CN113052271A - 基于深度神经网络的生物发酵数据预测方法 - Google Patents
基于深度神经网络的生物发酵数据预测方法 Download PDFInfo
- Publication number
- CN113052271A CN113052271A CN202110528150.XA CN202110528150A CN113052271A CN 113052271 A CN113052271 A CN 113052271A CN 202110528150 A CN202110528150 A CN 202110528150A CN 113052271 A CN113052271 A CN 113052271A
- Authority
- CN
- China
- Prior art keywords
- data
- dimension
- training
- prediction method
- model
- 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 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000000855 fermentation Methods 0.000 title claims abstract description 12
- 230000004151 fermentation Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012847 principal component analysis method Methods 0.000 abstract 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 11
- 239000008103 glucose Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度神经网络的生物发酵数据预测方法,包括如下步骤:获取并预处理样本光谱数据以得到训练集;利用训练集对自监督特征提取网络模型进行训练以优化特征提取网络模型参数;利用经特征提取的数据对自动编码器网络模型进行训练以建立降维模型;对经降维模型挑选的数据进行TSK模糊回归以建立浓度预测模型;输入待测溶液的光谱数据以预测溶液浓度。本发明结合自监督学习的深度自动编码器特征提取方法,既能构造比传统的主成分分析法更为复杂的非线性映射,还可以保证其提取的特征具有利于后续的回归预测方法的语义信息,结合TSK回归预测,可以避免光谱数据维度过大、冗余信息较多的问题,而且能给出精确且具有可解释性的结果。
Description
技术领域
本发明涉及生物发酵数据预测的技术领域,具体是基于自监督学习和深度自动编码器的(Takagi-Sugeno-Kang)TSK模糊回归模型,来预测监控发酵过程中的各成分的实时浓度的方法。
背景技术
得益于人工智能算法的兴起,越来越多的领域向着智能化飞速发展。就食品生物发酵方面,在生产阶段需要对溶液成分浓度进行监控,而直接测量溶液成分的浓度时间太长。于是研究者提出了用光谱数据来预测溶液成分浓度的方法。
传统的方法比如偏最小二乘法(PLS)是融合主成分分析和多元线性回归的一种有效的化学计量学方法,其通常使用主成分分析来对特征进行线形变换,从而达到降低数据维度的目的。而光谱数据存在维度高,冗余数据多的特点,于是对特征提取的好坏成为了影响整个模型最终的回归预测效果的关键因素。但由于传统的方法如偏最小二乘法(PLS)一般只能构造线性的特征提取函数,从而导致传统的方法无法对光谱数据提取到有效的特征,从而难以对实际生产的复杂环境下的溶液成分进行精准的预测。
深度神经网络具有抗干扰,抗噪声和强大的输入和输出之间高度非线性映射的能力、非线性传输能力等优点,在定性和定量分析中得到越来越广泛的应用,特别是在高维数据的特征抽取方面具有极大的应用意义。相比而言,由于深度神经网络可以构造复杂的非线性模型,比传统偏最小二乘回归模型的表达能力更强,更适合实际生产的复杂环境。然而,目前使用的普通的深度神经网络也存在一些问题:一方面,虽然普通的深度神经网络可以对光谱数据进行降维但却无法保证其降维后的低维特征是对与后面的回归预测有效的;另一方面,由于光谱数据的维度比较高,在使用较多层的深度神经网络时其整体的计算量很大,并且原始数据冗余项过多,未经特征提取的数据直接进入深度神经网络进行回归预测,效果反而还不如传统的偏最小二乘回归法。
发明内容
针对现有技术存在的问题,本发明提供一种基于深度神经网络的生物发酵数据预测方法,其是基于自监督学习和深度自动编码器的(Takagi-Sugeno-Kang)TSK模糊回归模型,来预测监控发酵过程中的各成分的实时浓度。
本发明的技术方案具体为,一种基于深度神经网络的生物发酵数据预测方法,其特征在于,包括如下步骤:
获取并预处理样本光谱数据以得到训练集;
