CN117929655A - 一种气味强度检测方法、装置、设备、存储介质及车辆 - Google Patents
一种气味强度检测方法、装置、设备、存储介质及车辆 Download PDFInfo
- Publication number
- CN117929655A CN117929655A CN202410340975.2A CN202410340975A CN117929655A CN 117929655 A CN117929655 A CN 117929655A CN 202410340975 A CN202410340975 A CN 202410340975A CN 117929655 A CN117929655 A CN 117929655A
- Authority
- CN
- China
- Prior art keywords
- neural network
- initial
- gas
- value
- convolutional neural
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 230000001537 neural effect Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 150000002894 organic compounds Chemical class 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 17
- 230000007787 long-term memory Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012855 volatile organic compound Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 239000007789 gas Substances 0.000 abstract description 134
- 238000012360 testing method Methods 0.000 abstract description 3
- 235000019645 odor Nutrition 0.000 description 58
- 230000035943 smell Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- LRHPLDYGYMQRHN-UHFFFAOYSA-N N-Butanol Chemical compound CCCCO LRHPLDYGYMQRHN-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000007864 aqueous solution Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 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
- 238000009826 distribution Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本申请提供了一种气味强度检测方法、装置、设备、存储介质及车辆，涉及气体测试领域。本申请内容中待测气体为挥发性无色有机化合物时，可以在待测气体中提取初始特征值，同时将初始特征值输入至训练生成的卷积神经网络‑人工神经网络模型中，其中卷积神经网络能够生成用于描述初始特征值的第一特征值，以高效地描述多种待测气体的特征值，人工神经网络生成的第二特征值描述第一特征值之间的关联，以建立多种待测气体之间的气味阈值关系从快速识别出待测气体对应的气味强度值，以实现对待测气体的客观气味强度值的输出。
Description
技术领域
本申请涉及气体测试领域，特别涉及一种气味强度检测方法、装置、设备、存储介质及车辆。
背景技术
在气味识别过程中，目前采用的电子鼻技术是一种重要的气味客观化评价方法，它一般由气敏传感器阵列、信号处理、模式识别三部分系统组成，通过搭载对比主成分分析（PCA）、线性判别分析（LDA）、K-近邻（KNN）算法、支持向量机(SVM)等多种算法，组成一种高精度且响应迅速的模式识别方法，实现气味客观检测。而在识别无色气味时，主要通过建立气体的峰面积信息与气味强度结果之间的对应关系，建立气体的气味识别的途径。但是，在识别多种气体的混合气体，由于混合气体中各气体的气味阈值各不相同，难以根据单一气体的峰面积与气味强度的对应关系，来进一步准确识别耦合气体的气味强度值。
发明内容
有鉴于此，本申请提供了气味强度检测方法、装置、设备、存储介质及车辆，主要目的在于解决现有技术中测量气体时存在一定的局限性，无法实现对无色气味的气体强度进行客观识别的技术问题。
为实现上述目的，本申请第一方面公开一种气味强度检测方法，该方法包括：
在待测位置处采集待测气体，所述待测气体包括挥发性无色有机化合物；
从所述待测气体中提取初始特征值；
将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，所述卷积神经网络-人工神经网络模型包括所述卷积神经网络和所述人工神经网络；
识别所述第二特征值表示的所述待测气体的气味强度值。
在本申请的第二方面实施例提供了一种气味强度检测装置，所述装置包括：
采集模块，用于在待测位置处采集待测气体，所述待测气体包括挥发性有机化合物；
