详情

原文传递一种汽油性质评价方法及装置

专利名称：	一种汽油性质评价方法及装置
摘要：	本发明涉及汽油性质预测技术领域，公开了一种汽油性质评价方法，包括以下步骤：收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。本发明具有汽油性质预测评价耗时短、操作简单、实时性高、精度高的技术效果。
专利类型：	发明专利
申请人：	汉谷云智(武汉)科技有限公司
发明人：	鄢烈祥;杨龙;周力
专利状态：	有效
申请日期：	1900-01-20T19:00:00+0805
发布日期：	1900-01-20T10:00:00+0805
申请号：	CN201911315598.2
公开号：	CN110987866A
代理机构：	武汉智嘉联合知识产权代理事务所(普通合伙)
代理人：	江慧
分类号：	G01N21/359;G06K9/62;G;G01;G06;G01N;G06K;G01N21;G06K9;G01N21/359;G06K9/62
申请人地址：	430070 湖北省武汉市洪山区书城路56号昊天大厦7楼
主权项：	1.一种汽油性质评价方法，其特征在于，包括以下步骤：收集不同类型、不同浓度的汽油样本组建训练集，获取所述训练集内所有汽油样本的光谱数据；对所述光谱数据进行分类,分别根据每一类所述光谱数据建立相应的性质预测模型；获取未知样本的光谱数据，判断所述未知样本的光谱数据所属的类别；采用与所述未知样本的光谱数据的类别对应的性质预测模型对所述未知样本进行性质预测，得到其性质预测值。 2.根据权利要求1所述的汽油性质评价方法，其特征在于，获取所述训练集内所有汽油样本的光谱数据，具体为：采用近红外光谱分析仪对所述训练集内所有汽油样本进行光谱分析，得到所述光谱数据，并采用小波去噪法对所述光谱数据进行光滑处理。 3.根据权利要求2所述的汽油性质评价方法，其特征在于，采用小波去噪法对所述光谱数据进行光滑处理，具体为：采用mallat算法对所述光谱数据进行小波分解，得到多层分解信号；设定每一层所述分解信号对应的高频系数；根据各层分解信号的高频系数对各层分解信号进行一维重构，得到光滑处理后的光谱数据。 4.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类，具体为：采用模糊聚类算法将所述光谱数据分成不同的类别；采用模糊聚类算法将所述光谱数据分成不同的类别，具体为：设定初始隶属度矩阵；根据隶属度矩阵计算聚类中心；根据所述聚类中心对所述隶属度矩阵进行更新计算；判断前后两次计算的隶属度矩阵的差值是否小于收敛门限，如果小于，则停止迭代更新并输出最后一次更新的隶属度矩阵，否则对所述隶属度矩阵进行下一次迭代更新；令所述隶属度矩阵的每列中最大的元素为1，其他元素为0,得到分类矩阵，根据所述分类矩阵对所述光谱数据进行分类。 5.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类还包括：判断各所述光谱数据是否为离群点，剔除光谱数据中的离群点；判断各所述光谱数据是否为离群点，具体为: 计算待判定光谱数据至其他光谱数据之间的距离： dpo＝\|\|p-o\|\| 其中，d为待判定光谱数据p到光谱数据o之间的距离；对所述距离进行排序，选择距离由小到大的第k个距离作为所述待判定光谱数据的K距离，记为disk(p)：计算所述待判定光谱数据的K距离领域，所述K距离领域包括到所述待判定光谱数据的距离小于等于所述K距离的所有光谱数据；分别计算所述待判定光谱数据相对于其他各光谱数据的可达距离： reachpo＝max(disk(o),dpo) 其中，reachpo为所述可达距离，disk(o)为光谱数据o的K距离；计算所述待判定光谱数据的局部可达密度：其中，lrdk(p)为所述局部可达密度，Nk(p)为待判定光谱数据p的K距离领域；计算所述待判定光谱数据的局部离群点因子：其中，LOFk(p)为所述局部离群点因子，lrdk(o)为光谱数据o的局部可达密度；判断所述局部离群点因子与1的差值是否小于设定阈值，如果小于，则所述待判定光谱数据不是离群点，否则所述待判定光谱数据是离群点。 6.根据权利要求1所述的汽油性质评价方法，其特征在于，对所述光谱数据进行分类还包括：对所述光谱数据进行标准化处理。 7.根据权利要求1所述的汽油性质评价方法，其特征在于，根据一类光谱数据建立相应的性质预测模型，具体为：将光谱区域划分为多个等宽的波段，在每一所述波段上对一类光谱数据进行偏最小二乘回归建模，得到各所述波段的局部回归模型，计算各所述波段的局部回归模型的RMSECV值，取RMSECV值最小的局部回归模型为第一个入选模型，取RMSECV值最小的局部回归模型对应的波段为第一个入选波段；将除已入选波段以外的其他波段分别与上一个入选波段进行联合，得到多个联合波段，在每一所述联合波段上对所述类的光谱数据进行偏最小二乘回归建模，得到各所述联合波段的局部回归模型，取RMSECV值最小的局部回归模型为下一个入选模型，取RMSECV值最小的局部回归模型对应的联合波段为下一个入选波段；判断是否所有波段均联合完成，如果是，则输出RMSECV值最小的入选模型对应的入选波段作为最佳区间，否则转上一步进行下一次的波段联合；在所述最佳区间上，采用遗传算法，以RMSECV值的倒数为适应度函数，再次进行筛选，得到筛选后的最佳区间；在筛选后的最佳区间上对所述类的光谱数据进行偏最小二乘回归建模，得到所述类的光谱数据相应的性质预测模型。 8.根据权利要求1所述的汽油性质评价方法，其特征在于，判断所述未知样本的光谱数据所属的类别，具体为：建立各类光谱数据的主成成分分析模型：式中：Xk为第k类光谱数据对应的汽油样本的光谱数据矩阵，其大小为(n×p)；n为第k类光谱数据对应的汽油样本数量；p为波长变量数；Tk为得分矩阵，其大小为(n×f)；f为最佳主成分数，f通过交互验证方法确定；Pk为载荷矩阵，其大小为(p×f)；Ek为光谱残差矩阵，其大小为(n×p)；计算各类光谱数据的光谱残差方差：其中，s2为第k类光谱数据的光谱残差方差，为为第k类光谱数据对应的汽油样本中第a个汽油样本在波长b处的光谱残差；计算所述未知样本的光谱数据的光谱残差：其中，为所述未知样本的得分向量，为所述未知样本的光谱残差，为所述未知样本的光谱数据；采用F显著检测方法，分别计算所述未知样本的光谱数据与每一类光谱数据的F统计量：其中，F为所述F统计量，为所述未知样本的光谱残差方差，s2为第k类光谱数据的光谱残差方差；将所述F统计量与单边临界值进行比较，如果所述F统计量小于所述单边临界值，则所述未知样本属于对应种类光谱数据的性质预测模型，否则所述未知样本不属于对应种类光谱数据的性质预测模型；如果所述未知样本不属于所述训练集中任何一类光谱数据，则将所述未知样本归于一个新类。 9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的汽油性质评价方法。 10.一种汽油性质评价装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的汽油性质评价方法。
所属类别：	发明专利