CN116933979B - 一种基于贝叶斯算法的标准样品定值方法 - Google Patents
一种基于贝叶斯算法的标准样品定值方法 Download PDFInfo
- Publication number
- CN116933979B CN116933979B CN202311181894.4A CN202311181894A CN116933979B CN 116933979 B CN116933979 B CN 116933979B CN 202311181894 A CN202311181894 A CN 202311181894A CN 116933979 B CN116933979 B CN 116933979B
- Authority
- CN
- China
- Prior art keywords
- value
- probability
- sample
- samples
- standard
- 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 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 239000000523 sample Substances 0.000 claims abstract description 133
- 239000013074 reference sample Substances 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims description 68
- 238000012512 characterization method Methods 0.000 claims description 45
- 230000002596 correlated effect Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- RVPVRDXYQKGNMQ-UHFFFAOYSA-N lead(2+) Chemical compound [Pb+2] RVPVRDXYQKGNMQ-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000009616 inductively coupled plasma Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004452 microanalysis Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004454 trace mineral analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种基于贝叶斯算法的标准样品定值方法,解决了在生产的管理、监督过程中,在采用贝叶斯算法难以在准确数据有限的情况下,对标准样品的标准值的、带有预测性质的估计。一方面,能够基于已知的、有限的数据实现对标准值进行估计的目的;另一方面,标准样品的标准值是基于参照样品确定的,能够使得确定出的标准值更适合用于对参照样品在指定维度所属的取值区间内的样品进行测量,有利于提高准确度。
Description
技术领域
本申请涉及适用于行政、商业、金融、管理、监督或预测目的的数据处理技术领域,尤其涉及一种基于贝叶斯算法的标准样品定值方法。
背景技术
所谓贝叶斯算法,是指当分析样品大到接近总体数时,样品中事件发生的概率将接近于总体中事件发生的概率。如今,贝叶斯算法以广泛地被应用于多个领域,用于估计、预测性质的数据处理中,例如,公开(公告)号:CN109740905B 的发明专利申请“一种基于贝叶斯模型的多元电网次生故障概率估计方法”(主分类号:G06Q10/06),基于贝叶斯算法实现了对电网使用过程中的部分数据的估计。
然而,随着机械化、自动化的生产模式逐渐成为主流,几乎各行各业的产能都呈增长趋势,这就使得分析样品很难接近总体数。此外,贝叶斯算法还需要在计算的过程中知晓某些维度的特征的取值,若针对该维度的标准样品的标准值尚未确定,则此时采用朴素贝叶斯算法进行数据处理,得到的结果也是存在缺陷的。
发明内容
本申请实施例提供了一种基于贝叶斯算法的标准样品定值方法,以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种基于贝叶斯算法的标准样品定值方法,所述方法包括:
获取若干个参照样品;
对所述参照样品进行采样,得到第一数量个第一样品;
再次对所述参照样品进行采样,得到第二数量个第二样品;所述第二数量大于所述第一数量;
基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据;
基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据;
计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值;所述表征值与其对应的测量数据的取值正相关;
基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率,使得所述第二概率小于所述第一概率;所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值;
基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率,使得所述第三概率小于所述第四概率;所述第二待定值是取值在所述第一待定值与所述第一测量数据的表征值之间的值,或者,所述第二待定值是取值在所述第一待定值与所述第二测量数据的表征值之间的值;