提取模块，用于从所述待测气体中提取初始特征值；
生成模块，用于将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，所述卷积神经网络-人工神经网络模型包括所述卷积神经网络和所述人工神经网络；
识别模块，用于识别所述第二特征值表示的所述待测气体的气味强度值。
在本申请的第三方面实施例提供了一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行中第一方面公开的任一项所述的方法。
在本申请的第四方面实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面所述的方法。
在本申请的第五方面实施例提供了一种车辆，车辆中搭载如第二方面所述的装置或如第三方面所述的电子设备。
综上，根据本申请公开的技术方案，针对电子鼻技术在测量气体时存在一定的局限性，无法实现对无色气味的气体强度进行客观识别的技术问题。本申请中的技术方案提出，首先在待测位置处采集待测气体，待测气体包括挥发性无色有机化合物；其次从待测气体中提取待测气体的初始特征值；然后将初始特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述初始特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值，卷积神经网络-人工神经网络模型包括卷积神经网络和人工神经网络；最后识别第二特征值表示的待测气体的气味强度值。本申请技术方案中在待测气体为挥发性无色有机化合物时，可以在待测气体中提取初始特征值，同时将初始特征值输入至训练生成的卷积神经网络-人工神经网络模型中，其中卷积神经网络能够生成用于描述初始特征值的第一特征值，以高效地描述多种待测气体的特征值，人工神经网络生成的第二特征值描述第一特征值之间的关联，以建立多种待测气体之间的气味阈值关系从快速识别出待测气体对应的气味强度值，以实现对待测气体的客观气味强度值的输出。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种气味强度检测方法流程图；
图2示出了本申请实施例提供的目标函数进行内积运算输出的结果占比情况示意图；
图3示出了本申请实施例提供的一种气味强度检测装置结构图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面将对本申请的方案进行进一步描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
为了解决现有技术中测量气体时存在一定的局限性，无法实现对无色气味的气体强度进行客观识别的技术问题。本申请提供了以下实施例解决上述问题：
本实施例提供了一种气味强度检测方法，如图1所示，为本实施例方法的流程图，本实施例方法具体可包括以下步骤：
步骤101，在待测位置处采集待测气体，待测气体包括挥发性无色有机化合物。
本申请技术方案主要用于实现对气体强度值的客观输出，一般而言，气味强度值对应着人类在嗅到目标气味时对该气味的感受来决定的，即根据该气味在正常人类闻到时是否感觉到刺鼻来评判该气味的强度。当待测位置的气味嗅起来较为刺鼻时，该待测位置气味的强度值较高，当嗅到待测位置气味教微弱或者无法嗅到对应位置的气味时，则该待测位置气味的强度值较低。示例性，如下表1所示的六级气味强度等级划分表：
表1 气味强度等级
根据ISO 12219-7标准要求，气味强度等级采用不同浓度的正丁醇溶液进行标定，不同气味强度等级对应的正丁醇水溶液浓度见表2：
表2 不同气味强度等级对应的正丁醇水溶液浓度
因此，在本实施例内容中提出对待测位置的待测气体进行提取，所提取的待测气体可以为一种挥发性无色有机化合物（VOC），该挥发性无色有机化合物可以与该待测位置的材料相关，在一种可能的应用场景下，该待测位置可以为车机中的不同位置。同时，该待测位置的待测气体可以为单一的挥发性无色有机化合物，也可以为多种挥发性无色有机化合物的组合。
步骤102，从待测气体中提取初始特征值。
在本实施例内容中，在提取到待测气体之后，实现对待测气体的参数的提取，其中，待测气体的参数可以为色谱峰面积等相关表示参数，其中，对待测气体的参数的获取过程可以通过相关的气体检测仪进行对应的参数的获取。在获取相应参数之后，进一步对该参数的参数值进行特征值的提取，所提取的特征值作为该待测气体的初始特征值。
步骤103，将初始特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述初始特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值，卷积神经网络-人工神经网络模型包括卷积神经网络和人工神经网络。
在本实施例内容中，提出一种卷积神经网络-人工神经网络模型，该卷积神经网络-人工神经网络模型可以通过输入目标特征值以输出该目标特征值对应的气味强度值。在对卷积神经网络-人工神经网络模型的不断训练过程中，卷积神经网络-人工神经网络模型可以对不同类别的挥发性无色有机化合物快速进行气味强度值的识别，同时，还可以支持对多种挥发性无色有机化合物叠加的气味进行准确识别，解决线性建模技术无法对多种发性无色有机化合物叠加之后对应的气味强度值无法准确识别的问题。
