-
公开(公告)号：CN106596450A
公开(公告)日：2017-04-26
申请号：CN201710009517.0
申请日：2017-01-06
Applicant: 东北大学秦皇岛分校
IPC: G01N21/35
CPC classification number: G01N21/35
Abstract: 本发明涉及一种基于红外光谱分析物质成分含量的增量式方法，包括以下步骤：根据源域红外光谱数据和源域物质成分含量建立第一回归模型；获取目标域标准样本，建立目标域红外光谱标准数据与源域红外光谱数据之间的转移模型；根据所述第一回归模型和所述转移模型建立第二回归模型；获取目标域红外光谱增量数据和目标域物质成分含量增量数据，利用第二回归模型对所述目标域红外光谱增量数据进行筛选，如果满足要求则保留；直至被保留的数量达到阈值，利用所述新目标域标准样本，获取新转移模型和新第二回归模型；获取目标域红外光谱测试数据，根据所述目标域红外光谱测试数据和所述新第二回归模型获取目标域物质成分含量。效率高。
-
公开(公告)号：CN105823751A
公开(公告)日：2016-08-03
申请号：CN201610165166.8
申请日：2016-03-22
Applicant: 东北大学
IPC: G01N21/3577
CPC classification number: G01N21/3577
Abstract: 本发明公开了一种基于λ?SPXY算法的红外光谱多元校正回归建模方法，包括以下步骤：根据待测样品光谱的样本集特征，设定最优权重调整参数λ，给样本集仪器响应矢量空间X和因变量空间Y分配不同的权重；再利用λ?SPXY算法选定校正集并建立回归模型。本发明提供了一种可以充分考虑X和Y空间各自贡献的数据集划分方法，可以更有效的覆盖多维空间；在多元校正的数据集划分方面，此方法可以获得比传统的SPXY方法更合理的结果，并大幅度改善建立模型的预测性能。
-
公开(公告)号：CN105095652A
公开(公告)日：2015-11-25
申请号：CN201510404882.2
申请日：2015-07-10
Applicant: 东北大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于堆叠极限学习机的样品成份测定方法，包括以下步骤：S1，采集待测样品的近红外光谱数据；S2，通过堆叠极限学习机模型，获得该近红外光谱数据所对应的样品中各成分的含量。本发明通过利用堆叠极限学习机模型对待测样品的近红外光谱数据进行处理，从而即可获得该近红外光谱数据所对应的样品中各成分的含量，与采用传统模型进行数据处理相比，可以提高对样本量少、维度高的光谱数据的拟合精度，解决了扁平矩阵利用ELM求解时精度低且预测结果不稳定的问题；此外，本发明利用对数据列属性分块的思想，使得ELM能够满足近红外光谱等高维度小样本数据建模应用场景，提高了其预测精度，改进方法使ELM具有更好的鲁棒性。
-
公开(公告)号：CN105092521A
公开(公告)日：2015-11-25
申请号：CN201510497332.X
申请日：2015-08-13
Applicant: 东北大学
IPC: G01N21/359 , G01N21/3577 , G01N21/3563
Abstract: 本发明公开了一种基于增量主成份分析的牛奶凝结过程实时监测方法，它是在牛奶凝结过程中的近红外光谱数据基础上，利用聚类方法将数据聚类到多个窗口中，然后使用增量主成份分析方法对窗口内数据进行降维，而且当后续的批次数据加入窗口内时，可以通过新增加的样本数据来修正原来的数据，从而可以对窗口内的特征值和特征向量进行持续的更新，最终动态窗口中的特征数据将精确反映出牛奶凝结过程。本发明的方法可以对近红外光谱数据进行更为可靠的数据分析，最终实现了对牛奶凝结过程的精准监测。通过反复试验验证，本发明的方法在对牛奶凝结过程进行检测时，准确率高达90％以上，从而可以用于更高质量奶酪产品的生产。
-
公开(公告)号：CN105092519A
公开(公告)日：2015-11-25
申请号：CN201510404458.8
申请日：2015-07-10
Applicant: 东北大学
IPC: G01N21/359
Abstract: 本发明公开了一种基于增量偏最小二乘法的样品成份测定方法，包括以下步骤：S1，采集待测样品的近红外光谱数据；S2，通过增量偏最小二乘模型，获得该近红外光谱数据所对应的样品中各成分的含量。本发明通过利用增量偏最小二乘模型对待测样品的近红外光谱数据进行处理，从而即可获得该近红外光谱数据所对应的样品中各成分的含量，与采用传统的偏最小二乘模型进行数据处理相比，节约了时间和空间，所得回归系数基本相同，预测均方根误差却更小，可见，本发明中的增量偏最小二乘模型具有更高的预测精度和建模效率。此外，本发明采用梯度学习的方法寻找优化的回归系数，从而可以更快速的更新模型，提高模型适应新数据的能力。