基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值;所述标准值与所述第一待定值、所述第二待定值至少之一正相关。
在本说明书一个可选的实施例中,获取若干个参照样品,包括:
从待定样品中,确定出在所述指定维度的差值不超过预设的差值阈值的若干个,作为所述参照样品;所述待定样品是在相同的条件下制得的。
在本说明书一个可选的实施例中,所述方法还包括:
针对所述指定维度不同的预设取值区间,分别确定其对应的所述参照样品,以分别确定所述取值区间对应的所述标准值。
在本说明书一个可选的实施例中,所述第二数量是所述第一数量的指定倍数;
所述指定倍数的取值与所述标准值的精确度正相关,且,所述指定倍数还与所述取值区间的范围和其包含的最大值的比值负相关。
在本说明书一个可选的实施例中,所述第一数量与所述取值区间的范围正相关,且与对所述标准样品重复定值的次数负相关。
在本说明书一个可选的实施例中,所述表征值是以下之一:
均值、方差、标准差、协方差。
第二方面,本申请实施例还提供一种基于贝叶斯算法的标准样品定值装置,所述装置包括:
获取模块,配置为:获取若干个参照样品;
第一样品确定模块,配置为:对所述参照样品进行采样,得到第一数量个第一样品;
第二样品确定模块,配置为:再次对所述参照样品进行采样,得到第二数量个第二样品;所述第二数量大于所述第一数量;
第一测量数据确定模块,配置为:基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据;
第二测量数据确定模块,配置为:基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据;
表征值计算模块,配置为:计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值;所述表征值与其对应的测量数据的取值正相关;
第一待定值确定模块,配置为:基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率,使得所述第二概率小于所述第一概率;所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值;
第二待定值确定模块,配置为:基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率,使得所述第三概率小于所述第四概率;所述第二待定值是取值在所述第一待定值与所述第一测量数据的表征值之间的值,或者,所述第二待定值是取值在所述第一待定值与所述第二测量数据的表征值之间的值;
标准值确定模块,配置为:基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值;所述标准值与所述第一待定值、所述第二待定值至少之一正相关。
第三方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行第一方面所述的方法步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过本说明书中的方法,在无法知晓参照样品和标准样品在指定维度的取值的情况下,基于贝叶斯算法的思路,采用对参照样品进行分组测量的方式,实现了对标准样品的标准值的估计,一方面,能够基于已知的、有限的数据实现对标准值进行估计的目的;另一方面,标准样品的标准值是基于参照样品确定的,能够使得确定出的标准值更适合用于对参照样品在指定维度所属的取值区间内的样品进行测量,有利于提高准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种基于贝叶斯算法的标准样品定值方法的过程示意图;
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其它元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本说明书中的基于贝叶斯算法的标准样品定值方法包含以下步骤:
S100:获取若干个参照样品。
本说明书中的方法适用于物理参数测量、化学成分定量分析等多个场景。为便于说明,下文中均以化学成分定量分析为例。
通常情况下,若标准样品是直接中计量单位、专业机构购买的,则标准样品的外包装上实际是标有其在某一维度的取值(即标定值,不同于标准值)的。或者,若标准样品是现场配制的,配制过程中即会对其在某一维度的取值进行计算,其计算值(等同于标定值)是可以知晓的。
但是,标准样品自身的性质对定量分析的结果的影响往往是不同忽视的,特别是在微量分析甚至是痕量分析的领域中,针对不同的测量范围造成的影响也是较为明显的。此外,还要考虑误差因素,标准样品的误差、检测设备的误差,均会对检测结果造成影响。
在已经确定出标准样品的标准值的情况下,参照样品是待检测的试样。例如,在对铅离子浓度进行定量分析的场景中,标准样品即为铅离子浓度已知的试样。在进行铅离子浓度测量之前,需要采用标准样品对检测仪器ICP(Inductively Coupled Plasma电感耦合等离子体)进行标定。标定之后的检测仪器才可以被用于对待检测的试样的测量。本说明书中的方法旨在确定出标准样品的铅离子含量是多少。
需要说明的是,ICP检测仅是示例性的,本说明书中的方法还可以应用于采用其他检测仪器的成分分析场景,例如,质谱、气相色谱质谱联用等。