卷积神经网络-人工神经网络模型中包含卷积神经网络和人工神经网络，其中卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，CNN的结构可以分为3层：卷积层、池化层和全连接层。在卷积层中，对待测气体生成的初始特征值执行卷积过程，生成划分的特征信息，另外，在池化层中，对划分的特征信息进行局部显著数据的提取，并进一步在全连接层中对提取的局部显著数据进行数据分类，并根据分类结果生成第一特征值。人工神经网络LSTM（LSTM，Long Short-TermMemory）是一种时间循环神经网络，通过引入记忆细胞、输入门、输出门和遗忘门的概念，能够有效地解决长序列问题。记忆细胞负责保存重要信息，输入门决定要不要将当前输入信息写入记忆细胞，遗忘门决定要不要遗忘记忆细胞中的信息，输出门决定要不要将记忆细胞的信息作为当前的输出。这些门的控制能够有效地捕捉序列中重要的长时间依赖性，并且能够解决梯度问题。在接收到卷积神经网络输出的第一特征值之后，能够有效捕捉第一特征值之间的长时间依赖性，以作为特征值之间的相关信息，生成第二特征值，第二特征值可以包括待测气体中多种种类气体之间的相关气味阈值。
步骤104，识别第二特征值表示的待测气体的气味强度值。
在获取到人工神经网络模型输出的第二特征值输出之后，进一步对第二特征值进行识别，在第二特征值中可以包含多种种类气体之间的相关气味阈值时，统一待测气体的气味强度梯度，以最终确定该待测气体的气味强度值。
本申请中的技术方案提出，首先在待测位置处采集待测气体，待测气体包括挥发性无色有机化合物；其次从待测气体中提取待测气体的初始特征值；然后将初始特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述初始特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值，卷积神经网络-人工神经网络模型包括卷积神经网络和人工神经网络；最后识别第二特征值表示的待测气体的气味强度值。本申请技术方案中在待测气体为挥发性无色有机化合物时，可以在待测气体中提取初始特征值，同时将初始特征值输入至训练生成的卷积神经网络-人工神经网络模型中，其中卷积神经网络能够生成用于描述初始特征值的第一特征值，以高效地描述多种待测气体的特征值，人工神经网络生成的第二特征值描述第一特征值之间的关联，以建立多种待测气体之间的气味阈值关系从快速识别出待测气体对应的气味强度值，以实现对待测气体的客观气味强度值的输出。
在一种可能的实施例中，在将初始特征值输入至卷积神经网络-人工神经网络模型中之前，方法还包括：
对初始特征值进行降维，生成目标特征值；
将初始特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述初始特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值，包括：
将目标特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述目标特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值。
在待测气体中所提取的特征值中可能存在有冗余信息，为了减少减轻信息处理时的压力，本实施例提出，对特征值执行降维，使得可以用较少的数据量来表示待测气体。降维后的目标特征值与初始特征值相比拥有更高的数据维度，因此，其可以以更少数量的特征值实现对待测气体的表示，在保证能够表示待测气体的同时，进一步减轻计算压力。示例性的，执行初始特征值降维的方法可以为核主成分分析(KPCA)方法。
在一种可能的实施例中，对初始特征值进行降维，生成目标特征值，包括：
对初始特征值进行拆分，获取第一指标数据；提取目标核函数，目标核函数与初始特征值存在对应关系；利用目标核函数，对第一指标数据进行内积运算，生成第二指标数据，第二指标数据的数据维度高于第一指标数据；组合第二指标数据，生成目标特征值。
在本实施例内容中，针对初始特征值降维的相关技术方案进行进一步说明，数据降维的主要目的是为了获取到更高维度形式的数据，所获取的高维度可以以更少数量的数据来对待测气体的参数进行表示，具体执行过程可以为，首先对初始特征值进行拆分，所拆分出的第一指标数据每一个分别用于表示待测气体的参数值，核函数用于将原始数据，即第一指标数据映射到一个高维空间中，从而更好地区分数据。示例性的，所执行的数据降维方法可以为核主成分分析(KPCA)，核函数包括线性核，多项式核，高斯核等。不同核函数可以对数据进行不同类型的变换，从而影响降维效果。所提取的目标核函数与初始特征值相适应，以所确定的目标核函数对第一指标函数进行内积运算，执行对第一指标数据的降维操作，并生成第二指标数据，所生成的第二指标数据与第一指标数据，同样能够表示待测气体的绝大部分特征情况，且第二指标数据的数据量小于第一指标数据，在后续利用第二指标数据组合生成的目标特征值执行数据处理过程中，能够有效地减少数据的计算量，加快数据的处理速度，更快地使得卷积神经网络-人工神经网络模型获得相应的目标特征值，并且根据数据量较少的目标特征值快速地输出对应的气味强度值。
在一种可能的实施例中，利用所述目标核函数，对第一指标数据进行内积运算，生成第二指标数据，包括：
计算第一指标系数的相关系数矩阵；提取相关系数矩阵中的相关特征信息；基于目标核函数建立投影空间；投射相关特征信息至投影空间中，生成第二指标数据。
本实施例针对在确定核函数之后的具体计算过程进行了进一步解释，在执行利用目标核函数进行内积运算时，首先根据第一指标函数生成相关系数矩阵，该系数矩阵由第一指标函数中的样本个数，以及每个样本的特征值组成，同时结合相关系数矩阵中的相关特征信息与核函数进行计算（投影至投影空间），并对计算的结果矩阵进行去中心化，并对去中心化的结果矩阵的特征值和特征向量进行展开，在对去中心化的结果矩阵的特征值和特征向量进行标准化处理之后，依据处理结果中每个成分的占比选取第二指标数据。其中，对特征值和特征向量进行标准化的过程，可以以计算数据方差的形式进行表示，并依据方差值的大小来进行数据选取。示例性，选择的第二指标数据如图2所示，图2表示目标函数进行内积运算输出的结果占比情况示意图，图2中的内积运算输出的前5个成分，能够解释原本特征的0.9728。
