CN113569951B - 一种基于生成对抗网络的近红外定量分析模型构建方法 - Google Patents
一种基于生成对抗网络的近红外定量分析模型构建方法 Download PDFInfo
- Publication number
- CN113569951B CN113569951B CN202110861028.4A CN202110861028A CN113569951B CN 113569951 B CN113569951 B CN 113569951B CN 202110861028 A CN202110861028 A CN 202110861028A CN 113569951 B CN113569951 B CN 113569951B
- Authority
- CN
- China
- Prior art keywords
- sample
- near infrared
- data
- model
- quantitative analysis
- 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
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 34
- 238000002329 infrared spectrum Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000011410 subtraction method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000013589 supplement Substances 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000002156 mixing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于生成对抗网络的近红外定量分析模型构建方法，属于近红外在线检测的应用领域，首先利用生成对抗网络模型对工业现场少量有标签样本进行训练生成一定规模的可用样本，在此基础上利用主成分分析模型筛选出建模样本，然后利用选出的建模样本构建近红外定量分析模型，最终利用该模型对油品属性进行在线检测。本发明鉴于工业现场有标签近红外数据少、数据类别不均衡造成的建模难、模型泛化性弱的问题，采用生成对抗网络补充有标签样本、均衡数据集，从而提高在仅有少数有标签样本情况下近红外定量分析模型的精度和泛化性。
Description
技术领域
本发明属于近红外在线检测技术领域，具体涉及一种基于生成对抗网络的近红外定量分析模型构建方法。
背景技术
汽油作为主要的能源供给在国民经济中占据重要地位，为改善空气质量、防治大气污染，车用汽油国家标准的要求越来越严格，这对我国车用汽油产品生产、储运和使用提出了更高要求，更是对油品生产企业的技术改造提出了更高要求。采用传统的罐式调和，依靠操作人员凭借经验通过手工试凑进行油品调和的方式，不仅造成了人力、物力和时间的大量浪费，也已不能满足现代智能化、自动化的工业要求；而汽油管道调和方式在经济效率、油品质量达标等方面有更加明显的优势。汽油调和的生产过程对调和优化控制的需求和依赖较大，良好的优化控制必将带来巨大的经济效益，已经成为社会、企业一直以来高度重视的问题。
调和优化控制中，油品属性的在线检测主要依赖在线近红外分析技术。近红外分析作为一种非入侵的检测技术在国内外油品调和过程中应用十分普遍。该技术的应用首先需要建立油品的近红外光谱与待测属性的定量分析模型，然后将实时采集的油品光谱数据送入所构建的模型得到油品属性的实时预测分析值。这一过程中，定量分析模型的构建尤为关键，是影响预测精度的关键因素。由于建模过程需要大量有标签的样本数据，日常工作中需要安排大量采样，这给模型构建、模型维护带来难度，使得模型更新、维护的工作量巨大。
发明内容
为了解决上述问题，本发明提出了一种基于生成对抗网络的近红外定量分析模型构建方法，该方法利用生成对抗网络生成有标签样本集，并结合基于统计理论的样本选择和即时学习(just in time learning,JITL)实现局部训练集的优选，非常适用于只有少量有标签样本的情况下近红外定量分析模型的构建；该方法能够在实际工业建模过程中，在仅有少量有标签样本时快速构建能够满足生产需求的定量分析模型，建模效率高，能够极大节约模型开发和维护成本。
本发明的技术方案如下：
一种基于生成对抗网络的近红外定量分析模型构建方法，包括如下步骤：
S1.历史数据采集与预处理；
通过现场采样及实验室分析获得汽油样本属性值及其对应近红外光谱，构建历史数据库；对近红外光谱进行预处理，消除基线漂移；
预处理好的数据集记为Dr(x,y)＝{(x1,y1),(x2,y2),...,(xn,yn)}；xi为第i个样本对应的近红外光谱，yi为第i个样本对应的属性值；
S2.数据标准化及数据分类；
对数据集Dr(x,y)进行标准化处理，并将处理后的数据随机分为K个子集Dr,k(x,y)，k＝1,2,…,K；
S3.数据生成模型构建及训练；
利用Dr,k(x,y)，k＝1,2,…,K分别建立生成对抗网络模型，共建立K个生成对抗网络子模型；生成对抗网络模型构建完成后，对网络进行训练，得到K个生成的数据子集；
S4.数据合成；
将生成的K个数据子集构建为数据集Dg(x,y)＝{(x1,y1),...,(xN,yN)}；并将初始真实数据集Dr(x,y)与Dg(x,y)合成新的数据集Ds(x,y)，用于后续样本选择；
S5.样本筛选与初始训练集构建；