通过本说明书的方法得到的标准样品的标准值与确定该标准值时采用的参照样品在指定维度(例如前述示例中的铅离子浓度。不同维度可以制定不同的标准样品,进而分别地确定其标准值)的情况是具有一定的相关性的,例如,参照样品的在指定维度的取值范围是[a,b],则标准样品的标准值对[a,b]这个取值范围内的检测是准确的。在本说明书一个可选的实施例中,从待定样品(可以是人工配置的,其在指定维度的取值可以人工设定,但是存在误差。而且,不同的待定样品的误差情况存在差异)中,确定出在所述指定维度的差异不超过预设的差异阈值(可以是经验值)的若干个,作为所述参照样品;所述待定样品是在相同的条件下制得的(例如,在检测塑料制品的铅离子浓度时,要求制备待定样品的采用的溶剂均相同,例如,均采用盐酸;不同的待定样品的静置时长相同,等)。
在本说明书一个可选的实施例中,可以针对所述指定维度不同的预设取值区间,分别确定所述参照样品,以分别确定所述取值区间对应的所述标准值。例如,取值由小到大为a、b、c、d,则可以针对[a,b]这个取值范围内确定第一批次的参照样品;针对[c,d]这个取值范围内确定第二批次的参照样品。
S102:对所述参照样品进行采样,得到第一数量个第一样品。
在本说明书一个可选的实施例中,第一数量可以是基于经验的预设值。在本说明书另一个可选的实施例中,所述第一数量与所述参照样品在所述指定维度的取值区间的范围(例如,前述示例中的a与b之间的距离)正相关,且与对所述标准样品重复定值的次数负相关(可以针对某一标准样品,采用本说明书中的方法多次对其进行定值,然后对多次定值之后的结果取平均,作为该标准样品在指定维度最终的标准值)。
相关技术中,能够用于实现采样的技术手段,在条件允许的情况下,均适用于本说明是。
S104:再次对所述参照样品进行采样,得到第二数量个第二样品。
本说明书中的第二数量大于所述第一数量。至于具体要大多少,在本说明书一个可选的实施例中,可以根据经验确定。在本说明书另一个可选的实施例中,所述第二数量是所述第一数量的指定倍数。所述指定倍数的取值与所述标准值的精确度(例如,取小数点后几位,位数越多,精确度越高)正相关,且,所述指定倍数还与所述取值区间的范围和其包含的最大值(例如,前述示例中的b)的比值负相关。
本说明书中的技术方案,建立在第一样品的数量小于第二样品的数量的基础上,该数量上的差异能够从概率的角度一定程度的放大第一样品和第二样品之间的差异。该差异是确定标准样品在指定维度的标准值的较为关键的因素。指定倍数越大,则该差异越明显,有利于提高精确度。
对于检测设备而言,高浓度检测的精确度往往高于低浓度检测,进一步地,对于痕量浓度,检测的精确度将会更低。假设在取值区间的范围不变的情况下,其包含的最大值越小,表明该标准样品应用于低浓度、甚至痕量浓度的检测,则提高指定倍数,以从样品调整的角度保证精确度。
需要说明的是,在本说明书的方法中,有可能存某一样品既是第一样品,又是第二样品的情况。
S106:基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据。
示例性地,在前述采用ICP对样品铅离子含量进行分析的场景中,可以直接采用待标定的标准样品外包装上对应的标定值,或者配制待标定的标准样品时得到的计算值,对ICP进行标定。由此标定的ICP虽然会出现分析结果不准确的现象,但不至于出错。本步骤得到的第一测量数据,对应于前述实施例中的铅离子含量。
S108:基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据。
S110:计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值。
本说明书中的表征值与其对应的测量数据的取值正相关。在本说明书一个可选的实施例中表征值是以下之一:均值、方差、标准差、协方差。
S112:基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率。
本说明书书中的所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值(包含本数)。本步骤的目标即为确定出第一待定值。其中,第二概率小于所述第一概率。
何为合格,是根据样品在指定维度的取值确定的。具体如何定义合格,可以根据实际的需求确定,例如,超出标准样品在指定维度的标准值的幅度不大于预设的幅度阈值的情况下,为合格。若第一样品和第二样品的数量均趋近于无穷大,则两者均为合格的概率应该均为0,因为实际生产中,不可能保证产出的产品均为合格的产品。而样品数量越少,保障样品均为合格样品的概率则越高。由于第一数量小于第二数量,则导致第一样品均为合格样品的概率要高于第二样品均为合格的概率。本步骤的目标即为确定出满足这一条件的第一待定值。由本步骤确定出的第一待定值有可能是某一个取值,也有可能是某一个取值范围。由此确定出的第一待定值,一方面是由参照样品得到的,则该第一待定值与参照样品在指定维度的取值范围是相匹配的,能有用于表征该取值范围的情况;另一方面,该第一待定值还能够反映出该参照样品随数量变化导致的误差。
相关技术中,能够用于计算概率的技术手段,在条件允许的情况下,均适用于本说明书,例如,贝叶斯算法。
S114:基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率。