执行本实施例方法，可以以实现对第一指标数据的降维，实现数据量更少的第二指标数据的获取。
在一种可能的实施例中，卷积神经网络-人工神经网络模型的训练方法，包括：
获取训练数据集，训练数据集中包括气体类型和气体强度值，气体类型和气体强度值对应；对目标气体的特征数据进行降维，生成目标降维气体，目标气体属于气体类型；输入目标降维气体至初始卷积神经网络-初始长短期记忆网络模型中；基于初始卷积神经网络-初始长短期记忆网络模型的输出结果对初始卷积神经网络-初始长短期记忆网络模型进行迭代，直至初始卷积神经网络-初始长短期记忆网络模型的输出值与目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型，目标气体强度值与目标气体对应。
由于前述实施例中提及以卷积神经网络-人工神经网络模型根据输入的目标特征值最终确定待测气体对应的气味强度值，在本实施例中的卷积神经网络-人工神经网络（CNN-LSTM）模型，是一种轻型的CNN-LSTM，结构为2层卷积，1d卷积核，卷积核尺寸为[2*1]。卷积层后添加一个全连接层，随后进入LSTM层，之后进入一个Dropout层(p=0.2)，随后接一个全连接层用于分类映射，数据经过Softmax函数映射后输出。优化器为Adam，损失函数为为CrossEntropy，同样使用EarlyStopping。同时为了防止过拟合，添加了L2正则项并验证了合适的weight_decay（权重衰减系数）值，增强模型泛化性能。CNN耦合LSTM模型进行预测，相比于传统的人工神经网络（BP神经网络等），CNN可以自动提取关键特征，网络结构更为复杂，有较强抗异常值能力。LSTM具有记忆功能，能够捕捉数据间依赖，可以记忆前面训练过样本的特征，这为处理后面相似样本提供了帮助，充分利用整组数据。
本实施例中的训练数据集的获取过程中，可以通过气相色谱质谱联用仪和高效液相色谱仪对各位置采集的气体进行分析，同时气味评价员评估气味强度。将分析得到的各个类别的数据进行统计，整理成气味VOC数据集。其中，当获取车机中的气味时，所对应的各位置可以为车内各种零部件和车舱内。
示例性的，所整理的VOCs数据集如表3所示，具体可表示为：
表3 VOCs数据集
气味强度作为模型训练的标签，从2.5-4.5共分为12类，分别是2.5，2.7，2.8，3.0，3.2，3.3，3.5，3.7，3.8，4.0，4.2，4.5。由于测试的数据均为实测数据，故气味强度是2.5-4.5之间的，而不是1-6之间。将148组整车气味VOC数据和气味评价数据作为训练集，26组（占总数据量的15%）整车的气味VOC数据作为测试集，对比分析人工神经网络模型ANN、卷积神经网络耦合长短期记忆网络模型CNN-LSTM和优化后的CNN-LSTM模型的预测效果。
同时，在准备训练数据之后，对于VOC气味数据使用KPCA进行数据降维，去除特征之间的冗余信息，提取主要的特征信息，减少了模型的输入变量，简化模型结构，降低模型训练难度。将参加训练的模型作为初始卷积神经网络-初始长短期记忆网络模型，利用训练数据对卷积神经网络-初始长短期记忆网络模型进行不断训练，使得模型的输出值与气体强度值差值不断减少。并在模型的输出值的准确率连续合格时，即多个训练数据下的输出值与目标气体强度值之间的差值连续小于阈值时，可以确定实现对卷积神经网络-人工神经网络模型的建立。
在不断训练过程中，对初始卷积神经网络-初始长短期记忆网络模型的评价指标包括分类准确率、RMSE，MAE，MAPE。RMSE（均方根误差）对异常值较为敏感，能够反应是否有偏差较大的情况产生，如将2.5判断为4.5，此时准确率指标则失去了约束效果。MAE（评价绝对误差）表示预测气味强度在整体上与真实气味的差距，表示在多大的误差范围内准确。MAPE(平均百分比误差)则可以直观的展示误差的整体偏差量。ANN模型预测准确率为38.5%，RMSE为0.361，MAE为0.265，MAPE为7.833%。
在一种可能的实施例中，获取训练数据集，包括：
提取初始训练数据；检验初始训练数据的均匀分布性；若初始训练数据分布不均匀，在初始训练数据中确定训练缺失数据；控制生成式对抗网络利用初始训练数据生成模拟数据，模拟数据用于对训练缺失数据进行补充；结合初始训练数据和模拟数据，生成训练数据集。
在本实施例中，针对训练数据分布不均匀的问题，提出了具体的解决方案。基于建立好的气味VOC数据库，进行气味分类模型的建立；在模型的建立过程中存在一个问题，即每个类别的气味数据条数不相同，数据分布是不均匀的，比如在气味强度在4.5级别以上和2.5以下的数据量很少，因为模型需要基于数据训练建立而成，某类别的数据较少就会导致模型无法准确的识别这个级别的VOC从而输出不准确的评价类别，然而这种极端情况的气味识别是十分重要的。本发明采用深度学习模型中的生成式对抗网络GAN方法解决该问题，GAN包含生成器和判别器两个部分。其中生成器用于生成与真实数据相似的模拟数据，判别器用于区分真实数据和假数据，生成器和判别器相互博弈，通过不断迭代，生成器可以生成更接近真实数据的模拟数据，该模拟数据用于补充训练缺失数据。例如，上述表3中4.3的数据没有测到，通过本实施例方案，结合其它VOC数据，利用生成式对抗网络GAN生成气味强度等级为4.3对应的训练数据，并参与到卷积神经网络-人工神经网络模型的训练过程中。