利用Dr(x,y)数据集建立主成分分析模型，并按照置信度计算T2统计量的阈值；之后基于该主成分分析模型计算数据集Ds(x,y)中每个样本的T2统计量，并按照统计量阈值在Ds(x,y)中选取不超过阈值范围的样本构建训练样本集DT(x,y)；
S6.局部训练样本选择；
在线应用时，当待测样本xq到来时，首先计算待测样本与DT(x,y)中每个样本的邻域距离di；然后，对Ds(x,y)中的样本按ω的降序排列，选取前Kn个样本构建局部训练集Dl(x,y)，ω的计算公式为：
其中，σd为位置参数；
S7.局部定量分析模型构建及预测值计算；
基于局部训练集Dl(x,y)，利用偏最小二乘算法构建定量分析模型，并将待测样本xq送入所建立的偏最小二乘模型中，计算待测样本的属性预测值得到预测输出值后，丢弃当前模型，直到下一个新的待测样本xq到来，重复步骤S5、S6、S7。
优选地，步骤S1中，采用基线校正方法或背景扣除法对近红外光谱进行预处理。
优选地，步骤S6中，邻域距离di的计算公式为：
其中，xi为数据集Ds(x,y)中的第i个样本。
本发明所带来的有益技术效果：
(1)本发明以已经获得的有属性标签的近红外数据为基础，采用数据生成模型补充样本集，能够高效率获得有益于建立定量分析模型的数据样本；(2)融合基于统计理论的样本选择方法，从生成数据和已有有标签数据中选择建模样本，能够为目标工况快速、高效优选训练样本；(3)采用基于即时学习的方法为待测样本选择最佳邻域样本构建局部训练集，有益于提高定量分析模型的适用性和精度；(4)采用非入侵式的方法对油品属性进行在线检测，具有分析速度快、价格经济、适用范围广等优点，有利于促进近红外在线分析检测技术在油品优化控制中的进一步推广。
附图说明
图1是本发明基于生成对抗网络的近红外定量分析模型构建方法的流程图；
图2是本发明实施例样本选择结果的示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，本发明是一种基于生成对抗网络的不均衡建模数据生成与补充，并基于采样样本和生成数据构建近红外定量分析模型的方法。主要包括五个主要部分：历史数据采集与预处理、数据生成模型构建、样本筛选与初始训练集构建、局部训练样本选择、局部定量分析模型构建及预测值计算；具体包括如下步骤：
步骤一：历史数据采集与预处理
通过现场采样及实验室分析获得汽油样本属性值及其对应近红外光谱，构建历史数据库；采用基线校正方法对近红外光谱进行预处理，以消除基线漂移；
预处理好的数据集记为Dr(x,y)＝{(x1,y1),(x2,y2),...,(xn,yn)}；xi为第i个样本对应的近红外光谱，yi为第i个样本对应的属性值。
步骤二：数据标准化及数据分类
对数据集Dr(x,y)进行标准化处理，并将处理后的数据随机分为K个子集Dr,k(x,y)，k＝1,2,…,K；
步骤三：数据生成模型构建及训练
利用Dr,k(x,y)，k＝1,2,…,K分别建立生成对抗网络模型，共建立K个生成对抗网络子模型；生成对抗网络模型构建完成后，对网络进行训练，得到K个生成的数据子集。
步骤四：数据合成
将生成的K个数据子集构建为数据集Dg(x,y)＝{(x1,y1),...,(xN,yN)}；并将初始真实数据集Dr(x,y)与Dg(x,y)合成新的数据集Ds(x,y)，用于后续样本选择。
步骤五：样本筛选与初始训练集构建
利用Dr(x,y)数据集建立主成分分析模型，并按照置信度计算T2统计量的阈值；之后基于该主成分分析模型计算数据集Ds(x,y)中每个样本的T2统计量，并按照统计量阈值在Ds(x,y)中选取不超过阈值范围的样本构建训练样本集DT(x,y)。
步骤六：局部训练样本选择
在线应用时，当待测样本xq到来时，首先利用下式计算待测样本与DT(x,y)中每个样本的邻域距离di：
其中，xi为数据集Ds(x,y)中的第i个样本。
然后，对Ds(x,y)中的样本按ω的降序排列，选取前Kn个样本构建局部训练集Dl(x,y)，ω的计算公式为：
其中，σd为位置参数。
步骤七：局部定量分析模型构建及预测值计算
基于局部训练集Dl(x,y)，利用偏最小二乘算法构建定量分析模型，并将待测样本xq送入所建立的偏最小二乘模型中，计算待测样本的属性预测值得到预测输出值后，丢弃当前模型，直到下一个新的待测样本xq到来，重复步骤五到步骤七。
实施例
为了证明本发明的优越性，下面以一具体实施例详细介绍本发明方法在汽油光谱信息中的应用，以及相对于其他算法的优势。
步骤1：采用在线近红外光谱仪获取汽油光谱信息，采集到的光谱波长范围为1100nm～1300nm，波长间隔1nm，共包含201个波长点。将采集到的240个样本分为两组：其中40个样本作为训练集构成初始历史数据库，余下200个作为测试集，用于对所构建模型进行验证。所有的光谱数据用背景扣除法进行预处理，以消除基线漂移。
步骤2：采用下式对所搜集的数据做标准化处理，
其中，
步骤3：由于该实施例中历史训练集中只有40个采样样本，样本量较少所以不对其进行随机分类，而是建立10个独立的生成对抗网络模型，每个生成对抗网络生成50个样本，共生成500个样本。采用试差法确定生成对抗网络的参数如下：最大迭代次数设为1000，每一代迭代时鉴别器的迭代次数为10，生成器和鉴别器都采用多层神经网络构建，网络结构分为9-9-202和9-9-1。生成器和鉴别器都采用小批量随机梯度下降法训练，每一层的梯度惩罚系数分别为15,0.01,0.02,和1。
步骤4：将上述生成的500个数据构建为数据集Dg(x,y)＝{(x1,y1),...,(xN,yN)}；并将初始真实40个数据Dr(x,y)与Dg(x,y)合成新的数据集Ds(x,y)，用于后续样本选择。