对于微量甚至痕量浓度的检测分析,分析结果的取值往往精确度较高。这就使得数据的有效位数较多,则两个样品的检测分析结果的可能性就越低,则理想状态下,所述第三概率小于所述第四概率。第三概率和第四概率均可以采用标定值进行计算。本步骤旨在找到满足这一规律的第二待定值。第二待定值是所述第一待定值与所述第一测量数据的表征值之间(包含本数)的值,或者,所述第二待定值是所述第一待定值与所述第二测量数据的表征值之间(包含本数)的值。由本步骤确定出的第二待定值有可能是某一个取值,也有可能是某一个取值范围。由此确定出的第二待定值,一方面是由参照样品得到的,则该第二待定值与参照样品在指定维度的取值范围是相匹配的,能有用于表征该取值范围的情况;另一方面,即便是参照样品的数量不是无穷大,与贝叶斯算法的基础条件之间存在一定的偏差,该第二待定值,也能够一定程度的反映出在指定维度的取值在参照样品所属的取值范围的规律性。
相关技术中,能够用于计算概率的技术手段,在条件允许的情况下,均适用于本说明书,例如,贝叶斯算法。
S116:基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值。
在本说明书一个可选的实施例中,可以多次重复前述步骤,多次计算标准样品在所述指定维度的标准值,之后取平均值,作为线上使用时采用的标准值。标准值与所述第一待定值、所述第二待定值至少之一正相关。
在本说明书一个可选的实施例中,确定第一待定值与标准样品的标定值第一差值,确定第二待定值与标准样品的标定值第二差值。第二差值和第二差值均为绝对值。取第一差值和第二差值的平均值,作为标定值的误差范围。
在本说明书另一个可选的实施例中,确定第一待定值与标准样品的标定值的差值、确定第二待定值与标准样品的标定值的差值中取值较小者,作为第三差值,取值较大者,作为第四差值。第三差值和第四差值均为绝对值。将参照样品所属的取值范围划分为取值较低的第一范围、和取值较高的第二范围。将第四差值作为第一范围的误差范围。
通过本说明书中的方法,在无法知晓参照样品和标准样品在指定维度的取值的情况下,基于贝叶斯算法的思路,采用对参照样品进行分组测量的方式,实现了对标准样品的标准值的估计,一方面,能够基于已知的、有限的数据实现对标准值进行估计的目的;另一方面,标准样品的标准值是基于参照样品确定的,能够使得确定出的标准值更适合用于对参照样品在指定维度所属的取值区间内的样品进行测量,有利于提高准确度。
进一步地,本说明书还提供一种基于贝叶斯算法的标准样品定值装置,所述装置包括:
获取模块,配置为:获取若干个参照样品;
第一样品确定模块,配置为:对所述参照样品进行采样,得到第一数量个第一样品;
第二样品确定模块,配置为:再次对所述参照样品进行采样,得到第二数量个第二样品;所述第二数量大于所述第一数量;
第一测量数据确定模块,配置为:基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据;
第二测量数据确定模块,配置为:基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据;
表征值计算模块,配置为:计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值;所述表征值与其对应的测量数据的取值正相关;
第一待定值确定模块,配置为:基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率,使得所述第二概率小于所述第一概率;所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值;
第二待定值确定模块,配置为:基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率,使得所述第三概率小于所述第四概率;所述第二待定值是取值在所述第一待定值与所述第一测量数据的表征值之间的值,或者,所述第二待定值是取值在所述第一待定值与所述第二测量数据的表征值之间的值;
标准值确定模块,配置为:基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值;所述标准值与所述第一待定值、所述第二待定值至少之一正相关。
该装置能够执行前述任一实施例中的方法,并能够获得相同或相似的技术效果,此处不再赘述。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种基于贝叶斯算法的标准样品定值装置。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种基于贝叶斯算法的标准样品定值方法。
上述如本申请图1所示实施例揭示的一种基于贝叶斯算法的标准样品定值方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于贝叶斯算法的标准样品定值方法,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,执行前述的任意一种基于贝叶斯算法的标准样品定值方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于贝叶斯算法的标准样品定值方法,其特征在于,所述方法包括:
获取若干个化学成分参照样品,参照样品是待检测的试样,标准样品即为待检测化学成分浓度已知的试样,采用对参照样品进行分组测量的方式,实现了对标准样品的标准值的估计;
对所述参照样品进行采样,得到第一数量个第一样品;
再次对所述参照样品进行采样,得到第二数量个第二样品;所述第二数量大于所述第一数量;
基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据;
基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据;
计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值;所述表征值与其对应的测量数据的取值正相关;