本发明使用GAN对气味较为极端的VOC数据进行生成，改善了原始样本数据的均衡性；增加了训练数据的多样性，避免模型过度依赖于原始数据而导致的过拟合。
在一种可能的实施例中，基于初始卷积神经网络-初始长短期记忆网络模型的输出结果对初始卷积神经网络-初始长短期记忆网络模型进行迭代，直至初始卷积神经网络-初始长短期记忆网络模型的输出值与目标气体强度值之间的差值小于阈值，包括：
在初始卷积神经网络中提取目标降维气体的气体特征数据；利用初始长短期记忆网络模型确定气体特征数据之间的连接关系，输出预测强度结果；计算预测强度结果与目标气体强度值之间的强度差值；基于强度差值，对初始卷积神经网络-初始长短期记忆网络模型的网络参数进行调节，直至初始卷积神经网络-初始长短期记忆网络模型的输出值与目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型。
将提取后的特征与气味使用CNN-LSTM进行训练并使用实测数据进行验证和测试。相比于传统的全连接神经网络ANN方法，CNN可以自动提取关键特征，网络的可调节结构和参数更加复杂，有较强抗异常值能力。保证计算速度的同时也提高了气味模型的泛化能力。同时考虑到输入VOCs数据集尺度较小，采用了浅层的CNN方法，既可以有效提取特征并达到较好的预测效果，又能保证现场预测的速率。LSTM虽然能够捕捉中长期的依赖关系，但在序列较长时的效果则会变差。如果输入序列中存在大量冗余和噪声的数据，那么LSTM需要花费较多的记忆去学习这些冗余数据，导致对有用特征的记忆能力被削弱。同时使用KPCA去冗余后，可以最大程度地保留有用的特征信息，使得LSTM可以更加高效地利用记忆单元去记忆有效的特征，从而提高了模型的准确度。
本实施例提供了一种气味强度检测装置，如图3所示，为本实施例装置的结构图，本实施例装置具体可包括：
采集模块31，用于在待测位置处采集待测气体，所述待测气体包括挥发性有机化合物；
提取模块32，用于从所述待测气体中提取初始特征值；
生成模块33，用于将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，所述卷积神经网络-人工神经网络模型包括所述卷积神经网络和所述人工神经网络；
识别模块34，用于识别所述第二特征值表示的所述待测气体的气味强度值。
在一种可能的实施例中，生成模块33，还用于：对所述初始特征值进行降维，生成目标特征值；
生成模块33，用于：
将所述目标特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述目标特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值。
在一种可能的实施例中，生成模块33，具体用于：
对所述初始特征值进行拆分，获取第一指标数据；
提取目标核函数，所述目标核函数与所述初始特征值存在对应关系；
利用所述目标核函数，对所述第一指标数据进行内积运算，生成第二指标数据，所述第二指标数据的数据维度高于所述第一指标数据；
组合所述第二指标数据，生成目标特征值。
在一种可能的实施例中，生成模块33，具体用于：
计算所述第一指标系数的相关系数矩阵；
提取所述相关系数矩阵中的相关特征信息；
基于所述目标核函数建立投影空间；
投射所述相关特征信息至所述投影空间中，生成第二指标数据。
在一种可能的实施例中，气味强度检测装置，还包括，训练模块30，用于：
获取训练数据集，所述训练数据集中包括气体类型和气体强度值，所述气体类型和气体强度值对应；
对目标气体的特征数据进行降维，生成目标降维气体，所述目标气体属于所述气体类型；
输入所述目标降维气体至初始卷积神经网络-初始长短期记忆网络模型中；
基于所述初始卷积神经网络-初始长短期记忆网络模型的输出结果对所述初始卷积神经网络-初始长短期记忆网络模型进行迭代，直至所述初始卷积神经网络-初始长短期记忆网络模型的输出值与所述目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型，所述目标气体强度值与所述目标气体对应。
在一种可能的实施例中，训练模块30，具体用于：
提取初始训练数据；
检验所述初始训练数据的均匀分布性；
若所述初始训练数据分布不均匀，在所述初始训练数据中确定训练缺失数据；
控制生成式对抗网络利用所述初始训练数据生成模拟数据，所述模拟数据用于对所述训练缺失数据进行补充；
结合所述初始训练数据和所述模拟数据，生成训练数据集。
在一种可能的实施例中，训练模块30，具体用于：
在所述初始卷积神经网络中提取所述目标降维气体的气体特征数据；
利用所述初始长短期记忆网络模型确定所述气体特征数据之间的连接关系，输出预测强度结果；
计算所述预测强度结果与所述目标气体强度值之间的强度差值；
基于所述强度差值，对所述初始卷积神经网络-初始长短期记忆网络模型的网络参数进行调节，直至所述初始卷积神经网络-初始长短期记忆网络模型的输出值与所述目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施场景的方法。
基于上述如图1所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种电子设备，可配置在车辆（如新能源汽车）端侧，该设备包括至少一个处理器，和与至少一个处理器通信连接的存储器；存储器，用于存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，处理器，用于执行计算机程序以实现上述如图1所示的方法。
可选的，上述实体设备还可以包括用户接口、网络接口、摄像头、射频（RadioFrequency，RF）电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏（Display）、输入单元比如键盘（Keyboard）等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口（如WI-FI接口）等。
本领域技术人员可以理解，本实施例提供的上述实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
基于上述如图1所示的方法，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一实施例对应的方法。存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
基于上述电子设备，本申请实施例还提供了一种车辆，具体可包括：如图3所示的装置或如上述电子设备。该车辆具体可以为新能源汽车或者传统汽车等。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本实施例的方案，与目前现有技术相比，本实施例通过首先在待测位置处采集待测气体，待测气体包括挥发性无色有机化合物；其次从待测气体中提取待测气体的初始特征值；然后将初始特征值输入至卷积神经网络-人工神经网络模型中，利用卷积神经网络生成描述初始特征值的第一特征值，利用人工神经网络生成记录第一特征值之间特征关联的第二特征值，卷积神经网络-人工神经网络模型包括卷积神经网络和人工神经网络；最后识别第二特征值表示的待测气体的气味强度值。本申请技术方案中在待测气体为挥发性无色有机化合物时，可以在待测气体中提取初始特征值，同时将初始特征值输入至训练生成的卷积神经网络-人工神经网络模型中，其中卷积神经网络能够生成用于描述初始特征值的第一特征值，以高效地描述多种待测气体的特征值，人工神经网络生成的第二特征值描述第一特征值之间的关联，以建立多种待测气体之间的气味阈值关系从快速识别出待测气体对应的气味强度值，以实现对待测气体的客观气味强度值的输出。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种气味强度检测方法，其特征在于，包括：
在待测位置处采集待测气体，所述待测气体包括挥发性无色有机化合物；
从所述待测气体中提取初始特征值；
将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，所述卷积神经网络-人工神经网络模型包括所述卷积神经网络和所述人工神经网络；
识别所述第二特征值表示的所述待测气体的气味强度值。
2.根据权利要求1所述的方法，其特征在于，在所述将所述初始特征值输入至卷积神经网络-人工神经网络模型中之前，所述方法还包括：
对所述初始特征值进行降维，生成目标特征值；
将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，包括：
将所述目标特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述目标特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始特征值进行降维，生成目标特征值，包括：
对所述初始特征值进行拆分，获取第一指标数据；
提取目标核函数，所述目标核函数与所述初始特征值存在对应关系；
利用所述目标核函数，对所述第一指标数据进行内积运算，生成第二指标数据，所述第二指标数据的数据维度高于所述第一指标数据；
组合所述第二指标数据，生成目标特征值。
4.根据权利要求3所述的方法，其特征在于，所述利用所述目标核函数，对所述第一指标数据进行内积运算，生成第二指标数据，包括：
计算所述第一指标系数的相关系数矩阵；
提取所述相关系数矩阵中的相关特征信息；
基于所述目标核函数建立投影空间；
投射所述相关特征信息至所述投影空间中，生成第二指标数据。
5.根据权利要求1所述的方法，其特征在于，卷积神经网络-人工神经网络模型的训练方法，包括：
获取训练数据集，所述训练数据集中包括气体类型和气体强度值，所述气体类型和气体强度值对应；
对目标气体的特征数据进行降维，生成目标降维气体，所述目标气体属于所述气体类型；
输入所述目标降维气体至初始卷积神经网络-初始长短期记忆网络模型中；
基于所述初始卷积神经网络-初始长短期记忆网络模型的输出结果对所述初始卷积神经网络-初始长短期记忆网络模型进行迭代，直至所述初始卷积神经网络-初始长短期记忆网络模型的输出值与所述目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型，所述目标气体强度值与所述目标气体对应。
6.根据权利要求5所述的方法，其特征在于，所述获取训练数据集，包括：
提取初始训练数据；
检验所述初始训练数据的均匀分布性；
若所述初始训练数据分布不均匀，在所述初始训练数据中确定训练缺失数据；
控制生成式对抗网络利用所述初始训练数据生成模拟数据，所述模拟数据用于对所述训练缺失数据进行补充；
结合所述初始训练数据和所述模拟数据，生成训练数据集。
7.根据权利要求5所述的方法，其特征在于，所述基于所述初始卷积神经网络-初始长短期记忆网络模型的输出结果对所述初始卷积神经网络-初始长短期记忆网络模型进行迭代，直至所述初始卷积神经网络-初始长短期记忆网络模型的输出值与所述目标气体强度值之间的差值小于阈值，包括：
在所述初始卷积神经网络中提取所述目标降维气体的气体特征数据；
