CN113724803B - 一种有效提升酒糟样品预测准确率的方法 - Google Patents
一种有效提升酒糟样品预测准确率的方法 Download PDFInfo
- Publication number
- CN113724803B CN113724803B CN202111028280.3A CN202111028280A CN113724803B CN 113724803 B CN113724803 B CN 113724803B CN 202111028280 A CN202111028280 A CN 202111028280A CN 113724803 B CN113724803 B CN 113724803B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- interval
- vinasse
- moisture content
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 238000012217 deletion Methods 0.000 claims description 16
- 230000037430 deletion Effects 0.000 claims description 16
- 238000009614 chemical analysis method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种有效提升酒糟样品预测准确率的方法,该方法首先采集水分含量已知酒糟样品的光谱数据，记录为原始样本，然后将酒糟样品的水分含量参比值划分为均匀分布的区间，并计算每个区间的样本上限，接着，随机剔除超过区间样本上限的样本，得到上限均匀样本，加权填补未超过区间样本上限的样本，得到下限均匀样本。最后，整合均匀样本，并进行光谱建模，再使用该模型对未知水分含量的酒糟样品进行预测并与原始样本建模预测结果做对比。该方法可以有效解决酒糟样品分布不均匀造成的光谱模型权重偏移的问题，进而可以有效提升酒糟样品的预测准确率。
Description
技术领域
本发明涉及光谱预测技术领域，尤其涉及一种有效提升酒糟样品预测准确率的方法。
背景技术
酒糟是酿酒环节的必要产物，酒糟类物质主要是由谷物发酵而成，成分含有大量含氢基团，包含C-H、S-H、O-H和N-H等，在酒糟的发酵过程中，酒糟中水分、淀粉、酸度和糖等物质成分的含量将直接影响酒品质量，是衡量酒糟是否适宜及酒糟发酵过程是否正常的主要依据。然而酒糟是一种固液混合物，颗粒大小不一，组分分布不均，挥发十分严重，给成分分析造成了极大的困扰。
近年来，酒厂开始使用大型近红外光谱仪检测酒糟主要成分，该方法虽然定量准确灵敏度高，但该类设备体积庞大，对环境条件要求很高，仍需要专门的检测室和专业分析人员，酿酒工人无法现场检测，实时性较差。同时，由于大型近红外光谱仪价格昂贵，酒厂无法大量配置，难以对每口窖池、每批样品都进行检测，与酒厂的实际需要仍有很大差距。
便携式近红外光谱仪体积小巧，价格低廉，可以大量购置以实现每批酒糟的检测。但是便携式近红外光谱仪受光源、检测器、使用方法、环境条件等影响，精度、灵敏度、稳定性、重现性、波长范围、分辨率等指标都有明显的性能降低，直接延用大型近红外设备的光谱建模方法则会出现预测准确率低问题，如何能够有效提高便携式近红外设备对酒糟样品的预测准确率成为了一个必须解决的问题。
目前，市场上出现了部分样本加权、均匀化的数据分析处理方法，但这些方法均运用于普通的统计分析，针对酒糟样品的组分分析，这些方法并不适用，无法达到良好的效果。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种有效提升酒糟样品预测准确率的方法。该方法首先采集水分含量已知酒糟样品的光谱数据，记录为原始样本，然后将酒糟样品的水分含量参比值划分为均匀分布的区间，并计算每个区间的样本上限，接着，随机剔除超过区间样本上限的样本，得到上限均匀样本，加权填补未超过区间样本上限的样本，得到下限均匀样本。最后，整合均匀样本，并进行光谱建模，再使用该模型对未知水分含量的酒糟样品进行预测并与原始样本建模预测结果做对比。该方法可以有效解决酒糟样品分布不均匀造成的光谱模型权重偏移的问题，进而可以有效提升酒糟样品的预测准确率。
为了实现上述目的，本发明采用的技术方案是：一种有效提升酒糟样品预测准确率的方法，包括如下步骤：
一种有效提升酒糟样品预测准确率的方法，包括如下步骤：
a.采集水分含量已知酒糟样品的光谱数据，记录为原始样本；
b.将酒糟样品的水分含量参比值划分为均匀分布的区间，并计算每个区间的样本上限；
c.随机剔除超过区间样本上限的样本，得到上限均匀样本；
d.加权填补未超过区间样本上限的样本，得到下限均匀样本；
e.整合均匀样本，并进行光谱建模，再使用该模型对未知水分含量的酒糟样品进行预测并与原始样本建模预测结果做对比。
进一步的技术方案为，步骤a中所述采集水分含量已知酒糟样品的光谱数据，记录为原始样本，选择具有代表性的酒糟样本组成建模样品集，并用经典化学分析方法测定酒糟样品水分含量，再用规范的方法使用便携式近红外光谱仪对这些酒糟样品进行光谱数据采集，将这些酒糟样品记录为原始样本。
进一步的技术方案为，步骤b具体为查找所有原始酒糟样本中的水分含量值，其中水分含量最高的值为Max，最低的值为Min，设定划分的区间数目为k，该区间数目根据酒糟样品总数X及预测误差范围w决定，区间数目k的计算公式如下：
每个区间的水分含量值范围b为：
进一步结合酒糟区间数目k及样品总数X可以计算出每个区间的样本上限T为：
进一步的技术方案为，步骤c中将原始酒糟样品的水分含量参比值划分为均匀分布的区间，从小到大的区间范围分别为[(Min,Min+b),(Min+b,Min+2b),(Min+2b,Min+3b)......(Min+k-1b,Max)]，将原始酒糟样品的水分参比值对应放入各个区间范围，将超过样本上限T的区间进行酒糟样本的随机删除，直至该区间的最终样本数为T，经过随机剔除之后的酒糟样本定义为上限均匀样本。
进一步的技术方案为，步骤d具体为对酒糟样品中未能达到样本上限T的区间进行加权填补，对于未能达到区间样本上限T的区间，假定该区间中有m个样本，重复n次使用区间内的样本，那么重复使用的次数n＝T/m，并向下取整。此时仍有未能达到区间样本上限的情况，缺失的个数r为r＝T-n*m，缺失个数通过当前区间样本数m中随机选取r个样本得到，将经过加权填补之后的酒糟样本定义为下限均匀样本。
进一步的技术方案为，步骤e具体为对上限均匀样本各个区间中未能达到区间样本上限T的区间进行区间样本删除操作，对下限均匀样本中各个区间中超出区间样本上限T的区间进行区间样本删除操作，将进行过删除操作后的上限均匀样本及下限均匀样本进行整理合并，得到酒糟样品均匀样本；使用样品均匀样本进行光谱建模，再使用该光谱模型对未知水分含量的酒糟样品进行预测，预测完成后，对未知水分含量的酒糟样品进行化学分析方法测定其水分参比值，在误差范围w内，如果参比值与预测值的差值绝对值小于w，则说明预测准确，如果参比值与预测值的差值绝对值大于w，则说明预测错误，最后将预测准确的数目除以样品总数即可获得预测准确率；对于原始样本，采用同样的建模方式对原始样本进行光谱建模，并使用原始模型对同样未知水分含量的酒糟样品进行预测，同时在相同的误差范围w内判断预测准确率；对比均匀样本的预测准确率以及原始样本的预测准确率，判断酒糟样品预测准确率是否得到有效提升。
与现有技术相比，本发明具有如下有益效果：本发明提出的针对酒糟样品的处理方法，不仅能良好的契合样品特点，同时，结合酒糟样品的误差范围、样本数目、组分含量值，分析出最优样本区间，并结合最优样本区间，组分含量标定值对酒糟样本进行均匀化处理，有效的提升酒糟预测的准确率，是其他数据分析方法所不能达到的。
附图说明
图1是本发明有效提升酒糟样品预测准确率的方法的示意图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步详细的描述。
图1中101是采集水分含量已知酒糟样品的光谱数据，记录为原始样本。选择具有代表性的酒糟样本组成建模样品集，并用经典化学分析方法测定酒糟样品水分含量，再用规范的方法使用便携式近红外光谱仪对这些酒糟样品进行光谱数据采集，将这些酒糟样品记录为原始样本。
在本实施例中，选择具有代表性的X个酒糟样本组成建模样品集，并使用经典化学分析方法测定该批次酒糟样品的水分含量，测定完毕后，使用便携式近红外光谱仪对这些酒糟样品进行光谱数据采集，并将各个样品光谱数据与其水分含量做一一对应，采集过程中，每一个样品对应采集三条光谱数据，并将三条光谱数据做均值运算，均值后的数据为该样品的实际光谱数据，这样的好处在于可以有效减少采集误差，增加数据的可靠性。
图1中102是将酒糟样品的水分含量参比值划分为均匀分布的区间，并计算每个区间的样本上限。查找酒糟样品水分含量参比值的最大值及最小值，并计算出其差值，结合该差值划分均匀分布的区间，并结合区间数及样本个数计算出每个区间的样本上限。
在本实施例中，查找所有原始酒糟样本中的水分含量值，其中水分含量最高的值为Max，最低的值为Min，设定划分的区间数目为k，该区间数目根据酒糟样品总数X及预测误差范围w决定，区间数目k的计算公式如下：
每个区间的水分含量值范围b为：
进一步结合酒糟区间数目k及样品总数X可以计算出每个区间的样本上限T为：
图1中103是随机剔除超过区间样本上限的样本，得到上限均匀样本。将每个区间的样本个数与样本上限数做对比，超过样本上限数的区间做上限均匀样本处理，具体方式为在超出的区间中随机剔除超过区间样本上限的样本数。
在本实施例中，步骤102中将原始酒糟样品的水分含量参比值划分为均匀分布的区间，从小到大的区间范围分别为[(Min,Min+b),(Min+b,Min+2b),(Min+2b,Min+3b)......(Min+k-1b,Max)]，将原始酒糟样品的水分参比值对应放入各个区间范围，将超过样本上限T的区间进行酒糟样本的随机删除，直至该区间的最终样本数为T，经过随机剔除之后的酒糟样本定义为上限均匀样本。
图1中104是所述加权填补未超过区间样本上限的样本，得到下限均匀样本。将每个区间的样本个数与样本上限数对比，未超过样本上限数的区间做下限均匀样本处理，具体方式为通过加权及随机挑选的形式对未超过样本上限的区间进行样本填补。
在本实施例中，利用加权的思想重复多次使用已知样本，使得每个区间内的样本数量等于区间样本数上限T。具体的实施方式为对酒糟样品中未能达到样本上限T的区间进行加权填补，对于未能达到区间样本上限T的区间，假定该区间中有m个样本，重复n次使用区间内的样本，那么重复使用的次数n＝T/m，并向下取整。此时仍有未能达到区间样本上限的情况，缺失的个数r为r＝T-n*m，缺失个数通过当前区间样本数m中随机选取r个样本得到，将经过加权填补之后的酒糟样本定义为下限均匀样本。
图1中105是整合均匀样本，并进行光谱建模，再使用该模型对未知水分含量的酒糟样品进行预测并与原始样本建模预测结果做对比。将上限均匀样本与下限均匀样本进行数据整合，并在完成整合后对该数据进行光谱建模，并使用得到的模型对未知水分含量的酒糟样品进行预测，在一定误差范围内判断预测准确率。同时采用相同的建模方式对原始样本进行光谱建模，并使用原始模型对未知水分含量的酒糟样品进行预测，同时在相同的误差范围内判断预测准确率，对比两者预测准确率的情况，进而判断酒糟样品预测准确率是否得到有效提升。
在本实施例中，整合均匀样本的具体实施方式为：对上限均匀样本各个区间中未能达到区间样本上限T的区间进行区间样本删除操作，对下限均匀样本中各个区间中超出区间样本上限T的区间进行区间样本删除操作，将进行过删除操作后的上限均匀样本及下限均匀样本进行整理合并，得到酒糟样品均匀样本。光谱预测的具体实施方式为：对于均匀样本，使用该样本进行光谱建模，再使用该光谱模型对未知水分含量的酒糟样品进行预测，预测完成后，对未知水分含量的酒糟样品进行化学分析方法测定其水分参比值，在一定的误差范围w内，如果参比值与预测值的差值绝对值小于w，则说明预测准确，如果参比值与预测值的差值绝对值大于w，则说明预测错误，最后将预测准确的数目除以样品总数即可获得预测准确率。对于原始样本，采用同样的建模方式对原始样本进行光谱建模，并使用原始模型对同样未知水分含量的酒糟样品进行预测，同时在相同的误差范围w内判断预测准确率。对比均匀样本的预测准确率以及原始样本的预测准确率，可以直观的观察出均匀样本预测准确率在原始样本的基础上有明显的提升。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (1)
1.一种有效提升酒糟样品预测准确率的方法，其特征在于，包括以下步骤：
a.采集水分含量已知酒糟样品的光谱数据，记录为原始样本；
b.将酒糟样品的水分含量参比值划分为均匀分布的区间，并计算每个区间的样本上限；
c.随机剔除超过区间样本上限的样本，得到上限均匀样本；
d.加权填补未超过区间样本上限的样本，得到下限均匀样本；
e.整合均匀样本，并进行光谱建模，再使用该模型对未知水分含量的酒糟样品进行预测并与原始样本建模预测结果做对比；
步骤b具体为查找所有原始酒糟样本中的水分含量值，其中水分含量最高的值为Max，最低的值为Min，设定划分的区间数目为k，该区间数目根据酒糟样品总数X及预测误差范围w决定，区间数目k的计算公式如下：
每个区间的水分含量值范围b为：
进一步结合酒糟区间数目k及样品总数X可以计算出每个区间的样本上限T为：
步骤c中将原始酒糟样品的水分含量参比值划分为均匀分布的区间，从小到大的区间范围分别为[(Min,Min+b),(Min+b,Min+2b),(Min+2b,Min+3b)......(Min+k-1b,Max)]，将原始酒糟样品的水分参比值对应放入各个区间范围，将超过样本上限T的区间进行酒糟样本的随机删除，直至该区间的最终样本数为T，经过随机剔除之后的酒糟样本定义为上限均匀样本；
步骤d具体为对酒糟样品中未能达到样本上限T的区间进行加权填补，对于未能达到区间样本上限T的区间，假定该区间中有m个样本，重复n次使用区间内的样本，那么重复使用的次数n＝T/m，并向下取整，此时仍有未能达到区间样本上限的情况，缺失的个数r为r＝T-n*m，缺失个数通过当前区间样本数m中随机选取r个样本得到，将经过加权填补之后的酒糟样本定义为下限均匀样本；
步骤e具体为对上限均匀样本各个区间中未能达到区间样本上限T的区间进行区间样本删除操作，对下限均匀样本中各个区间中超出区间样本上限T的区间进行区间样本删除操作，将进行过删除操作后的上限均匀样本及下限均匀样本进行整理合并，得到酒糟样品均匀样本；使用样品均匀样本进行光谱建模，再使用该光谱模型对未知水分含量的酒糟样品进行预测，预测完成后，对未知水分含量的酒糟样品进行化学分析方法测定其水分参比值，在误差范围w内，如果参比值与预测值的差值绝对值小于w，则说明预测准确，如果参比值与预测值的差值绝对值大于w，则说明预测错误，最后将预测准确的数目除以样品总数即可获得预测准确率；对于原始样本，采用同样的建模方式对原始样本进行光谱建模，并使用原始模型对同样未知水分含量的酒糟样品进行预测，同时在相同的误差范围w内判断预测准确率；对比均匀样本的预测准确率以及原始样本的预测准确率，判断酒糟样品预测准确率是否得到有效提升。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028280.3A CN113724803B (zh) | 2021-09-02 | 2021-09-02 | 一种有效提升酒糟样品预测准确率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028280.3A CN113724803B (zh) | 2021-09-02 | 2021-09-02 | 一种有效提升酒糟样品预测准确率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724803A CN113724803A (zh) | 2021-11-30 |
| CN113724803B true CN113724803B (zh) | 2024-03-12 |
Family
ID=78681203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111028280.3A Active CN113724803B (zh) | 2021-09-02 | 2021-09-02 | 一种有效提升酒糟样品预测准确率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724803B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6114699A (en) * | 1997-11-26 | 2000-09-05 | The United States Of America As Represented By The Secretary Of Agriculture | Prediction of total dietary fiber in cereal products using near-infrared reflectance spectroscopy |
| WO2005045391A2 (en) * | 2003-11-06 | 2005-05-19 | Elan Group Ltd | System and process for detecting substances |
| EP1992939A1 (en) * | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
| CN104020135A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 基于近红外光谱的校正模型建模方法 |
| WO2015055562A1 (en) * | 2013-10-15 | 2015-04-23 | Dsm Ip Assets B.V. | Method for preparing oil from grain material |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
| CN108037488A (zh) * | 2017-10-31 | 2018-05-15 | 西安空间无线电技术研究所 | 一种非均匀环境空时样本选择方法 |
| CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN109724940A (zh) * | 2019-02-26 | 2019-05-07 | 宜宾五粮液股份有限公司 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
| CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
| CN111398213A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种判断酒醅模型合格性的方法 |
| CN111896497A (zh) * | 2020-09-15 | 2020-11-06 | 四川长虹电器股份有限公司 | 一种基于预测值的光谱数据修正方法 |
| CN112924413A (zh) * | 2021-01-27 | 2021-06-08 | 四川长虹电器股份有限公司 | 预测酒糟成分的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080061004A1 (en) * | 2004-10-29 | 2008-03-13 | Loran Balvanz | Method and apparatus for producing dried distillers grain |
| BR112020010526A2 (pt) * | 2017-11-28 | 2020-10-20 | Buckman Laboratories International, Inc | método para diminuir o teor de óleo em grãos de destiladores de um processo de fermentação, composição de auxiliar de separação e vinhaça tratada |
-
2021
- 2021-09-02 CN CN202111028280.3A patent/CN113724803B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6114699A (en) * | 1997-11-26 | 2000-09-05 | The United States Of America As Represented By The Secretary Of Agriculture | Prediction of total dietary fiber in cereal products using near-infrared reflectance spectroscopy |
| WO2005045391A2 (en) * | 2003-11-06 | 2005-05-19 | Elan Group Ltd | System and process for detecting substances |
| EP1992939A1 (en) * | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
| WO2015055562A1 (en) * | 2013-10-15 | 2015-04-23 | Dsm Ip Assets B.V. | Method for preparing oil from grain material |
| CN104020135A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 基于近红外光谱的校正模型建模方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
| CN108037488A (zh) * | 2017-10-31 | 2018-05-15 | 西安空间无线电技术研究所 | 一种非均匀环境空时样本选择方法 |
| CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN109724940A (zh) * | 2019-02-26 | 2019-05-07 | 宜宾五粮液股份有限公司 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
| CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
| CN111398213A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种判断酒醅模型合格性的方法 |
| CN111896497A (zh) * | 2020-09-15 | 2020-11-06 | 四川长虹电器股份有限公司 | 一种基于预测值的光谱数据修正方法 |
| CN112924413A (zh) * | 2021-01-27 | 2021-06-08 | 四川长虹电器股份有限公司 | 预测酒糟成分的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Rapid and Non-Destructive Monitoring of Moisture Content in Livestock Feed Using a Global Hyperspectral Model;Daniel Dooyum Uyeh 等;《Animals》;第11卷(第5期);第1-17页 * |
| 奶牛高水分饲料水分含量的快速测定;刘丹 等;《第六届中国奶业大会论文集》;第120-122页 * |
| 生成式对抗网络在类别不平衡问题上的应用研究;刘亚明;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第04期);第I138-386页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724803A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103543123A (zh) | 一种掺假牛奶的红外光谱识别方法 | |
| CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
| CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| CN111398213A (zh) | 一种判断酒醅模型合格性的方法 | |
| CN116665057A (zh) | 一种基于图像处理的河道水质监测方法及系统 | |
| CN111965140A (zh) | 基于特征峰的波长点重组方法 | |
| CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| CN109557080B (zh) | 一种基于机器学习的光谱数据回归方法 | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN113724803B (zh) | 一种有效提升酒糟样品预测准确率的方法 | |
| CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
| CN107300535A (zh) | 近红外快速检测有机肥有效成分含量的方法 | |
| CN115824996A (zh) | 基于近红外光谱的烟叶常规化学成分通用模型建模方法 | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| CN111693488B (zh) | 基于ds证据理论融合的水果等级分类方法及系统 | |
| CN112924413A (zh) | 预测酒糟成分的方法 | |
| CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN116990298B (zh) | 一种用于人造革生产设备的成品质量评估系统 | |
| CN108388965B (zh) | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 | |
| CN109827908B (zh) | 一种利用光谱数据判别红富士苹果腐烂程度的方法 | |
| CN113640277B (zh) | 一种基于化学计量学的共晶炸药结构快速鉴定方法 | |
| CN113418889B (zh) | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 | |
| CN114184577B (zh) | 一种近红外定量检测模型的参数选取方法和定量检测方法 |
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 |