-
Patent Agency Ranking
公开(公告)号：CN107918718B
公开(公告)日：2020-05-22
申请号：CN201711068234.X
申请日：2017-11-03
Applicant: 东北大学秦皇岛分校
IPC: G06F17/10
Abstract: 本发明公开了一种基于在线顺序极限学习机的样品成分含量测定方法，包括：采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。本发明通过利用在线顺序极限学习机算法进行建模，无需保留前面使用过的数据而只将前面学习到的知识保留下来以备后用；每次有新的光谱数据到来时，只需要计算新到数据的隐层输出，然后利用前面学习到的知识动态更新中间隐层到输出层之间的输出权重，即可进行快速建模。相较于传统的建模方法，提高了建模速度，减少了不必要的重复计算量以及对数据存储空间的消耗，提高了模型的精度和泛化性能，而且既可以处理每次一个一个到来的数据也可以处理一块一块到来的数据。
-
公开(公告)号：CN107918718A
公开(公告)日：2018-04-17
申请号：CN201711068234.X
申请日：2017-11-03
Applicant: 东北大学秦皇岛分校
IPC: G06F19/00
Abstract: 本发明公开了一种基于在线顺序极限学习机的样品成分含量测定方法，包括：采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。本发明通过利用在线顺序极限学习机算法进行建模，无需保留前面使用过的数据而只将前面学习到的知识保留下来以备后用；每次有新的光谱数据到来时，只需要计算新到数据的隐层输出，然后利用前面学习到的知识动态更新中间隐层到输出层之间的输出权重，即可进行快速建模。相较于传统的建模方法，提高了建模速度，减少了不必要的重复计算量以及对数据存储空间的消耗，提高了模型的精度和泛化性能，而且既可以处理每次一个一个到来的数据也可以处理一块一块到来的数据。
-
公开(公告)号：CN105092519B
公开(公告)日：2017-11-14
申请号：CN201510404458.8
申请日：2015-07-10
Applicant: 东北大学
IPC: G01N21/359
Abstract: 本发明公开了一种基于增量偏最小二乘法的样品成份测定方法，包括以下步骤：S1，采集待测样品的近红外光谱数据；S2，通过增量偏最小二乘模型，获得该近红外光谱数据所对应的样品中各成分的含量。本发明通过利用增量偏最小二乘模型对待测样品的近红外光谱数据进行处理，从而即可获得该近红外光谱数据所对应的样品中各成分的含量，与采用传统的偏最小二乘模型进行数据处理相比，节约了时间和空间，所得回归系数基本相同，预测均方根误差却更小，可见，本发明中的增量偏最小二乘模型具有更高的预测精度和建模效率。此外，本发明采用梯度学习的方法寻找优化的回归系数，从而可以更快速的更新模型，提高模型适应新数据的能力。
-
公开(公告)号：CN105092509B
公开(公告)日：2017-09-22
申请号：CN201510513849.3
申请日：2015-08-20
Applicant: 东北大学
IPC: G01N21/35
Abstract: 本发明公开了一种基于PCR‑ELM算法的样品成份测定方法，包括以下步骤：S1，采集待测样品的红外光谱数据；S2，通过PCR‑ELM模型获得该红外光谱数据所对应的样品中各成分的含量。本发明通过利用PCR‑ELM模型对待测样品的红外光谱数据进行处理，从而即可获得该红外光谱数据所对应的样品中各成分的含量，与采用传统模型进行数据处理相比，不仅避免了过拟合现象，减少了变量之间的多重共线性，而且也提高了拟合的精确度，提高了对样本量少、维度高的光谱数据的预测精度及预测精度的稳定性，扩大了ELM算法的应用范围。
-
公开(公告)号：CN105092509A
公开(公告)日：2015-11-25
申请号：CN201510513849.3
申请日：2015-08-20
Applicant: 东北大学
IPC: G01N21/35
Abstract: 本发明公开了一种基于PCR-ELM算法的样品成份测定方法，包括以下步骤：S1，采集待测样品的红外光谱数据；S2，通过PCR-ELM模型获得该红外光谱数据所对应的样品中各成分的含量。本发明通过利用PCR-ELM模型对待测样品的红外光谱数据进行处理，从而即可获得该红外光谱数据所对应的样品中各成分的含量，与采用传统模型进行数据处理相比，不仅避免了过拟合现象，减少了变量之间的多重共线性，而且也提高了拟合的精确度，提高了对样本量少、维度高的光谱数据的预测精度及预测精度的稳定性，扩大了ELM算法的应用范围。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.02 seconds)