利用所述初始长短期记忆网络模型确定所述气体特征数据之间的连接关系，输出预测强度结果；
计算所述预测强度结果与所述目标气体强度值之间的强度差值；
基于所述强度差值，对所述初始卷积神经网络-初始长短期记忆网络模型的网络参数进行调节，直至所述初始卷积神经网络-初始长短期记忆网络模型的输出值与所述目标气体强度值之间的差值小于阈值，生成卷积神经网络-人工神经网络模型。
8.一种气味强度检测装置，其特征在于，包括：
采集模块，用于在待测位置处采集待测气体，所述待测气体包括挥发性有机化合物；
提取模块，用于从所述待测气体中提取初始特征值；
生成模块，用于将所述初始特征值输入至卷积神经网络-人工神经网络模型中，利用所述卷积神经网络生成描述所述初始特征值的第一特征值，利用所述人工神经网络生成记录所述第一特征值之间特征关联的第二特征值，所述卷积神经网络-人工神经网络模型包括所述卷积神经网络和所述人工神经网络；
识别模块，用于识别所述第二特征值表示的所述待测气体的气味强度值。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
11.一种车辆，其特征在于，所述车辆中搭载如权利要求8所述的装置，或如权利要求9所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410340975.2A CN117929655B (zh) | 2024-03-25 | 2024-03-25 | 一种气味强度检测方法、装置、设备、存储介质及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410340975.2A CN117929655B (zh) | 2024-03-25 | 2024-03-25 | 一种气味强度检测方法、装置、设备、存储介质及车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117929655A true CN117929655A (zh) | 2024-04-26 |
| CN117929655B CN117929655B (zh) | 2024-06-21 |
Family
ID=90761404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410340975.2A Active CN117929655B (zh) | 2024-03-25 | 2024-03-25 | 一种气味强度检测方法、装置、设备、存储介质及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117929655B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409431A (zh) * | 2018-10-29 | 2019-03-01 | 吉林大学 | 基于神经网络的多传感器姿态数据融合方法及系统 |
| CN111599462A (zh) * | 2020-05-09 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 基于认知学习的身体异常气味智能筛查系统 |
| AU2021100368A4 (en) * | 2021-01-20 | 2021-04-15 | Shanghai University | Odour analysis method and device |
| WO2022144385A1 (en) * | 2020-12-29 | 2022-07-07 | Aryballe | Early odor detection |
| JP2023026785A (ja) * | 2021-08-16 | 2023-03-01 | 株式会社ユー・エス・イー | 匂い識別システム |
| JP2023033205A (ja) * | 2021-08-25 | 2023-03-09 | 国立大学法人 東京大学 | ガス分析装置、測定結果処理手段およびガスセンサー |
| CN115860056A (zh) * | 2023-02-17 | 2023-03-28 | 电子科技大学 | 一种用于混合气体浓度预测的传感器阵列神经网络方法 |
| CN116593540A (zh) * | 2023-05-18 | 2023-08-15 | 东北大学 | 一种基于分布特征优化的气体传感器检测系统及方法 |
| CN117198419A (zh) * | 2022-05-30 | 2023-12-08 | 北京车和家汽车科技有限公司 | 一种车内气味的检测方法、装置及电子设备 |
-
2024
- 2024-03-25 CN CN202410340975.2A patent/CN117929655B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409431A (zh) * | 2018-10-29 | 2019-03-01 | 吉林大学 | 基于神经网络的多传感器姿态数据融合方法及系统 |
| CN111599462A (zh) * | 2020-05-09 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 基于认知学习的身体异常气味智能筛查系统 |
| WO2022144385A1 (en) * | 2020-12-29 | 2022-07-07 | Aryballe | Early odor detection |