利用训练集对自监督特征提取网络模型进行训练以优化特征提取网络模型参数;
利用经特征提取的数据对自动编码器网络模型进行训练以建立降维模型;
对经降维模型挑选的数据进行TSK模糊回归以建立浓度预测模型;
输入待测溶液的光谱数据以预测溶液浓度。
进一步优选的,所述样本光谱数据为N组具有2048个值的数值型数据2048*N,对其进行归一化处理。
进一步优选的,所述制作自监督学习的pretext任务标签,由如下规则生成:
1)定义由整数1-2048形成的横坐标轴为数据的维度轴,横坐标i(即光谱数据的第i个维度)所对应的纵坐标的值代表散射光强度,将每个横坐标对应的全部N个纵坐标的值求平均值,得到一条平均值曲线;
2)将每个横坐标对应的纵坐标的值与1)中求得的平均值的做差并取绝对值,得到一组差值矩阵,然后对每个横坐标中所有N个差值经过处理后取最大值,从而得到2048个最大差值,形成一差值曲线;
3)将2)所得的差值与设定阈值比较,大于设定阈值为与浓度相关特征(标为1),小于设定阈值为与浓度不相关特征(标为0),这样就得到了一串2048个0,1序列;
优选的,所述阈值的设定可以是,所有训练数据每个横坐标(共2048个维度)所对应纵坐标的最大值与最小值之差,然后将全部2048个差值取平均作为所述阈值。
进一步优选的,所述自监督特征提取网络模型的损失函数为交叉熵损失函数。
进一步优选的,所述自动编码器包括降维编码器和升维编码器,所述降维编码器将经特征提取的数据降维到400后再降维到n,所述升维编码器将降维后数据升维到400后再还原到输入数据大小。
进一步优选的,所述自动编码器网络模型的损失函数为基于L1距离的重建损失。
进一步优选的,所述TSK模糊回归,其中TSK的生成规则如下:
K是模糊规则的数量n,fk(X)是规则的映射输出,X=[x1,x2,…,xd]T是输入向量,是规则输入域中的模糊子集;c和δ分别是由(Fuzzy c-means(FCM)算法得到的聚类中心和隶属度,是整个TSK模糊系统表示成
其中的μ为隶属度函数。
进一步优选的,所述N大于150。
进一步优选的,所述利用训练集对自监督特征提取网络模型进行训练,为100-200轮训练。
与现有技术相比,本发明的有益效果是:
首先,目前常用的定量回归方法包括偏最小二乘、人工神经网络、支持向量机等都未用到自监督学习的思想,其特征提取的方面都是用主成分分析(PCA)完成,虽然说能做到提取出数据的主要信息以及压缩维度,但是无法有针对性地对与要预测的浓度相关的特征进行提取。其次,传统的偏最小二乘法无法构造复杂的非线性模型,在实际的生产环境应用中,溶液的成分可能会很复杂,需要构造复杂的非线性模型才能尽可能地拟合现实世界的规律。所以传统方法的实用性效果不会很好,应用场景很有限。
而本发明提出的预测模型结合了自监督学习和自动编码器来针对要预测的溶液成分浓度来做特征提取,通过设置预测与浓度相关的维度这样的任务方式来提取出原始光谱数据中与葡萄糖浓度相关的维度,并且此任务是根据食品相关科研人员对于光谱数据与浓度关系的经验来设置的,具有很强的理论依据。提取出浓度相关特征之后,使用提取特征后的数据进一步用TSK模糊回归预测,回归部分使用TSK模糊回归而不是SVM,多元线性回归,使得模型能兼顾高回归精度和高可解释性。整个模型对于实际生产中的复杂溶液不仅能更精确地根据光谱数据来预测葡萄糖浓度,且因为TSK方法的加入能生成模糊规则,其可解释性对于生产有指导意义。
附图说明
图1自监督-自动编码器-TSK回归预测模型原理简图。
图2A-D为训练集的最终预测结果拟合图和训练loss对比。
具体实施方式
以下将结合本发明实施例中的附图对本发明实施例中的技术方案进行描述。
本发明提供一种基于深度神经网络的生物发酵数据预测方法。
如图1所示,本发明中基于深度神经网络的生物发酵数据预测方法,具体包括如下步骤:
1.光谱数据预处理
原始光谱数据是.spc文件,由于后面的神经网络模型需要用python实现,而python没有能读取光谱数据.spc的包,所以需要用matlab来将.spc中的数值型数据提取出来,转化为python能够读取的.mat。其中所有的光谱数据数值型的值都是2048个,本实施例采集了一共170组不同浓度的葡萄糖溶液光谱数据,对这2048*170的数据做归一化处理,其中160组数据作为训练集,10组数据作为测试集。
2.制作自监督学习的pretext任务的标签
根据本发明特定的筛选维度的规则得到一组长度为2048的0,1序列,作为特征提取网络的标签Label(序列中数值为1的个数为m0个),该特定规则是,
1)定义由整数1-2048形成的横坐标轴为数据的维度轴,横坐标i(即光谱数据的第i个维度)所对应的纵坐标的值代表散射光强度,将每个横坐标对应的全部160个纵坐标的值求平均值,得到一条平均值曲线;
2)将每个横坐标对应的纵坐标的值与1)中求得的平均值的做差并取绝对值,得到一组差值矩阵,然后对每个横坐标中所有160个差值经过处理后取最大值,从而得到2048个最大差值,形成一差值曲线;
3)将2)所得的差值与设定阈值比较,大于设定阈值为与浓度相关特征(标为1),小于设定阈值为与浓度不相关特征(标为0),这样就得到了一串2048个0,1序列,其中标为1的维度为m0个;其中,阈值的设定是,所有训练数据每个横坐标(共2048个维度)所对应纵坐标的最大值与最小值之差,然后将全部2048个差值取平均作为阈值。
通过上述筛选维度规则识别出光谱数据中在不同浓度的溶液成分浓度下变化比较大的m0个维度(即m0个标为1的维度)。
3.特征提取网络模型训练
将2048*160的数据转置成160*2048,作为特征提取网络模型的训练集x,利用步骤2中制作的0,1序列为标签y,采用梯度下降的方法进行200轮的深度模型训练,训练结束后调整到最优参数。
4.得到葡萄糖浓度相关的特征
将转置后的160*2048数据作为特征提取网络模型的输入即可得到一组2048的0,1序列。用这一串0,1序列来挑选光谱数据中与葡萄糖浓度有关的维度,其中1表示有关,0表示无关,根据0、1取值(即是否与葡萄糖浓度相关)挑选m个特征维度数据。
5.自动编码器网络训练
将得到的经过自监督学习网络挑选过特征维度的数据作为训练数据(160*m),由于实验中经验表明标为1的维度的个数m大约在600左右,因此设定经过降维的编码器将数据维度从m降到400再降到n,其中n取值在2-10之间以便于后续的分类任务处理,然后经过升维的解码器再将数据维度从n升到400再升回m,得到原到160*m大小的数据,整个自动编码器网络的损失函数为160*m的输入数据与整个模型最终输出的160*m数据的基于L1距离重建损失。
6.TSK模糊回归预测模型训练
将得到的经过挑选过特征维度的数据再经过自动编码器的编码降维部分得到的160*n的数据,用TSK的回归模型对其进行预测,得到浓度值和n条规则,以建立预测模型,具体的,TSK的生成规则如下:
K是模糊规则的数量n,fk(X)是规则的映射输出,X=[x1,x2,…,xd]T是输入向量,是规则输入域中的模糊子集;c和δ分别是由(Fuzzy c-means(FCM)算法得到的聚类中心和隶属度,是整个TSK模糊系统表示成
其中的μ为隶属度函数。
7.评价指标。通过上述步骤已经得到测试集的测试结果,即模型所生成的模拟图像,利用数据公式与真实图像计算多个评价指标,本次实验采用的评价指标为均方误差(MSE)和决定系数(R2)。
均方误差(MSE)函数
给定一组大小为m的预测浓度P和真实浓度T,在本实验中Pi和Ti分别表示第模型预测所得的第i个浓度数据和第i个真实浓度数据。
均方误差MSE定义为:
该统计参数是预测数据和原始数据对应点误差的平方和的均值,MSE越小,代表预测的结果越准确。
决定系数(R2)
度量的是因变量的变异中可由自变量解释部分所占的比例,也是用于评价回归模型解释力的重要指标。
定义平均真实值为
总平方和
残差平方和
由此,决定系数为
其中,分子部分表示真实值与预测值的平方差之和,类似与均方差MSE;分母部分表示真实值与均值的平方差之和,类似于方差。决定系数的取值范围[0,1],可以R2的取值来判断模型的好坏。如果取值为0,说明模型拟合效果很差;如果取值为1,说明模型无错误。一般来说,R2越大,表示模型的拟合效果越好。
本发明的网络模型训练实验环境,具体如表1所示。
表1网络模型训练实验环境
图2A和图2B是采用本发明实施例1中与自监督学习结合的深度神经网络回归预测浓度拟合结果和回归预测模型loss的收敛情况,而图2C和2D是对比例未使用自监督学习的使用原始数据直接进行深度神经网络回归预测浓度拟合结果和回归预测模型loss的收敛情况。从图像上能够直观的看出,在加入自监督学习以后回归预测网络只需不到50轮就能收敛到一个很优的结果,而使用原始数据直接进行深度回归预测的网络则至少需要300轮才能收敛。并且图里就能很清楚地看出加入了自监督学习之后的模型对于160组训练数据的浓度的预测效果好了很多。
而使用原始数据直接进行深度回归预测的网络虽然能够提前收敛,但是由于其维度过高并且未经过有效特征选择,故预测效果不如我们所提出的结合自监督学习的深度神经网络。为了防止过拟合现象。我们还用了另外10组未参与模型训练的葡萄糖浓度为50的光谱数据进行浓度预测,得到的结果如表2所示。
表2 10组未参与模型训练的葡萄糖浓度为50的光谱数据浓度预测结果比较
经过评价指标评估,这十组测试数据经过两种模型得到结果与实际的葡萄糖浓度的MSE和R2如下表3所示。
表3预测结果评价指标对比
MSE | R<sup>2</sup> | |
DNN | 26.14 | 0.99327 |
DNN+自监督学习 | 0.039 | 0.99932 |
在本发明实验过程中,主要是采用170组不同葡萄糖浓度的光谱数据作为数据集,但是其葡萄糖浓度是根据加料的量计算出来的理论浓度,所以会与实际浓度有细微偏差。在实际应用中若除了葡萄糖还想获取其他溶液成分的浓度,则需测定其他成分的浓度与光谱数据构成新的训练集重新训练模型,再进行预测。在实际的生产任务中,只需输入对溶液的光谱数据,模型即可输出指定成分的浓度预测,可以实时监控生产。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度神经网络的生物发酵数据预测方法,其特征在于,包括如下步骤:
