CN116010861A - 一种形似中药的分类方法 - Google Patents
一种形似中药的分类方法 Download PDFInfo
- Publication number
- CN116010861A CN116010861A CN202211594840.6A CN202211594840A CN116010861A CN 116010861 A CN116010861 A CN 116010861A CN 202211594840 A CN202211594840 A CN 202211594840A CN 116010861 A CN116010861 A CN 116010861A
- Authority
- CN
- China
- Prior art keywords
- chinese medicine
- traditional chinese
- data
- neural network
- classifying
- 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.)
- Pending
Links
Images
Abstract
一种形似中药的分类方法,属于中药材质量检测技术领域,先将外形相似的中药制备成测试样品,采用紫外可见光光谱技术提取外形相似中药的吸收光谱和对应数据,对测试样品进行光谱采集;在吸收到的光谱数据的基础上构建BP神经网络分类模型;用BP神经网络对外形相似中药的实验数据进行分类建模,对外形相似中药进行分类。本发明将BP神经网络分类算法与紫外光谱检测法相结合,实现对中药的准确分类,保证药物使用发挥其应有的效果。
Description
技术领域
本发明涉及光谱中药材质量检测技术领域,具体涉及一种形似中药的分类方法。
背景技术
我国富有中药资源,其是传统医学的发展根基,可推动医疗事业发展。由于中药材的种类繁多,来源渠道广,且贵重中药较为稀有,市场上存在一些相似药材混淆的问题。例如人参和西洋参、白前和白薇、鸡血藤和大血藤、羌活和白活等等都是外形十分相似,但价格差很多的中药。在这些外形相似的中药材中还有一些属于同科属药材,例如白前和白薇同为萝摩科,羌活和白活同为伞型科。它们的外观、性状、显微特征非常相近,很难区别。仅凭一般的性状、显微及理化鉴别很难准确的将他们区分。
目前,中药鉴别方法有形态鉴别、显微鉴别、DNA分子鉴别、光谱鉴别等,其中光谱鉴别具有稳定、简便、快速的特点,随着光谱技术的发展,紫外光谱、傅立叶变换红外光谱等技术已被广泛应用于植物和中药材的种类鉴别。Chen等研究了石斛(Dendrobium species)组培材料与野生植株的红外光谱特征,发现二者的化学成分具有明显差异,可通过光谱信息对不同材料进行鉴别,光谱已经广泛应用于材料鉴别。邱璐等采用傅立叶变换红外光谱法实现了9种蔷薇科植物的分类鉴。
常用的光谱鉴别方法有紫外检测、荧光检测。其中紫外光谱检测中药的方法有:紫外光谱单一法、导数光谱法、紫外光谱组法、紫外分光光度法。其中,紫外光谱单一法可鉴别中药材的真伪,但是若药材磨成粉末则难以精准区分;导数光谱法器可丰富中药信息,提高鉴别效率,但是较难区分伪品。
发明内容
为了解决现有技术中对相似药材磨成粉末后难以精准区分,且较难区分伪品的问题,本发明提出了一种形似中药的分类方法,通过BP神经网路对用紫外光谱检测到的数据进行计算后再进行分类,可以精确的对中药材进行分类;能有效的解决上述的技术问题。
本发明通过以下的技术方案实现:
一种形似中药的分类方法,先将外形相似的中药制备成测试样品;采用紫外可见光光谱技术提取外形相似中药测试样品的吸收光谱和对应数据,对测试样品进行光谱采集;在吸收到的光谱数据的基础上构建BP神经网络分类模型;用BP神经网络对外形相似中药的实验数据进行分类建模,对外形相似中药进行分类;构建BP神经网络分类模型时,训练BP神经网络,具体的操作步骤包括:
步骤1:网络初始化;根据系统输入输出序列(X,Y)确定网络输入层节点数n、急含层节点数l,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数;
步骤2:隐含层输出计算;根据输入变量x,输入层和隐含层间连接权值ωij以及隐含层阈值a,计算隐含层输出H;
式中,l为隐含层节点数;f为隐含层激励函数,该函数有多种表达形式,此处所选函数为:
步骤3:输出层输出计算;根据隐含层输出H,连接权值ωjk和阈值b,计算BP神经网络预测输出O;
步骤4:误差计算;根据网络预测输出O和期望输出Y,计算网络预测误差e:
ek=Yk-Ok k=1,2,...,m(1-4);
步骤5:权值更新;根据网络预测误差e更新网络连接权值ωij,ωjk;
ωjk=ωjk+ηHjek j=1,2,...,l;k=1,2,...,m(1-6);
式中,η为学习效率;
步骤6:阈值更新;根据网络预测误差e更新网络节点阈值a,b;
bk=bk+ek k=1,2,...,m(1-8);
步骤7:判断算法迭代是否结束,若没有结束,返回步骤2。
进一步的,所述的将外形相似的中药制备成测试样品,是取适量外形相似的两种或多种中药,用中药材磨粉机磨成粉末,称取一定量的药材粉末,配成中药样品。
进一步的,所述的配成中药样品,具体的操作方式为:将外形相似的两种或多种中药材用中药粉碎机粉碎,过80目筛得到均匀细腻的药材粉末样品;分别准确称取每组药材粉末样品1g粉末,加入100mL水,小火煮5分钟,冷却后过滤,分别加水稀释至0.928mg/mL备用。
药材的制备采用先粉碎过筛再进行煎煮,最后冷却过滤的方式来获取备用溶液,粉碎过筛和煎煮更有利于药材有效成分的提取,冷却过滤减少了药物残渣对吸收光谱采集的影响。
进一步的,所述的对测试样品进行光谱采集,具体的操作方式为:室温下测定供试品溶液的紫外可见吸收光谱,波长范围200~400,扫描间距1nm,精度为10;取中药样品的备用溶液20mL,每次测定加少量水溶液稀释,在0.1887mg/mL到0.9328mg/mL浓度范围测定吸收光谱,每组中药样品各取80组数据;在特定浓度范围内测定各80组数据,确保了实验的准确度,为后续算法提供足够多的训练集和测试集数据。
进一步的,所述的构建BP神经网络分类模型,是每组中药样品在0.1887mg/mL到0.9328mg/mL浓度范围内各取80组数据作为建模数据,选取前80%数据为训练集,用于训练BP神经网络,后20%数据为模型的测试集,用于测试所建立的BP神经网络模型分类精度。
进一步的,所述的构建BP神经网络分类模型,具体的操作方式为:将BP神经网络设定为5层,其中隐含层节点数设置为5个,学习率为0.1,目标误差设置为1×10-4,最大迭代次数设置为50。
进一步的,所述的训练BP神经网络,在训练结束后对数据进行测试,最后进行BP神经网络分类;随机取所有数据中的一部份作为训练数据训练网络,剩下的数据作为测试数据,测试网络分类能力。
进一步的,所述的中药分类,是采集同种中药光谱数据,将所得数据输入已建立的BP神经网络中,实现中药的分类。
进一步的,所述的中药分类,具体的操作步骤包括:将训练集样本划分为内部训练集、内部验证集和内部测试集;整个训练集中,每个中药样品的相关系数R分别为0.93466,0.9798,0.93512,0.94403;利用sim函数将训练好的BP神经网络预测函数输出得到实际值和预测值的决定系数。
进一步的,所述的实际值和预测值的斜率接近于1。
有益效果
本发明提出的一种形似中药的分类方法,与现有技术相比较,其具有以下有益效果:
(1)本技术方案首先利用紫外可见分光光度计获取两种中药材的波形图像,再进行预处理,建立数据集;然后通过BP神经网路分类算法对数据进行分类处理,最终结果显示,分类准确率达97.2222%,验证了此方法的有效性,相较于现有的中药分类方法,此方法更为精确,所需实验器材简单,消耗药材少。
附图说明
图1为本发明的整体流程示意图。
图2为本发明中中药独活对应不同浓度的吸收光谱。
图3为本发明中中药羌活对应不同浓度的吸收光谱。
图4为本发明Matlab仿真后的内部训练集、内部验证集、内部测试集、训练集的回归图像。
图5为本发明Matlab仿真后的预测结果对比图像。
具体实施方式
下面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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1:
如图1所示,一种形似中药的分类方法,采用紫外可见光光谱技术提取外形相似中药的吸收光谱和对应数据,在此基础上构建了BP神经网络分类模型;用BP神经网络对外形相似中药的实验数据进行分类建模,对外形相似的中药进行分类,辨别中药的真伪;具体操作步骤包括:
步骤一:样品的制备;
将羌活和独活两种中药材用中药粉碎机粉碎、过80目筛得到均匀细腻的药材粉末样品,分别准确称取1g粉末,加入100mL水,小火煮5分钟,冷却后过滤,分别加水稀释至0.928mg/mL备用。
药材的制备采用先粉碎过筛再进行煎煮,最后冷却过滤的方式来获取备用溶液,粉碎过筛和煎煮更有利于药材有效成分的提取,冷却过滤减少了药物残渣对吸收光谱采集的影响。
步骤二:样品的光谱数据采集;
采用UV-6300系列紫外可见分光光度计,在室温下测定供试品溶液的紫外可见吸收光谱,波长范围200~400,扫描间距1nm,精度为10;取中药样品的备用溶液20mL,每次测定加少量水溶液稀释,在0.1887mg/mL到0.9328mg/mL浓度范围测定吸收光谱,每组中药样品各取80组数据;在特定浓度范围内测定各80组数据,确保了实验的准确度,为后续算法提供足够多的训练集和测试集数据。
步骤三:BP神经网络建模;
将BP神经网络设定为5层,其中隐含层节点数设置为5个,学习率为0.1,目标误差设置为1×10-4,最大迭代次数设置为50。
每组中药样品在0.1887mg/mL到0.9328mg/mL浓度范围内各取80组数据作为建模数据,选取前80%数据为训练集,用于训练BP神经网络,后20%数据为模型的测试集,用于测试所建立的BP神经网络模型分类精度。
训练BP神经网络,具体的操作步骤包括:
步骤1:网络初始化;根据系统输入输出序列(X,Y)确定网络输入层节点数n、急含层节点数l,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
步骤2:隐含层输出计算;根据输入变量x,输入层和隐含层间连接权值ωij以及隐含层阈值a,计算隐含层输出H;
式中,l为隐含层节点数;f为隐含层激励函数,该函数有多种表达形式,此处所选函数为:
步骤3:输出层输出计算;根据隐含层输出H,连接权值ωjk和阈值b,计算BP神经网络预测输出O;
步骤4:误差计算;根据网络预测输出O和期望输出Y,计算网络预测误差e:
ek=Yk-Ok k=1,2,...,m (1-4)
步骤5:权值更新;根据网络预测误差e更新网络连接权值ωij,ωjk;
ωjk=ωjk+ηHjek j=1,2,...,l;k=1,2,...,m(1-6);
式中,η为学习效率。
步骤6:阈值更新;根据网络预测误差e更新网络节点阈值a,b;
bk=bk+ek k=1,2,...,m(1-8)。
步骤7:判断算法迭代是否结束,若没有结束,返回步骤2。
在训练结束后对数据进行测试,最后进行BP神经网络分类;随机取所有数据中的一部份作为训练数据训练网络,剩下的数据作为测试数据,测试网络分类能力。
步骤四:中药分类;
采集同种中药光谱数据,将所得数据输入已建立的BP神经网络中,实现中药的分类。
将训练集样本划分为内部训练集、内部验证集和内部测试集;整个训练集中,每个中药样品的相关系数R分别为0.93466,0.9798,0.93512,0.94403;利用sim函数将训练好的BP神经网络预测函数输出得到实际值和预测值的决定系数。所述的实际值和预测值的斜率接近于1。
为了验证上述的预测方法是可行的,且具有一定的优势;发明人做了实验进行验证。实验的具体操作步骤如下所示:
1.准备仪器与试药:紫外可见分光光度计选用的是UV-6300系列紫外可见分光光度计,上海美谱达仪器有限公司;中药材磨粉机;双层机械冲框筛。产自川阿坝的羌活,产自甘平凉的独活,均购买于京皖大药房;纯净水。
2.按照实施例的步骤一制备试品溶液,得到独活溶液和羌活溶液;按照实施例的步骤二采集样品的光谱数据。
3.吸收光谱测试:利用UV-6紫外可见分光光度计对配置的独活和羌活溶液检测其吸收光谱,其结果如图2和图3所示。横坐标表示光波长,纵坐标表示吸光度。图2中从1到6分别对应0.3556mg/mL、0.4153mg/mL、0.4921mg/mL、0.7485mg/mL、0.8446mg/mL、0.9328mg/mL六种不同浓度独活溶液。由图2看出在325nm处均有一个较强的吸收峰,而且随着药物浓度值的增大,其峰值也在增大,从最低处的0.9143增大为1.9873左右;因此,325nm可以作为独活吸收光谱的特征峰。图3中从1到6分别对应0.2273mg/mL、0.3655mg/mL、0.5123mg/mL、0.6098mg/mL、0.7225mg/mL、0.9328mg/mL六种不同浓度独活溶液。由图3看出在324nm处均有一个较强的吸收峰,而且随着药物浓度值的增大,其峰值也在增大,从最低处的0.5894增大为2.7763左右,因此,324nm可以作为羌活吸收光谱的特征峰。
4.按照实施例的步骤三对BP神经网络进行建模,并对独活溶液和羌活溶液的光谱进行分类。得到实验结果。
5.实验结果和分析:如图4所示,将训练集样本从中划分为内部训练集、内部验证集和内部测试集。它们以及整个训练集的相关系数R分别为0.93466,0.9798,0.93512,0.94403。且预测值和实际值之间的斜率非常接近于1,表明了训练模型的可行性。
仿真过程如下:本实验构建了一个5层BP神经网络对独活和羌活进行分类,其中隐含层节点数设置为5个,学习率为0.1,目标误差设置为1×10-4,最大迭代次数设置为50;经过仿真模拟后如图5所示,可以看出准确率为97.2222%。
有上述实验分析,可以的得到结论:针对外形相似中药的分类问题,采用紫外可见光光谱技术提取独活和羌活的吸收光谱和对应数据,在此基础上构建了BP神经网络分类模型。紫外可见光光谱技术应用于中药分类领域具有易检测、原材料成本低、省时等优点。实验结果表明:用BP神经网络对羌活和独活的实验数据进行分类建模,分类准确率达97.2222%,证明此方法能够很好的进行中药分类。相较于常见的紫外光谱单一法,此方法更为精确,在中药分类问题上有很大的价值意义。在后续的研究中,将对BP神经网络分类算法进一步优化,更好的分别外形相似的中药,提高分类精度。
Claims (10)
1.一种形似中药的分类方法,先将外形相似的中药制备成测试样品;其特征在于:采用紫外可见光光谱技术提取外形相似中药测试样品的吸收光谱和对应数据,对测试样品进行光谱采集;在吸收到的光谱数据的基础上构建BP神经网络分类模型;用BP神经网络对外形相似中药的实验数据进行分类建模,对外形相似中药进行分类;构建BP神经网络分类模型时,训练BP神经网络,具体的操作步骤包括:
步骤1:网络初始化;根据系统输入输出序列(X,Y)确定网络输入层节点数n、急含层节点数l,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数;
步骤2:隐含层输出计算;根据输入变量x,输入层和隐含层间连接权值ωij以及隐含层阈值a,计算隐含层输出H;
式中,l为隐含层节点数;f为隐含层激励函数,该函数有多种表达形式,此处所选函数为:
步骤3:输出层输出计算;根据隐含层输出H,连接权值ωjk和阈值b,计算BP神经网络预测输出O;
步骤4:误差计算;根据网络预测输出O和期望输出Y,计算网络预测误差e:
ek=Yk-Okk=1,2,...,m(1-4);
步骤5:权值更新;根据网络预测误差e更新网络连接权值ωij,ωjk;
ωjk=ωjk+ηHjekj=1,2,...,l;k=1,2,...,m(1-6);
式中,η为学习效率;
步骤6:阈值更新;根据网络预测误差e更新网络节点阈值a,b;
bk=bk+ekk=1,2,...,m(1-8);
步骤7:判断算法迭代是否结束,若没有结束,返回步骤2。
2.根据权利要求1所述的一种形似中药的分类方法,其特征在于:所述的将外形相似的中药制备成测试样品,是取适量外形相似的两种或多种中药,用中药材磨粉机磨成粉末,称取一定量的药材粉末,配成中药样品。
3.根据权利要求2所述的一种形似中药的分类方法,其特征在于:所述的配成中药样品,具体的操作方式为:将外形相似的两种或多种中药材用中药粉碎机粉碎,过80目筛得到均匀细腻的药材粉末样品;分别准确称取每组药材粉末样品1g粉末,加入100mL水,小火煮5分钟,冷却后过滤,分别加水稀释至0.928mg/mL备用。
4.根据权利要求1所述的一种形似中药的分类方法,其特征在于:所述的对测试样品进行光谱采集,具体的操作方式为:室温下测定供试品溶液的紫外可见吸收光谱,波长范围200~400,扫描间距1nm,精度为10;取中药样品的备用溶液20mL,每次测定加少量水溶液稀释,在0.1887mg/mL到0.9328mg/mL浓度范围测定吸收光谱,每组中药样品各取80组数据。
5.根据权利要求1或4所述的一种形似中药的分类方法,其特征在于:所述的构建BP神经网络分类模型,是每组中药样品在0.1887mg/mL到0.9328mg/mL浓度范围内各取80组数据作为建模数据,选取前80%数据为训练集,用于训练BP神经网络,后20%数据为模型的测试集,用于测试所建立的BP神经网络模型分类精度。
6.根据权利要求51所述的一种形似中药的分类方法,其特征在于:所述的构建BP神经网络分类模型,具体的操作方式为:将BP神经网络设定为5层,其中隐含层节点数设置为5个,学习率为0.1,目标误差设置为1×10-4,最大迭代次数设置为50。
7.根据权利要求1所述的一种形似中药的分类方法,其特征在于:所述的训练BP神经网络,在训练结束后对数据进行测试,最后进行BP神经网络分类;随机取所有数据中的一部份作为训练数据训练网络,剩下的数据作为测试数据,测试网络分类能力。
8.根据权利要求1所述的一种形似中药的分类方法,其特征在于:所述的中药分类,是采集同种中药光谱数据,将所得数据输入已建立的BP神经网络中,实现中药的分类。
9.根据权利要求8所述的一种形似中药的分类方法,其特征在于:所述的中药分类,具体的操作步骤包括:将训练集样本划分为内部训练集、内部验证集和内部测试集;整个训练集中,每个中药样品的相关系数R分别为0.93466,0.9798,0.93512,0.94403;利用sim函数将训练好的BP神经网络预测函数输出得到实际值和预测值的决定系数。
10.根据权利要求9所述的一种形似中药的分类方法,其特征在于:所述的实际值和预测值的斜率接近于1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594840.6A CN116010861A (zh) | 2022-12-13 | 2022-12-13 | 一种形似中药的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594840.6A CN116010861A (zh) | 2022-12-13 | 2022-12-13 | 一种形似中药的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010861A true CN116010861A (zh) | 2023-04-25 |
Family
ID=86034493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211594840.6A Pending CN116010861A (zh) | 2022-12-13 | 2022-12-13 | 一种形似中药的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010861A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
CN108509997A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
CN109507123A (zh) * | 2018-11-22 | 2019-03-22 | 天津工业大学 | 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法 |
WO2021073175A1 (zh) * | 2019-10-16 | 2021-04-22 | 石家庄以岭药业股份有限公司 | 一种中药组合物中多种成分鉴别及含量的测定方法 |
-
2022
- 2022-12-13 CN CN202211594840.6A patent/CN116010861A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
CN108509997A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
CN109507123A (zh) * | 2018-11-22 | 2019-03-22 | 天津工业大学 | 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法 |
WO2021073175A1 (zh) * | 2019-10-16 | 2021-04-22 | 石家庄以岭药业股份有限公司 | 一种中药组合物中多种成分鉴别及含量的测定方法 |
Non-Patent Citations (1)
Title |
---|
李冰: "紫外光谱在中药鉴别和含量测定应用中的研究", 《生物化工》, vol. 4, no. 6, pages 131 - 133 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019192433A1 (zh) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 | |
CN107677647B (zh) | 基于主成分分析和bp神经网络的中药材产地鉴别方法 | |
CN102749297B (zh) | 一种基于太赫兹理论模拟光谱的农药鉴别方法 | |
CN107219188B (zh) | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 | |
CN103048273B (zh) | 基于模糊聚类的水果近红外光谱分类方法 | |
CN105044198B (zh) | 一种基于矿质元素指纹鉴别葡萄酒原产地的方法 | |
CN110514611A (zh) | 一种基于药效信息建立评价中药质量的化学模式识别方法 | |
CN102375000B (zh) | 一种基于氢核磁共振-模式识别技术对椰岛鹿龟酒的检测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN106092990A (zh) | 一种宁夏枸杞的三维荧光光谱鉴别方法 | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
CN105181650A (zh) | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 | |
CN113899702A (zh) | 一种基于量子傅里叶变换的疫苗多光谱快速检测方法 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN104345045A (zh) | 一种基于化学模式识别和近红外光谱的相似药材鉴别方法 | |
CN116010861A (zh) | 一种形似中药的分类方法 | |
CN105974058B (zh) | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 | |
CN115630329A (zh) | 一种基于卷积神经网络的食用香精分类方法 | |
CN115078327A (zh) | 一种基于神经网络架构搜索的危险化学品快速检测方法 | |
CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
CN110414549B (zh) | 一种模糊正交线性鉴别分析的茶叶近红外光谱分类方法 | |
CN115808402A (zh) | 一种红花中是否含有染色剂的检测方法 |
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 |