基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率,使得所述第二概率小于所述第一概率;所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值;
基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率,使得所述第三概率小于所述第四概率;所述第二待定值是取值在所述第一待定值与所述第一测量数据的表征值之间的值,或者,所述第二待定值是取值在所述第一待定值与所述第二测量数据的表征值之间的值;
基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值;所述标准值与所述第一待定值、所述第二待定值至少之一正相关。
2.如权利要求1所述方法,其特征在于,获取若干个参照样品,包括:
从待定样品中,确定出在所述指定维度的差值不超过预设的差值阈值的若干个,作为所述参照样品;所述待定样品是在相同的条件下制得的。
3.如权利要求2所述方法,其特征在于,所述方法还包括:
针对所述指定维度不同的预设取值区间,分别确定其对应的所述参照样品,以分别确定所述取值区间对应的所述标准值。
4.如权利要求3所述方法,其特征在于,所述第二数量是所述第一数量的指定倍数;
所述指定倍数的取值与所述标准值的精确度正相关,且,所述指定倍数还与所述取值区间的范围和其包含的最大值的比值负相关。
5.如权利要求3所述方法,其特征在于,所述第一数量与所述取值区间的范围正相关,且与对所述标准样品重复定值的次数负相关。
6.如权利要求1所述方法,其特征在于,所述表征值是以下之一:
均值、方差、标准差、协方差。
7.一种基于贝叶斯算法的标准样品定值装置,其特征在于,所述装置包括:
获取模块,配置为:获取若干个化学成分参照样品,
第一样品确定模块,配置为:对所述参照样品进行采样,得到第一数量个第一样品,所述参照样品是待检测的试样,标准样品即为待检测化学成分浓度已知的试样,采用对参照样品进行分组测量的方式,实现了对标准样品的标准值的估计;
第二样品确定模块,配置为:再次对所述参照样品进行采样,得到第二数量个第二样品;所述第二数量大于所述第一数量;
第一测量数据确定模块,配置为:基于待标定的标准样品,对所述第一样品的指定维度进行测量,得到第一测量数据;
第二测量数据确定模块,配置为:基于待标定的所述标准样品,对所述第二样品的所述指定维度进行测量,得到第二测量数据;
表征值计算模块,配置为:计算所述第一测量数据的表征值,并计算所述第二测量数据的表征值;所述表征值与其对应的测量数据的取值正相关;
第一待定值确定模块,配置为:基于第一待定值,确定所述第一样品均为合格样品的概率,作为第一概率;以及,基于所述第一待定值,确定所述第二样品均为合格样品的概率,作为第二概率,使得所述第二概率小于所述第一概率;所述第一待定值是取值在所述第一测量数据的表征值和所述第二测量数据的表征值之间的值;
第二待定值确定模块,配置为:基于第二待定值,确定所述第一样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第三概率;以及,基于所述第二待定值,确定所述第二样品中存在与所述标准样品在所述指定维度相同的样品的概率,作为第四概率,使得所述第三概率小于所述第四概率;所述第二待定值是取值在所述第一待定值与所述第一测量数据的表征值之间的值,或者,所述第二待定值是取值在所述第一待定值与所述第二测量数据的表征值之间的值;
标准值确定模块,配置为:基于所述第一待定值和所述第二待定值,确定所述标准样品在所述指定维度的取值,作为标准值;所述标准值与所述第一待定值、所述第二待定值至少之一正相关。
8.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~6之任一所述方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~6之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181894.4A CN116933979B (zh) | 2023-09-14 | 2023-09-14 | 一种基于贝叶斯算法的标准样品定值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181894.4A CN116933979B (zh) | 2023-09-14 | 2023-09-14 | 一种基于贝叶斯算法的标准样品定值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933979A CN116933979A (zh) | 2023-10-24 |
CN116933979B true CN116933979B (zh) | 2023-12-15 |
Family
ID=88388169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181894.4A Active CN116933979B (zh) | 2023-09-14 | 2023-09-14 | 一种基于贝叶斯算法的标准样品定值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933979B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150225B (zh) * | 2023-10-30 | 2024-01-19 | 中国标准化研究院 | 一种基于贝叶斯算法的工业数据的清洗方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5616504A (en) * | 1993-02-23 | 1997-04-01 | The General Hospital Corporation | Method and system for calibration of immunoassay systems through application of bayesian analysis |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11495323B2 (en) * | 2019-01-23 | 2022-11-08 | Thermo Finnigan Llc | Microbial classification of a biological sample by analysis of a mass spectrum |
US11287376B2 (en) * | 2019-07-16 | 2022-03-29 | Datacolor Inc. | System and method to standardize whiteness calibration and measurement |
-
2023
- 2023-09-14 CN CN202311181894.4A patent/CN116933979B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5616504A (en) * | 1993-02-23 | 1997-04-01 | The General Hospital Corporation | Method and system for calibration of immunoassay systems through application of bayesian analysis |
Also Published As
Publication number | Publication date |
---|---|
CN116933979A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116933979B (zh) | 一种基于贝叶斯算法的标准样品定值方法 | |
CN105466927B (zh) | 一种比浊法异常反应曲线的识别、修正及报警方法 | |
JP5116307B2 (ja) | 集積回路装置異常検出装置、方法およびプログラム | |
WO2006014509A2 (en) | Quantitative pcr data analysis system (qdas) | |
US9061322B2 (en) | Product discriminating device, product discriminating method, and computer program | |
Kroll et al. | Evaluation of the extent of nonlinearity in reportable range studies | |
CN111679035A (zh) | 一种气体分析仪数据补偿方法、装置、设备及介质 | |
CN109582741B (zh) | 特征数据处理方法和装置 | |
CN110531033A (zh) | 在线水分测量准确性的监测方法和装置、水分测量系统 | |
CN108399115B (zh) | 一种运维操作检测方法、装置及电子设备 | |
CN115048613A (zh) | 一种指标同质化换算方法、装置、电子设备及存储介质 | |
US7557598B2 (en) | Method of inspecting quiescent power supply current in semiconductor integrated circuit and device for executing the method | |
US9652729B2 (en) | Metrology management | |
CN111089955A (zh) | 一种物质浓度的确定方法及样本分析仪、存储介质 | |
CN105389479A (zh) | 用于分析核酸扩增反应的分析方法和系统 | |
CN110189178B (zh) | 异常交易监测方法、装置及电子设备 | |
CN116862269B (zh) | 一种利用大数据评估快速检测方法精密度的方法 | |
CN116703222A (zh) | 物料检测的方法、装置、电子设备和计算机可读介质 | |
CN116304538B (zh) | 一种利用大数据评定检测结果不确定度的方法 | |
CN107451408B (zh) | 一种燃煤发热量数据校核方法 | |
CN116026773A (zh) | 基于浊度来校准氨氮浓度的方法 | |
CN114624221A (zh) | 波长标定方法、装置、设备、存储介质及计算机程序产品 | |
CN111505703A (zh) | 钚物质的钚质量测量方法、装置、设备及介质 | |
CN112366148B (zh) | 衬底浓度确定方法、装置、计算机设备及可读存储介质 | |
CN112969801A (zh) | 用于分析生物材料的方法和设备 |
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 |