获取样本光谱数据以得到训练集;
根据经验制作自监督学习的pretext任务标签;
利用训练集以及pretext任务标签对自监督特征提取网络模型进行训练以优化特征提取网络模型参数;
利用经特征提取的数据对自动编码器网络模型进行训练以建立降维模型;
对经降维模型挑选的数据进行TSK模糊回归以建立浓度预测模型;
输入待测溶液的光谱数据以预测溶液浓度。
2.根据权利要求1所述的预测方法,其特征在于,所述样本光谱数据为N组具有2048个值的数值型数据2048*N,对其进行归一化处理。
3.根据权利要求2所述的预测方法,其特征在于,所述制作自监督学习的pretext任务标签,由如下规则生成:
1)定义由整数1-2048形成的横坐标轴为数据的维度轴,横坐标i(即光谱数据的第i个维度)所对应的纵坐标的值代表散射光强度,将每个横坐标对应的全部N个纵坐标的值求平均值,得到一条平均值曲线;
2)将每个横坐标对应的纵坐标的值与1)中求得的平均值的做差并取绝对值,得到一组差值矩阵,然后对每个横坐标中所有N个差值经过处理后取最大值,从而得到2048个最大差值,形成一差值曲线;
3)将2)所得的差值与设定阈值比较,大于设定阈值为与浓度相关特征(标为1),小于设定阈值为与浓度不相关特征(标为0),这样就得到了一串2048个0,1序列。
4.根据权利要求3所述的预测方法,其特征在于,所述阈值的设定是,所有训练数据每个横坐标(共2048个维度)所对应纵坐标的最大值与最小值之差,然后将全部2048个差值取平均作为所述阈值。
5.根据权利要求1所述的预测方法,其特征在于,所述自监督特征提取网络模型的损失函数为交叉熵损失函数。
6.根据权利要求1所述的预测方法,其特征在于,所述自动编码器包括降维编码器和升维编码器,所述降维编码器将经特征提取的数据降维到400后再降维到n,所述升维编码器将降维后数据升维到400后再还原到输入数据大小,其中n的取值范围为2-10。
7.根据权利要求1所述的预测方法,其特征在于,所述自动编码器网络模型的损失函数为基于L1距离的重建损失。
9.根据权利要求2所述的预测方法,其特征在于,所述N大于150。
10.根据权利要求1所述的预测方法,其特征在于,所述利用训练集对自监督特征提取网络模型进行训练,为100-200轮训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528150.XA CN113052271B (zh) | 2021-05-14 | 2021-05-14 | 基于深度神经网络的生物发酵数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528150.XA CN113052271B (zh) | 2021-05-14 | 2021-05-14 | 基于深度神经网络的生物发酵数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052271A true CN113052271A (zh) | 2021-06-29 |
CN113052271B CN113052271B (zh) | 2022-02-15 |
Family
ID=76518418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110528150.XA Expired - Fee Related CN113052271B (zh) | 2021-05-14 | 2021-05-14 | 基于深度神经网络的生物发酵数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052271B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113520413A (zh) * | 2021-08-25 | 2021-10-22 | 长春工业大学 | 一种基于表面肌电信号的下肢多关节角度估计方法 |
CN114414495A (zh) * | 2021-12-13 | 2022-04-29 | 西安理工大学 | 基于双向长短时记忆网络的混合染液浓度检测方法 |
CN117216724A (zh) * | 2023-08-22 | 2023-12-12 | 北京石油化工学院 | 一种微生物培养过程中多种物质实时检测的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110212090A1 (en) * | 2008-07-23 | 2011-09-01 | Dako Denmark A/S | Combinatorial Analysis and Repair |
CN105260794A (zh) * | 2015-10-12 | 2016-01-20 | 上海交通大学 | 一种云数据中心的负载预测方法 |
CN108389125A (zh) * | 2018-02-27 | 2018-08-10 | 挖财网络技术有限公司 | 信贷申请的逾期风险预测方法及装置 |
CN108603186A (zh) * | 2015-08-31 | 2018-09-28 | 乐斯福公司 | 共表达外源糖化酶的酵母菌株、获得所述酵母菌株的方法及其用于生产生物乙醇的用途 |
CN109446519A (zh) * | 2018-10-10 | 2019-03-08 | 西安交通大学 | 一种融合数据类别信息的文本特征提取方法 |
CN109902861A (zh) * | 2019-01-31 | 2019-06-18 | 南京航空航天大学 | 一种基于双层迁移学习的订单生产进度实时预测方法 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110010248A (zh) * | 2019-04-17 | 2019-07-12 | 电子科技大学 | 一种基于代价敏感集成学习模型的再入院风险预测方法 |
US20190228313A1 (en) * | 2018-01-23 | 2019-07-25 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Unsupervised Representation Learning by Sorting Sequences |
CN110596017A (zh) * | 2019-09-12 | 2019-12-20 | 生态环境部南京环境科学研究所 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
CN111141704A (zh) * | 2020-02-21 | 2020-05-12 | 江南大学 | 一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法 |
-
2021
- 2021-05-14 CN CN202110528150.XA patent/CN113052271B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110212090A1 (en) * | 2008-07-23 | 2011-09-01 | Dako Denmark A/S | Combinatorial Analysis and Repair |
CN108603186A (zh) * | 2015-08-31 | 2018-09-28 | 乐斯福公司 | 共表达外源糖化酶的酵母菌株、获得所述酵母菌株的方法及其用于生产生物乙醇的用途 |
CN105260794A (zh) * | 2015-10-12 | 2016-01-20 | 上海交通大学 | 一种云数据中心的负载预测方法 |
US20190228313A1 (en) * | 2018-01-23 | 2019-07-25 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Unsupervised Representation Learning by Sorting Sequences |
CN108389125A (zh) * | 2018-02-27 | 2018-08-10 | 挖财网络技术有限公司 | 信贷申请的逾期风险预测方法及装置 |
CN109446519A (zh) * | 2018-10-10 | 2019-03-08 | 西安交通大学 | 一种融合数据类别信息的文本特征提取方法 |
CN109902861A (zh) * | 2019-01-31 | 2019-06-18 | 南京航空航天大学 | 一种基于双层迁移学习的订单生产进度实时预测方法 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110010248A (zh) * | 2019-04-17 | 2019-07-12 | 电子科技大学 | 一种基于代价敏感集成学习模型的再入院风险预测方法 |
CN110596017A (zh) * | 2019-09-12 | 2019-12-20 | 生态环境部南京环境科学研究所 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
CN111141704A (zh) * | 2020-02-21 | 2020-05-12 | 江南大学 | 一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法 |
Non-Patent Citations (4)
Title |
---|
BRAM WALLACE ET AL.: "Extending and analyzing self-supervised learning across domains", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
QINGQIANG SUN ET AL.: "A survey on deep learning for data-driven soft sensors", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
冯斌等: "基于TSK模糊系统的生化变量预估模型", 《计算机与应用化学》 * |
马浩杰: "基于多模态感知数据的人类活动识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113520413A (zh) * | 2021-08-25 | 2021-10-22 | 长春工业大学 | 一种基于表面肌电信号的下肢多关节角度估计方法 |
CN113520413B (zh) * | 2021-08-25 | 2022-10-21 | 长春工业大学 | 一种基于表面肌电信号的下肢多关节角度估计方法 |
CN114414495A (zh) * | 2021-12-13 | 2022-04-29 | 西安理工大学 | 基于双向长短时记忆网络的混合染液浓度检测方法 |
CN114414495B (zh) * | 2021-12-13 | 2023-08-15 | 西安理工大学 | 基于双向长短时记忆网络的混合染液浓度检测方法 |
CN117216724A (zh) * | 2023-08-22 | 2023-12-12 | 北京石油化工学院 | 一种微生物培养过程中多种物质实时检测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113052271B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN111785329A (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
Iraji | Comparison between soft computing methods for tomato quality grading using machine vision | |
CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
CN110940523A (zh) | 一种无监督域适应故障诊断方法 | |
CN117056874B (zh) | 一种基于深度孪生自回归网络的无监督窃电检测方法 | |
CN113780420B (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
CN112785092A (zh) | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 | |
CN112115922A (zh) | 一种增强深度特征学习的旋转机械故障诊断方法 | |
CN116522124A (zh) | 一种基于环境因素影响的溶解氧含量预测方法和系统 | |
CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
CN116738297B (zh) | 一种基于深度自编码的糖尿病分型方法和系统 | |
CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
CN116885697A (zh) | 一种基于聚类分析与智能算法组合的负荷预测方法 | |
CN115630332A (zh) | 一种小麦粉粉质特性预测方法 | |
CN115034314A (zh) | 一种系统故障检测方法、装置、移动终端及存储介质 | |
CN114238852A (zh) | 运营数据的分析方法、装置、存储介质及电子设备 | |
Zuo et al. | Bearing fault dominant symptom parameters selection based on canonical discriminant analysis and false nearest neighbor using GA filtering signal | |
Li et al. | Prediction Method of Biological Fermentation Data Based on Deep Neural Network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220215 |