| AU2021100368A4 (en) * | 2021-01-20 | 2021-04-15 | Shanghai University | Odour analysis method and device |
| JP2023026785A (ja) * | 2021-08-16 | 2023-03-01 | 株式会社ユー・エス・イー | 匂い識別システム |
| JP2023033205A (ja) * | 2021-08-25 | 2023-03-09 | 国立大学法人 東京大学 | ガス分析装置、測定結果処理手段およびガスセンサー |
| CN117198419A (zh) * | 2022-05-30 | 2023-12-08 | 北京车和家汽车科技有限公司 | 一种车内气味的检测方法、装置及电子设备 |
| CN115860056A (zh) * | 2023-02-17 | 2023-03-28 | 电子科技大学 | 一种用于混合气体浓度预测的传感器阵列神经网络方法 |
| CN116593540A (zh) * | 2023-05-18 | 2023-08-15 | 东北大学 | 一种基于分布特征优化的气体传感器检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117929655B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570464B (zh) | 一种快速处理人脸遮挡的人脸识别方法及装置 | |
| García-Balboa et al. | Homogeneity test for confusion matrices: a method and an example | |
| CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
| CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
| CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
| CN112633178B (zh) | 一种图像识别方法、装置、存储介质及电子设备 | |
| CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 | |
| CN117407707A (zh) | 气味识别模型训练方法和装置 | |
| CN114581761A (zh) | 遥感图像识别方法、装置、设备和计算机可读存储介质 | |
| CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
| CN116930042A (zh) | 建筑防水材料性能检测设备及方法 | |
| CN104616022A (zh) | 一种近红外光谱的分类方法 | |
| CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及系统 | |
| CN115147353A (zh) | 缺陷检测模型的训练方法、装置、设备、介质及程序产品 | |
| CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
| CN113918471A (zh) | 测试用例的处理方法、装置及计算机可读存储介质 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117929655B (zh) | 一种气味强度检测方法、装置、设备、存储介质及车辆 | |
| CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
| CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
| CN116956171A (zh) | 基于ai模型的分类方法、装置、设备及存储介质 | |
| CN113656279A (zh) | 基于残差网络和度量注意机制的代码气味检测方法 | |
| CN116187299B (zh) | 一种科技项目文本数据检定评价方法、系统及介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 108 Fenglin South Road, Wujin National High tech Industrial Development Zone, Changzhou City, Jiangsu Province, China 213100 Patentee after: Jiangsu Ideal Automotive Intelligent Technology Co.,Ltd. Country or region after: China Address before: No. 308, Yancheng South Road, Wujin National High tech Industrial Development Zone, Changzhou City, Jiangsu Province, 213164 Patentee before: Ideal Innovation Laboratory Technology (Jiangsu) Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |