CN113686810B - 一种基于卷积神经网络的近红外光谱波长选择方法 - Google Patents
一种基于卷积神经网络的近红外光谱波长选择方法 Download PDFInfo
- Publication number
- CN113686810B CN113686810B CN202110975121.8A CN202110975121A CN113686810B CN 113686810 B CN113686810 B CN 113686810B CN 202110975121 A CN202110975121 A CN 202110975121A CN 113686810 B CN113686810 B CN 113686810B
- Authority
- CN
- China
- Prior art keywords
- value
- loop
- wavelength
- weight
- layer
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 18
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000002835 absorbance Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于卷积神经网络的近红外光谱波长选择方法，包括以下步骤，S1搭建CNN卷积神经网络；S2采用检测目标近红外光谱标样训练CNN模型，更新CNN卷积神经网络超参数；S3模拟正向传播过程，获取波长点权重大小。本发明优选波长后的模型性能明显由于全波长的情况，与iPLS相比，特征波长数更少，性能相当，略有优势。由于本专利为波长点选择算法，当阈值间隔粒度取值更小时，可以获得更高精度的特征波长选择结果。
Description
技术领域
本发明属于化学工程领域，具体涉及一种基于卷积神经网络的近红外光谱波长选择方法。
背景技术
偏最小二乘法(PLS)被认为具有很强的抗干扰能力，是近红外光谱建模中最常用的多元校准方法。在PLS中，主成分满足保留原始光谱信息和最佳解释主导变量的要求。但是，PLS是通过将原始特征空间映射到新空间来构建模型的，无法剔除不相关和冗余的变量。对光谱数据进行处理或变换，可以减少甚至消除各种非目标因素对光谱的影响，尽可能去除不相关的信息变量，能进一步提高校正模型预测能力和稳定性。该法是隐变量建模技术，不利于对待测物质进行谱学解释。
iPLS以及优化算法是主流特征波长提取算法，其原理是将全谱分为若干等宽的区间，通过比较RMSECV和RMSEP选择合适的波长或波长区间进行建模。当检测目标为复杂物质的综合表征时，检测目标近红外光谱数据信息严重耦合，导致待测指标的模式不明(如：检测废液COD含量时，近红外光谱对水分子有强吸收，对待测含量不敏感)，采用波段选择方法选取波段组合，很可能会丢失与待测组分相关的光谱信息；使用上述线性建模方法或传统前馈神经网络形成的浅层学习模型，表征和识别检测目标光谱与待测指标的复杂关系时往往也“力不从心”，模型的预测能力及泛化性能几乎达到瓶颈。基于上述方法选取特征波长的代表性将受到严重影响。
发明内容
本发明要解决的技术问题是，针对待测指标的模式不明复杂测量体系，现有隐变量建模技术和波段选择技术，不利特征波长选择和对待测物质进行谱学解释。
本发明提供一种基于卷积神经网络的近红外光谱波长选择方法，包括以下步骤，
S1搭建CNN卷积神经网络；
S2采用检测目标近红外光谱标样训练CNN模型，更新CNN卷积神经网络超参数；
超参数包括，1.卷积核数量：knum，2.卷积核大小：ksize，3.隐藏层神经元数量：q，在步骤S2中多次调试超参数值，直到网络模型预测效果达到最佳。
S3模拟正向传播过程，计算所有卷积核对每个波长点的全路径传播过程所得的系数，系数为正时判定该波长点吸光度对于预测值有正向贡献，对应波长点的权重加1，得到每个波长点的权重大小；
进一步的，
所述步骤S2包括，
S21)初始化超参数；
S22)随机初始化向量kk，F，H；
S23)输入光谱矩阵和对应待测成分浓度值向量；
S24)卷积运算，求卷积层、全连接层各单元输出；
S25)求目标值和浓度值的偏差E；
S26)求误差梯度，更新权值和偏置；
S27)重复步骤S23)-S26)，直到E小于设定阈值；
S28)得到卷积核权重kk＝(kk1,kk2,…,kksize)，下标k＝1,2,…,knum，knum表示卷积核数量，size表示卷积核大小，kk表示第k个卷积核的权重向量；
Flatten层与隐藏层之间权重由矩阵F表示，隐藏层与输出层的权重由向量H表示，H＝(h1…hq)，p为flatten层单元数量，q为隐藏层神经元数量。f表示Flatten层与隐藏层两个神经元之间的连接权重，h表示隐藏层与输出层之间神经元的连接权重。
进一步的，
所述步骤S3包括，
初始化第i个卷积核对应的波长点权重向量：wi＝(0,0,0,…,0)，wi是n维向量，i＝1,2,…,knum；
执行第一循环，第一循环定义变量k的初始值为1，每执行一次第一循环，k的值增加1，直到k的值为knum时结束第一循环；
第一循环的内容包括，执行第二循环，第二循环定义变量i的初始值为1，每执行一次第二循环i的值增加1，直到i的值为n时结束第二循环；
第二循环的内容包括，定义变量temp的值为1，执行第三循环，第三循环定义变量j的初始值为i，每执行一次第三循环j的值增加1，直到j的值为i+size时结束第三循环；
第三循环的内容包括：
定义变量temp的值为1；
若wk(j)+kk(temp)*F(a，b)*H(b)的值大于0，则wk(i)的值为1，否则wk(i)的值为0，其中a＝(1,2,…,p)，b＝(1,2,…,q)；
变量temp的值增加1。
本发明的有益效果是，优选波长后的模型性能明显优于全波长的情况，与iPLS相比，特征波长数更少，结构更精简，性能相当。由于本发明为波长点选择算法，当阈值间隔粒度取值更小时，可以获得更高精度的特征波长选择结果。
附图说明
图1样本光谱图。
图2卷积神经网络示意图。
图3各波长点正向贡献次数示意图。
图4三种方法选择的特征波长范围粗略比较示意图。
图5本发明流程图。
具体实施方式
本发明的发明构思是，采用非线性深度神经网络在近红外光谱全谱区训练检测模型，形成重要特征参数，然后将这些特征返回到光谱的相应区域来寻找特征波长点。
卷积神经网络是多层感知器的变体，它是前馈卷积运算和人工神经网络(ANN)的组合模式(深度特征提取+非线性函数逼近)，可将输入数据映射到一组适当的输出上，被广泛应用于包含复杂信息的图像识别与检测，对于图片的深度特征提取、分类具有独特的优势。由此可见，卷积运算即是特征提取过程，训练后的CNN卷积层的每个输出节点对应一个应用于频谱特定区域的核。因此，可以将特征选择算法应用到这种输出中去寻找重要的特征；然后将这些特征返回到光谱的相应区域。
本发明主要步骤包括，S1.搭建CNN卷积神经网络(基于一维卷积核)；S2.采用检测目标近红外光谱标样训练CNN模型；S3.模拟正向传播过程，计算所有卷积核对每个波长点的全路径传播过程(卷积层+全连接层)所得的系数，系数为正时表示该波长点吸光度对于预测值有正向贡献，对应波长点的权重加1，得到每个波长点的总权重，波长点权重大小(对预测值贡献)体现该波长点对待测物质解释能力。
本专利采用卷积神经网络搭建检测目标近红外光谱校正模型；提取最终模型的卷积核参数后，模拟卷积运算，在全谱区域，计算每个波长点对应的总权重，并对权重值排序，实现对待测成分的谱学解释。
本发明计算过程如下：
本发明将原始波长特征按对浓度解释能力排序后，进行交叉验证，剔除解释能力较弱的特征，以达到最高的预测精度和最少的特征波长数。
实施例1
模型搭建步骤包括：
如图1所示，本实施例中废弃钻井液样品的近红外光谱在7000cm-1附近有很强的吸收峰，为避免饱和峰值的影响，建模时丢弃7127-6985cm-1信号的光谱信息。使用10000-7128cm-1和6984-4000cm-1谱区的信息进行波长选择，这两个波段的组合为全波长。
本实施例采用1000个检测目标近红外光谱样本训练卷积神经网络模型，如图2所示。输入层：输入大小为1518×1的张量，代表一条近红外光谱中不同波长处的吸光度。卷积层1：卷积核尺寸6×1，卷积核个数6，卷积运算步长为1，激活函数为ReLU。池化层1：池化滤波器尺寸2×1，采样步长为2，采用最大池化算法。全连接层：神经元个数为100，激活函数为ReLU。ReLU输出层：输出神经元1个，代表检测目标COD的预测值。模型RMSEP值为19.9mg.L-1。
波长选择步骤包括：
本实施例选择代表性样本100个，采用PLS模型预测精度(RMSEP)作为评估准则，设定阈值Φ，剔除Φ＜counti(i＝100,200,…900)情况下对应的光谱波长点bi，从而得出精度较高但波数较少的校正模型，此校正模型所含的特征即为最佳特征子集。然后建立PLS定标模型(权重大于阈值的波长点保留，小于阈值的波长点舍弃)。
如图3和表1所示，随着Φ增加，RMSEP先减小后增大。Φ＝500，选择了311个波长，相应的RMSEP达到最小值(21.3mg.L-1，满足检测精度，且优于全波长模型能)。在PLS模型中波长变量不足将导致模型欠拟合，在建模过程中将不相关或非信息变量引入频谱会导致过度拟合，特征波长数过多或偏少都会影响PLS模型的预测精度。
表1基于CNN波长选择的PLSR模型性能
iPLS(Interval Partial Least Squares)法选择特征波长已被大量报道，采用本专利波长选择结果与(iPLS)波长选择法进行比较，验证其有效性。
表2 BiPLS和FiPLS最优结果区间
从表2中可以看出，在BiPLS模型中，当所选间隔为7个时，模型性能最佳，选择间隔21、22、23、26、17、16和27用于建模，近似波长数338个。在FiPLS模型中，选择10个区间时模型性能最优，近似波长数486个，模型涉及的区间为17、21、23、26、27、22、16、15、18、12。
从表2和图4可以看出，iPLS算法实现的最优子区间(7200-7400cm-1,30个区间和7128-7600cm-1,10个区间)与CNN的最大正向贡献次数离范围(7100-7700cm-1)相似，BiPLS和FiPLS的选择范围的交集也表现出与CNN高度重合，主要分布在7128-8000cm-1范围内。CNN的光谱范围略大于基于iPLS算法选择的结果。即本发明可以更充分地选择光谱信息。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于卷积神经网络的近红外光谱波长选择方法，包括以下步骤，
S1搭建一维CNN卷积神经网络；
S2采用检测目标近红外光谱标样训练CNN模型，更新一维CNN卷积神经网络超参数；包括，
S21）初始化超参数
S22) 随机初始化向量，/>，/>
S23) 输入光谱矩阵和对应COD浓度向量
S24) 卷积运算，求卷积层、全连接层各单元输出
S25) 求目标值和浓度值的偏差E
S26) 求误差梯度，更新权值和偏置
S27) 重复步骤S23)-S26)，直到E小于设定阈值
S28) 得到卷积核权重，下标/>，/>表示卷积核数量，/>表示卷积核大小，/>表示第/>个卷积核的权重向量；
Flatten层与隐藏层之间权重由矩阵表示，/>，隐藏层与输出层的权重由向量/>表示，/>，/>为flatten层单元数量，/>为隐藏层神经元数量；/>表示Flatten层与隐藏层两个神经元之间的连接权重，/>表示隐藏层与输出层之间神经元的连接权重；
S3模拟正向传播过程，计算所有卷积核对每个波长点的全路径传播过程所得的系数，系数为正时判定该波长点吸光度对于预测值有正向贡献，对应波长点的权重加1，得到每个波长点的权重大小；
包括：初始化第个卷积核对应的波长点权重向量：/>，/>是/>维向量，/>；
执行第一循环，第一循环定义变量k的初始值为1，每执行一次第一循环，k的值增加1，直到k的值为knum时结束第一循环；
第一循环的内容包括，执行第二循环，第二循环定义变量i的初始值为1，每执行一次第二循环i的值增加1，直到i的值为n时结束第二循环；
第二循环的内容包括，定义变量temp的值为1，执行第三循环，第三循环定义变量j的初始值为i，每执行一次第三循环j的值增加1，直到j的值为i+size时结束第三循环；
第三循环的内容包括：定义变量temp的值为1，
若的值大于0，则/>的值为1，否则/>的值为0，其中/>，/>；
变量temp的值增加1；
S4 在全谱区域，计算每个波长点对应的总权重，并对权重值排序，实现对待测成分的谱学解释，将原始波长特征按对浓度解释能力排序后，进行交叉验证，剔除解释能力较弱的特征，以达到最高的预测精度和最少的特征波长数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975121.8A CN113686810B (zh) | 2021-08-24 | 2021-08-24 | 一种基于卷积神经网络的近红外光谱波长选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975121.8A CN113686810B (zh) | 2021-08-24 | 2021-08-24 | 一种基于卷积神经网络的近红外光谱波长选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113686810A CN113686810A (zh) | 2021-11-23 |
| CN113686810B true CN113686810B (zh) | 2024-04-16 |
Family
ID=78581959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110975121.8A Active CN113686810B (zh) | 2021-08-24 | 2021-08-24 | 一种基于卷积神经网络的近红外光谱波长选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113686810B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187918B (zh) * | 2022-09-14 | 2022-12-13 | 中广核贝谷科技有限公司 | 一种监控视频流中移动物体的识别方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5446681A (en) * | 1990-10-12 | 1995-08-29 | Exxon Research And Engineering Company | Method of estimating property and/or composition data of a test sample |
| US6122299A (en) * | 1997-12-31 | 2000-09-19 | Sdl, Inc. | Angled distributed reflector optical device with enhanced light confinement |
| CN105550457A (zh) * | 2015-12-23 | 2016-05-04 | 重庆科技学院 | 动态演化模型校正方法及系统 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
| CN110736707A (zh) * | 2019-09-16 | 2020-01-31 | 浙江大学 | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| CN111272697A (zh) * | 2020-04-27 | 2020-06-12 | 江苏益客食品集团股份有限公司 | 一种基于近红外高光谱的硫代巴比妥酸含量检测方法 |
| CN112200063A (zh) * | 2020-09-30 | 2021-01-08 | 湖南理工学院 | 一种基于神经网络和注意力机制的高效波段加权预处理方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11288856B2 (en) * | 2019-11-05 | 2022-03-29 | Intelligent Fusion Technology, Inc. | Method and system for wave propagation prediction |
-
2021
- 2021-08-24 CN CN202110975121.8A patent/CN113686810B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5446681A (en) * | 1990-10-12 | 1995-08-29 | Exxon Research And Engineering Company | Method of estimating property and/or composition data of a test sample |
| US6122299A (en) * | 1997-12-31 | 2000-09-19 | Sdl, Inc. | Angled distributed reflector optical device with enhanced light confinement |
| CN105550457A (zh) * | 2015-12-23 | 2016-05-04 | 重庆科技学院 | 动态演化模型校正方法及系统 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
| CN110736707A (zh) * | 2019-09-16 | 2020-01-31 | 浙江大学 | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| CN111272697A (zh) * | 2020-04-27 | 2020-06-12 | 江苏益客食品集团股份有限公司 | 一种基于近红外高光谱的硫代巴比妥酸含量检测方法 |
| CN112200063A (zh) * | 2020-09-30 | 2021-01-08 | 湖南理工学院 | 一种基于神经网络和注意力机制的高效波段加权预处理方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Characterization of a wavelength selection method using near-infrared spectroscopy and partial least squares with false nearest neighbors and its application in the detection of the chemical oxygen demand of waste liquid;Qing-Ping Mei;《Spectroscopy Letters》;1-11 * |
| 基于不同卷积神经网络模型的红壤有机质高光谱估算;钟亮;《农业工程学报》;第37卷(第1期);203-212 * |
| 基于卷积神经网络和近红外光谱的土壤有机碳预测模型;史杨;《计算机应用与软件》;第35卷(第10期);147-152 * |
| 近红外光谱多元动态校正模型研究及其在废液COD监测中的应用;梅青平;《中国博士学位论文-工程科技I辑》;B014-159 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113686810A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493287B (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
| Pu et al. | Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| Tsakiridis et al. | DECO3RUM: A Differential Evolution learning approach for generating compact Mamdani fuzzy rule-based models | |
| CN106644983B (zh) | 一种基于pls-vip-aco算法的光谱波长选择方法 | |
| CN114004346B (zh) | 基于门控堆叠同构自编码器的软测量建模方法及存储介质 | |
| He et al. | Fast discrimination of apple varieties using Vis/NIR spectroscopy | |
| CN113686810B (zh) | 一种基于卷积神经网络的近红外光谱波长选择方法 | |
| CN115656074B (zh) | 一种海水cod光谱变量特征自适应选择估计方法 | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| KR20220113789A (ko) | 분석 데이터에 기초한 특성화를 위한 머신 비전 | |
| Liu et al. | Identifying CPPU-treated kiwifruits using near-infrared hyperspectral imaging technology | |
| Shi et al. | Feature extraction and classification of cataluminescence images based on sparse coding convolutional neural networks | |
| CN115436343A (zh) | 异源激光诱导击穿光谱之间的迁移和标准化方法及系统 | |
| Li et al. | SCNet: A deep learning network framework for analyzing near-infrared spectroscopy using short-cut | |
| Shao et al. | A new approach to discriminate varieties of tobacco using vis/near infrared spectra | |
| Wang et al. | A food quality detection method based on electronic nose technology | |
| Yang et al. | PEAMATL: A Strategy for Developing Near-Infrared Spectral Prediction Models Under Domain Shift Using Self-Supervised Transfer Learning | |
| Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
| CN108509692A (zh) | 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法 | |
| Chia et al. | Neural network and extreme gradient boosting in near infrared spectroscopy | |
| CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
| CN115993345A (zh) | 一种基于isfo-vmd-kelm的sf6分解组分co2浓度反演的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |