CN116626156A - 一种基于双z型传感器及神经网络模型的溶质分类方法 - Google Patents
一种基于双z型传感器及神经网络模型的溶质分类方法 Download PDFInfo
- Publication number
- CN116626156A CN116626156A CN202310475523.0A CN202310475523A CN116626156A CN 116626156 A CN116626156 A CN 116626156A CN 202310475523 A CN202310475523 A CN 202310475523A CN 116626156 A CN116626156 A CN 116626156A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- solute
- sensor
- neural network
- network 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003491 array Methods 0.000 claims abstract description 26
- 239000012530 fluid Substances 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 239000000523 sample Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/024—Analysing fluids by measuring propagation velocity or propagation time of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/24—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave
- G01P5/245—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave by measuring transit time of acoustical waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Acoustics & Sound (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于双Z型传感器及神经网络模型的溶质分类方法，包括：采用“双Z”型组合布置构成2组超声波传感器阵列；根据设置的超声波传感器阵列计算不同溶质情况下的2组超声波传感器阵列的渡越时间Δt，进一步得到超声波速度c，得到多组数据集合；在已知超声波速度、溶质浓度、溶质种类的情况下，建立BP神经网络模型，将超声波波速与溶质浓度组成一个二维变量作为输入，将溶质种类作为输出，经过大量数据拟合训练神经网络模型，得到最终的溶质分类模型；利用溶质分类模型进行溶质分类。与现有技术相比，本发明能够提高管道内流体流速的测量精度的同时还能够利用神经网络模型进一步提高溶质分类准确度。
Description
技术领域
本发明属于溶质分类与流体流速测量技术领域，具体涉及一种基于双Z型传感器及神经网络模型的溶质分类方法。
背景技术
溶质一般以分子、原子或离子形态均匀地分布于溶剂中。液体中溶质成分及含量的检测在药物、食品、农业、环境等领域均有涉及，其在产品的品质与生产效率的控制中具有十分重要的地位。例如，在药物的生产环节中，常常需要确定某些中间试剂中溶质的具体含量，进而在含量符合要求时进行后续生产来保证最终生产的药品能够符合标准。
目前，通常采用分离检测技术、物理化学技术、光谱分析技术来对液体中溶质的成分和含量进行检测。但前两者的检测周期长，操作不便，光谱分析技术需要依赖于对液体的光谱进行检测，这种光谱检测一般需要通过专业的光谱检测设备(如光谱仪)来实现。这种光谱检测设备的成本高昂，当设备发生故障时，更换、维修成本较高，不利于降低工业生产的成本，并且光谱仪每一次光谱检测的时间也相对较长(至少1分钟左右)，在流水线生产中容易拖慢最终产品的生产效率。因此需要一种相对简便、且能保证检测精度的方法。
神经网络模型它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。通过神经网络模型对现存的实验数据进行大量的拟合，得到一个数学模型，对溶质进行精确分类。
在进行神经网络模型进行分类过程中需要应用到管道液体流速，现有的测量液体流速方法为：多普勒效应法、传播时间差法、相关法、波束偏移法和噪声法。传播时间法是利用超声波在管道内顺流和逆流经过待测液体时，因为流体本身流速的影响，造成超声波在经过待测流体后沿着顺流方向传播时速度增大，沿着逆流方向传播时速度减小，导致超声波传播一段固定距离所需时间不同，利用这段时间不同作为测量出发点的方法被称为传播时间法，根据测量的不同又进一步分为时差法，频差法等。
时差法是传播时间法的一种，其设计原理为在待测流体管道的外壁分别安装超声波探头A和超声波探头B，安装时使两者有一定倾斜角，实验时先从探头A发射超声波，将B探头接收到超声波时的时间记录为ta；然后，从探头B发射超声波，将探头A接收到超声波时的时间记录为tb，因为流体本身以速度v在流动，则顺流和逆流时的时间会有一定差异，通过进一步计算可得两次传播的时间差，进一步得到管道液体流速。
上述单Z型单通道传感器的安装方式，超声波在待测流体中的传播速度c会影响待测流体的速度v的大小，当待测流体周围环境的温度改变时，超声波速c的数值往往会发生较大变化，增加了测量过程中不确定因素，较大程度的影响了待测流体的相关测量结果的准确度。增加了二次流(二次流指产生了平行于边界的偏移，是叠加于主流之上的水流。一种流动(主流)引起的另一种性质不同的流动。例如管流中与主流轴线方向垂直的截面中的流动就是二次流；其他流动如分离流、旋涡等，也会引起相应的二次流)、脉动流(脉动水流)、流速差等不利因素对测量数据的影响，降低了所测数据精度，不具备可靠性与精确性。
因此，对于上述的单Z型单通道传感器测量的相关测量结果会存在精度不高、可靠性低的问题，进一步会影响溶质分类的准确性。
发明内容
发明目的：针对现有技术中存在的单通道传感器测量的相关测量结果精度不高、溶质分类准确度低的问题，本发明提出一种基于双Z型传感器及神经网络模型的溶质分类方法，通过采用“双Z”型组合布置构成的2组超声波传感器阵列基于时差法计算出渡越时间，以及相对应的超声波波速，进一步利用神经网络模型对溶质种类进行分类输出。
技术方案：本发明提出一种基于双Z型传感器及神经网络模型的溶质分类方法，包括如下步骤：
步骤1：采用“双Z”型组合布置构成2组超声波传感器阵列，每组超声波传感器阵列包括一个超声波发送传感器、一个超声波接收传感器；
步骤2：根据步骤1中设置的超声波传感器阵列计算不同溶质情况下的2组超声波传感器阵列的渡越时间Δt，进一步得到超声波速度c，得到多组数据集合；
步骤3：在已知超声波速度、溶质浓度、溶质种类的情况下，建立BP神经网络模型，将超声波波速与溶质浓度组成一个二维变量作为输入，将溶质种类作为输出，经过大量数据拟合训练神经网络模型，得到最终的溶质分类模型；
步骤4：利用步骤3所述的溶质分类模型进行溶质分类。
进一步地，所述步骤1中2组超声波传感器阵列具体布置方式为：
其中一组超声波传感器阵列的超声波发送传感器S1、超声波接收传感器R1，两者连线呈倾斜状，与管道下壁之间角度为θ；另一组超声波传感器阵列的超声波发送传感器S2、超声波接收传感器R2，两者连线也呈倾斜状，与超声波发送传感器S1、超声波接收传感器R1连线后平行设置，与管道下壁之间角度也为θ；并且超声波发送传感器S1设置在管道上壁，超声波接收传感器R1设置在管道下壁；超声波发送传感器S2设置在管道下壁，超声波接收传感器R2设置在管道上壁。
进一步地，所述步骤2中计算过程为：
当超声波在待测流体静止时的流速为c，管道横截面直径为D，待测流体流速为v，超声波接收传感器R1和R2在第1组传感器测量顺流传播时间tdown-1的同时，测量第2组传感器的逆流传播时间tup-2，得到渡越时间差Δt12：
c远远大于v，v2/(cosθ)2远小于c，所以上式可以进一步简化为：
进一步地，所述步骤3中的BP神经网络模型具体结构如下：
1)所述BP神经网络模型包括2个隐含层、18个神经元；
2)采用随机数选取训练的方式，经过多次循环测试，选出训练效果最佳的一组数据作为训练集；
3)在系统超参数设置方面，将模型的最大迭代次数设置为2000次；
4)使用提前截至法，设置当验证集与训练集误差不再下降时自动保存训练权重，训练完毕后保存最优训练权重t_best与最后训练权重文件t_last。
进一步地，所述BP神经网络模型使用tanh函数进行替换sigmoid函数：
进一步地，所述步骤3中对于浓度和超声波波速使用归一化方法进行预处理，将所有数据按照一定规则映射到[-1,1]区间内，在网络训练完毕后，再使用对应的反归一化方法将输出数据进行还原。
有益效果：
本发明采用双Z型2通道传感器的安装方式，着力减小二次流、脉动流、流速差等不利因素对测量数据的影响，得出Δt，根据精确的Δt，可计算出超声波速度。
在已知超声波速度，溶质浓度，溶质种类的情况下，建立BP神经网络模型，建模时，不断调整超声波波速、溶质浓度等条件参数，对溶质种类进行分类；接着，以测得的大量数据进行拟合，构造精确的溶质分类模型。
本发明通过建立BP神经网络模型的方式，解决了传统溶质分类检测周期长，操作不便，成本高昂的问题，避免了不同时间节点下的流速差Δv等因素对测量数据的影响，进一步提升了渡越时间Δt精度。
附图说明
图1为本发明“双Z”型组合布置构成2组超声波传感器阵列的布置图；
图2为本发明溶质分类神经网络模型结构图；
图3为本发明神经网络模型预测结果图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于双Z型传感器及神经网络模型的溶质分类方法，参见图1和图2，图1为“双Z”型组合布置构成2组超声波传感器阵列的布置图，本发明溶质分类方法具体包括如下步骤：
步骤1：采用“双Z”型组合布置构成2组超声波传感器阵列，每组超声波传感器阵列包括一个超声波发送传感器、一个超声波接收传感器。参见图1：
其中一组超声波传感器阵列的超声波发送传感器S1、超声波接收传感器R1，两者连线呈倾斜状，与管道下壁之间角度为θ；另一组超声波传感器阵列的超声波发送传感器S2、超声波接收传感器R2，两者连线也呈倾斜状，与超声波发送传感器S1、超声波接收传感器R1连线后平行设置，与管道下壁之间角度也为θ；并且超声波发送传感器S1设置在管道上壁，超声波接收传感器R1设置在管道下壁；超声波发送传感器S2设置在管道下壁，超声波接收传感器R2设置在管道上壁。
步骤2：根据步骤1中设置的超声波传感器阵列计算不同溶质情况下的2组超声波传感器阵列的渡越时间Δt，进一步得到超声波速度c，得到多组数据集合。
采用“双Z”型组合布置构成的2组超声波传感器阵列。避免了不同时间节点下的流速差Δv等因素对测量数据的影响，进一步提升了渡越时间Δt精度。
在两组传感器布置与组合方式下，当超声波在待测流体静止时的流速为c，管道横截面直径为D，待测流体流速为v，超声波接收传感器R1和R2在第1组传感器测量顺流传播时间tdown-1的同时，测量第2组传感器的逆流传播时间tup-2。这样，在保证两组传感器布置位置和角度θ完全符合要求的前提下，得到渡越时间差Δt12如下式1.3。
通常情况下，因为c远远大于v，v2/(cosθ)2远小于c，所以上式可以进一步简化为：
通过双Z型传感器得到Δt。
步骤3：在已知超声波速度、溶质浓度、溶质种类的情况下，建立BP神经网络模型，将超声波波速与溶质浓度组成一个二维变量作为输入，将溶质种类作为输出，经过大量数据拟合训练神经网络模型，得到最终的溶质分类模型。具体的溶质分类神经网络模型参见图2。
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
本发明在建模方面使用了传统的BP神经网络模型，根据数据的复杂程度和数据量，经过多次测试优化后将模型的层级设定为2个隐含层18个神经元。为了保证训练集的选取分散合理且具有代表性，本发明采用了随机数选取训练的方式，经过多次循环测试，选出训练效果最佳的一组数据作为训练集。
在系统超参数设置方面，将模型的最大迭代次数设置为2000次；为了缓解过拟合问题，本发明使用提前截至法，设置当验证集与训练集误差不再下降时自动保存训练权重，训练完毕后将会保存最优训练权重t_best与最后训练权重文件t_last，方便后续在其他场景中进行迁移学习；模型的最大误差设计为10的-5次方；模型的学习率设置为0.01。
为了在大数据训练中缓解sigmoid函数梯度消失问题，本发明使用tanh函数进行替换，如公式1.6所示。可以使其输出和输入能够保持非线性单调上升和下降关系，更加复合BP神经网络的梯度求解特性，模型拥有更好的容错率。
由于训练数据中，输入数据由浓度和超声波波速组成，两组数据之间计量单位差距较大，而输出数据使用整数代表溶质种类，所以数据之间存在数量级差异过大的问题。为了避免网络模型中出现“大数吃小数”的错误结论，本设计使用归一化方法对数据进行预处理，将所有数据按照一定规则映射到[-1,1]区间内，在网络训练完毕后，再使用对应的反归一化方法将输出数据进行还原。归一化公式如公式1.7所示：
其中xmax与xmin代表一组数据中的最大值与最小值，ymax与ymin代表映射后数据所处的区间，需要人工设定，默认为[-1,1]。通过以上设置，在经过大量的数据拟合，训练得到一个对溶质种类精确分类的模型。
步骤4：利用步骤3所述的溶质分类模型进行溶质分类，图3是利用所训练的神经网络模型进行溶质分类的结果与真实值进行对比的效果图。
本发明以如下表1溶质种类、溶质浓度以及超声波波速之间的关系进行神经网络模型训练。
表1为溶质种类、溶质浓度以及超声波波速之间的关系
图3为本发明利用上述数据进行训练预测的预测结果图，从图中可以看出本发明的溶质种类预测结果的准确度较高。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，包括如下步骤：
步骤1：采用“双Z”型组合布置构成2组超声波传感器阵列，每组超声波传感器阵列包括一个超声波发送传感器、一个超声波接收传感器；
步骤2：根据步骤1中设置的超声波传感器阵列计算不同溶质情况下的2组超声波传感器阵列的渡越时间Δt，进一步得到超声波速度c，得到多组数据集合；
步骤3：在已知超声波速度、溶质浓度、溶质种类的情况下，建立BP神经网络模型，将超声波波速与溶质浓度组成一个二维变量作为输入，将溶质种类作为输出，经过大量数据拟合训练神经网络模型，得到最终的溶质分类模型；
步骤4：利用步骤3所述的溶质分类模型进行溶质分类。
2.根据权利要求1所述的基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，所述步骤1中2组超声波传感器阵列具体布置方式为：
其中一组超声波传感器阵列的超声波发送传感器S1、超声波接收传感器R1，两者连线呈倾斜状，与管道下壁之间角度为θ；另一组超声波传感器阵列的超声波发送传感器S2、超声波接收传感器R2，两者连线也呈倾斜状，与超声波发送传感器S1、超声波接收传感器R1连线后平行设置，与管道下壁之间角度也为θ；并且超声波发送传感器S1设置在管道上壁，超声波接收传感器R1设置在管道下壁；超声波发送传感器S2设置在管道下壁，超声波接收传感器R2设置在管道上壁。
3.根据权利要求2所述的基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，所述步骤2中计算过程为：
当超声波在待测流体静止时的流速为c，管道横截面直径为D，待测流体流速为v，超声波接收传感器R1和R2在第1组传感器测量顺流传播时间tdown-1的同时，测量第2组传感器的逆流传播时间tup-2，得到渡越时间差Δt12：
c远远大于v，v2/(cosθ)2远小于c，所以上式可以进一步简化为：
4.根据权利要求1所述的基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，所述步骤3中的BP神经网络模型具体结构如下：
1)所述BP神经网络模型包括输入层20个神经元、2个隐藏层共18个神经元和输出层1个神经元；
2)采用随机数选取训练的方式，经过多次循环测试，选出训练效果最佳的一组数据作为训练集；
3)在系统超参数设置方面，将模型的最大迭代次数设置为2000次；
4)使用提前截至法，设置当验证集与训练集误差不再下降时自动保存训练权重，训练完毕后保存最优训练权重t_best与最后训练权重文件t_last。
5.根据权利要求4所述的基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，所述BP神经网络模型使用tanh函数进行替换sigmoid函数：
6.根据权利要求1所述的基于双Z型传感器及神经网络模型的溶质分类方法，其特征在于，所述步骤3中对于浓度和超声波波速使用归一化方法进行预处理，将所有数据按照一定规则映射到[-1,1]区间内，在网络训练完毕后，再使用对应的反归一化方法将输出数据进行还原。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475523.0A CN116626156A (zh) | 2023-04-28 | 2023-04-28 | 一种基于双z型传感器及神经网络模型的溶质分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475523.0A CN116626156A (zh) | 2023-04-28 | 2023-04-28 | 一种基于双z型传感器及神经网络模型的溶质分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116626156A true CN116626156A (zh) | 2023-08-22 |
Family
ID=87620326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310475523.0A Pending CN116626156A (zh) | 2023-04-28 | 2023-04-28 | 一种基于双z型传感器及神经网络模型的溶质分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626156A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113702662A (zh) * | 2021-08-30 | 2021-11-26 | 河北大学 | 一种多声道同步发射流速测量装置及方法 |
| CN113947045A (zh) * | 2021-10-26 | 2022-01-18 | 四川大学 | 基于神经网络和换能器拓扑结构整定的管道流量的计算方法 |
| CN115660141A (zh) * | 2022-09-09 | 2023-01-31 | 浙江工业大学之江学院 | 基于循环神经网络集成的超声波燃气表故障预测方法 |
-
2023
- 2023-04-28 CN CN202310475523.0A patent/CN116626156A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113702662A (zh) * | 2021-08-30 | 2021-11-26 | 河北大学 | 一种多声道同步发射流速测量装置及方法 |
| CN113947045A (zh) * | 2021-10-26 | 2022-01-18 | 四川大学 | 基于神经网络和换能器拓扑结构整定的管道流量的计算方法 |
| CN115660141A (zh) * | 2022-09-09 | 2023-01-31 | 浙江工业大学之江学院 | 基于循环神经网络集成的超声波燃气表故障预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 曹锦栋等: "基于声速的液体浓度测量的方法", 《大学物理实验》, vol. 30, no. 05, 31 October 2017 (2017-10-31), pages 67 - 69 * |
| 杨燕婷等: "超声光栅测量溶液中超声声速与浓度关系研究", 《实验技术与管理》, vol. 28, no. 07, 31 July 2011 (2011-07-31), pages 32 - 35 * |
| 陈余行: "溶液中溶质浓度及种类对超声声速的影响", 《科技资讯》, no. 02, 31 January 2020 (2020-01-31), pages 70 - 71 * |
| 靳海水等: "基于局部模型网络的超声波浓度测量和在线校正", 传感技术学报, no. 03, 30 September 2002 (2002-09-30), pages 232 - 237 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rosa et al. | Performance comparison of artificial neural networks and expert systems applied to flow pattern identification in vertical ascendant gas–liquid flows | |
| Celikoglu et al. | Extension of traffic flow pattern dynamic classification by a macroscopic model using multivariate clustering | |
| CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
| Lee et al. | Instantaneous and objective flow regime identification method for the vertical upward and downward co-current two-phase flow | |
| CN111351540B (zh) | 一种气力输送过程中颗粒质量流率的检测方法和系统 | |
| CN106124373B (zh) | 一种煤粉浓度的测量方法 | |
| CN109359692A (zh) | 一种原油含水率在线测量模型及其构建方法、应用 | |
| CN114166318A (zh) | 一种基于深度学习的超声波水表流量数据校准方法 | |
| Xu et al. | Sensor placement optimization in the artificial lateral line using optimal weight analysis combining feature distance and variance evaluation | |
| Vaghefi et al. | A comparison among data mining algorithms for outlier detection using flow pattern experiments | |
| CN105095652B (zh) | 基于堆叠极限学习机的样品成份测定方法 | |
| CN113947045A (zh) | 基于神经网络和换能器拓扑结构整定的管道流量的计算方法 | |
| CN108846200A (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
| CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
| CN113108853B (zh) | 一种提高低流速流体流量测量精度的方法 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| CN116626156A (zh) | 一种基于双z型传感器及神经网络模型的溶质分类方法 | |
| CN111222229B (zh) | 气液两相流动态流动过程的瞬时流量测量模型构建方法 | |
| CN110824478B (zh) | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 | |
| Wang et al. | Concentration measurement of dilute pulverized fuel flow by electrical capacitance tomography | |
| CN108428012A (zh) | 一种优化神经网络的风机噪音预测方法 | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| Abbas et al. | Mass flow rate measurement of solids in a pneumatic conveying pipeline in different orientations | |
| CN108412481A (zh) | 超声波多普勒多相流分相流量测井资料解释方法和装置 | |
| Na et al. | A smart software sensor for feedwater flow measurement monitoring |
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 |