控制的模型建立方法 |
-
2019
- 2019-10-30 CN CN201911046017.XA patent/CN112749466B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770005A (zh) * | 2016-11-25 | 2017-05-31 | 山东大学 | 一种用于近红外光谱分析的校正集和验证集的划分方法 |
| CN108564248A (zh) * | 2018-03-05 | 2018-09-21 | 北京中医药大学 | 一种中药生产过程质量控制的模型建立方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杜晨朝;吴志生;赵娜;周正;史新元;乔延江;: "基于两类误差检测理论金银花提取过程的MEMS-NIR在线分析建模方法研究", 中国中药杂志, no. 19, pages 71 - 76 * |
| 王安冬;吴志生;贾一飞;张盈盈;詹雪艳;马长华;: "基于正交信号回归法对中试在线近红外定量模型的模型传递研究", 光谱学与光谱分析, no. 04, pages 92 - 98 * |
| 苏建元;: "计算智能主要算法的比较与融合", 中国电子科学研究院学报, no. 01, pages 60 - 64 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113607683A (zh) * | 2021-08-09 | 2021-11-05 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112749466B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
| CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| CN106529008B (zh) | 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法 | |
| CN106918567B (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
| CN107563448B (zh) | 基于近红外光谱分析的样本空间聚类划分法 | |
| CN105203498A (zh) | 一种基于lasso的近红外光谱变量选择方法 | |
| CN102435556A (zh) | 用于复杂非均相混合物体系的准确光谱定量分析方法 | |
| Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
| CN111563436A (zh) | 一种基于ct-cdd的红外光谱测量仪器标定迁移方法 | |
| Fu et al. | Robust and automated internal quality grading of a Chinese green tea (Longjing) by near‐infrared spectroscopy and chemometrics | |
| CN114783539B (zh) | 一种基于光谱聚类的中药成分分析方法及系统 | |
| CN106525755A (zh) | 基于近红外光谱技术的油砂pH值测试方法 | |
| Li et al. | A novel method for the nondestructive classification of different‐age Citri Reticulatae Pericarpium based on data combination technique | |
| CN105738311A (zh) | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN112749466B (zh) | 智能制造测量控制集成模型及其建立方法应用 | |
| CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
| CN103398971A (zh) | 一种测定柴油十六烷值的化学计量学方法 | |
| CN109270022B (zh) | 一种近红外光谱模型的波段选择方法及模型构建方法 | |
| CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
| CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
| Tian et al. | Application of nir spectral standardization based on principal component score evaluation in wheat flour crude protein model sharing | |
| CN106950193B (zh) | 基于自加权变量组合集群分析的近红外光谱变量选择方法 | |
| CN114858958B (zh) | 质谱数据在质量评估中的分析方法、装置和存储介质 | |
| Karimi et al. | Identification of discriminatory variables in proteomics data analysis by clustering of variables |
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 |