步骤5：基于已经获得的40个真实数据，利用主成分分析方法建模，其中方差累积贡献度取99％，共提取9个主成分；T2统计量的阈值采用置信度为0.9处的值，为20.8523。根据T2统计量，从Ds(x,y)共筛选出288个样本构成DT(x,y)，具体结果参见图2。
步骤6：为待测样本选择局部训练集。
当新来一个待测样本xq时，基于欧式距离建立相似度准则，计算待测样本xq与训练数据库中所有样本的相似度，并按相似度降序对训练样本排序，选取前35个样本构成局部训练集。
步骤7：局部定量分析模型构建及预测值计算。
基于局部训练集，利用偏最小二乘算法构建定量分析模型，并将待测样本xq送入所建立的偏最小二乘模型中，计算待测样本的属性预测值。
为了比较分析本发明所提出方法的性能和特点，采用不同算法建立模型，并进行对比分析。同时，采用均方根误差(root mean square error,RMSE)和决定系数(R2)作为模型评价的指标：RMSE越小，R2越大，则模型的精度越高、对数据的解释能力越强。RMSE、R2的具体形式如下：
其中，为预测值。
表1为四种不同模型构建方法在测试集上的验证结果。从表1中可以看出，本发明所提基于生成对抗网络的近红外定量分析模型构建方法(即GAN-JIT-PLS算法模型)的预测值偏差最小(均方根误差小)，模型的解释能力最好(决定系数大)。
表1 不同模型构建方法实验结果对比
所以，本发明提出的基于生成对抗网络的训练数据生成方法，只需要获取少量对目标过程有代表性的有标签样本即可利用生成模型产生一定规模的可用样本，从而大幅度减少人工采样频次。这对于提高近红外定量分析模型构建、模型更新、模型维护的工作量，提高模型的实用性具有重要意义。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (2)
1.一种基于生成对抗网络的近红外定量分析模型构建方法，其特征在于，包括如下步骤：
S1.历史数据采集与预处理；
通过现场采样及实验室分析获得汽油样本属性值及其对应近红外光谱，构建历史数据库；对近红外光谱进行预处理，消除基线漂移；
预处理好的数据集记为Dr(x,y)＝{(x1,y1),(x2,y2),...,(xn,yn)}；xi为第i个样本对应的近红外光谱，yi为第i个样本对应的属性值；
S2.数据标准化及数据分类；
对数据集Dr(x,y)进行标准化处理，并将处理后的数据随机分为K个子集Dr,k(x,y)，k＝1,2,…,K；
S3.数据生成模型构建及训练；
利用Dr,k(x,y)，k＝1,2,…,K分别建立生成对抗网络模型，共建立K个生成对抗网络子模型；生成对抗网络模型构建完成后，对网络进行训练，得到K个生成的数据子集；
S4.数据合成；
将生成的K个数据子集构建为数据集Dg(x,y)＝{(x1,y1),...,(xN,yN)}；并将初始真实数据集Dr(x,y)与Dg(x,y)合成新的数据集Ds(x,y)，用于后续样本选择；
S5.样本筛选与初始训练集构建；
利用Dr(x,y)数据集建立主成分分析模型，并按照置信度计算T2统计量的阈值；之后基于该主成分分析模型计算数据集Ds(x,y)中每个样本的T2统计量，并按照统计量阈值在Ds(x,y)中选取不超过阈值范围的样本构建训练样本集DT(x,y)；
S6.局部训练样本选择；
在线应用时，当待测样本xq到来时，首先计算待测样本与DT(x,y)中每个样本的邻域距离di；然后，对Ds(x,y)中的样本按ω的降序排列，选取前Kn个样本构建局部训练集Dl(x,y)，ω的计算公式为：
其中，σd为位置参数；
邻域距离di的计算公式为：
其中，xi为数据集Ds(x,y)中的第i个样本；
S7.局部定量分析模型构建及预测值计算；
基于局部训练集Dl(x,y)，利用偏最小二乘算法构建定量分析模型，并将待测样本xq送入所建立的偏最小二乘模型中，计算待测样本的属性预测值得到预测输出值后，丢弃当前模型，直到下一个新的待测样本xq到来，重复步骤S5、S6、S7。
2.根据权利要求1所述的基于生成对抗网络的近红外定量分析模型构建方法，其特征在于，所述步骤S1中，采用基线校正方法或背景扣除法对近红外光谱进行预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110861028.4A CN113569951B (zh) | 2021-07-29 | 2021-07-29 | 一种基于生成对抗网络的近红外定量分析模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110861028.4A CN113569951B (zh) | 2021-07-29 | 2021-07-29 | 一种基于生成对抗网络的近红外定量分析模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569951A CN113569951A (zh) | 2021-10-29 |
| CN113569951B true CN113569951B (zh) | 2023-11-07 |
Family
ID=78168761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110861028.4A Active CN113569951B (zh) | 2021-07-29 | 2021-07-29 | 一种基于生成对抗网络的近红外定量分析模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569951B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109324014A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种自适应的原油性质近红外快速预测方法 |
| CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
| CN110320162A (zh) * | 2019-05-20 | 2019-10-11 | 广东省智能制造研究所 | 一种基于生成对抗网络的半监督高光谱数据定量分析方法 |
| CN110514619A (zh) * | 2019-08-29 | 2019-11-29 | 山东科技大学 | 基于有偏估计的近红外定量分析模型构建方法 |
| CN111626317A (zh) * | 2019-08-14 | 2020-09-04 | 广东省智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
-
2021
- 2021-07-29 CN CN202110861028.4A patent/CN113569951B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109324014A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种自适应的原油性质近红外快速预测方法 |
| CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
| CN110320162A (zh) * | 2019-05-20 | 2019-10-11 | 广东省智能制造研究所 | 一种基于生成对抗网络的半监督高光谱数据定量分析方法 |
| CN111626317A (zh) * | 2019-08-14 | 2020-09-04 | 广东省智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
| CN110514619A (zh) * | 2019-08-29 | 2019-11-29 | 山东科技大学 | 基于有偏估计的近红外定量分析模型构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 近红外光谱相似性评估结合局部回归方法无损检测苹果糖度;夏阿林;周新奇;叶华俊;张学锋;陈英斌;;分析测试学报(第12期);第1-2页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569951A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
| CN104699894B (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
| CN101414183B (zh) | 基于灰色关联分析的卷烟工序质量综合评价系统及其方法 | |
| WO2021036546A1 (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
| CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
| CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
| CN110297852B (zh) | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 | |
| CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
| CN110263488A (zh) | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
| CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN110516884A (zh) | 一种基于大数据平台的短期负荷预测方法 | |
| CN113569951B (zh) | 一种基于生成对抗网络的近红外定量分析模型构建方法 | |
| CN1327376C (zh) | 基于支持向量机的软测量仪表建模方法 | |
| CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
| CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
| CN115841184A (zh) | 一种基于工序聚类的工时预测方法 | |
| CN114780609A (zh) | 基于电力大数据与时间序列的区域碳排放量计算方法 | |
| CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
| CN107122899A (zh) | 一种石材加工过程绿色性评价系统及诊断方法 | |
| CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN117273422B (zh) | 用于数字化生产的供应链协同管控方法及系统 |
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 |