當(dāng)前位置：
發(fā)明名稱 |
申請(qǐng)?zhí)?/span> |
專利類型 |
摘要 |
專利權(quán)人 |
發(fā)明人 |
轉(zhuǎn)化方式 |
價(jià)格 |
領(lǐng)域 |
|
1 |
基于失效數(shù)據(jù)超小樣本的產(chǎn)品壽命分布評(píng)估方法 |
201810252986X |
授權(quán)發(fā)明 |
本發(fā)明涉及一種基于無(wú)失效數(shù)據(jù)超小樣本的產(chǎn)品壽命分布評(píng)估方法，步驟為：產(chǎn)品壽命服從Weibull分布的形狀參數(shù)估計(jì)從1.5～2.5中選取、位置參數(shù)估計(jì)，根據(jù)壽命樣本值得到參數(shù)估計(jì)成功概率的中位秩，再得到規(guī)定置信水平下樣本量與位置參數(shù)的關(guān)系、尺度參數(shù)估計(jì)，用二項(xiàng)分布表達(dá)可靠度、置信水平、樣本量與失效數(shù)之間的關(guān)系：式中，n為樣本量，r為失效樣本數(shù)，R為可靠度，C為置信水平，j為失效樣本序號(hào)，存在這樣的等式可以得到給定置信水平下尺度參數(shù)估計(jì)式本發(fā)明根據(jù)產(chǎn)品壽命Weibull分布形狀參數(shù)的經(jīng)驗(yàn)值以及估計(jì)出位置參數(shù)，應(yīng)用單側(cè)區(qū)間估計(jì)方法估計(jì)置信度為95％的壽命分布，驗(yàn)證了本發(fā)明方法的有效性。 |
東北大學(xué) |
謝里陽(yáng)、樊富友、吳寧祥、李海洋 |
轉(zhuǎn)讓 |
面議 |
管理 |
2 |
基于增量主成份分析的牛奶凝結(jié)過(guò)程實(shí)時(shí)監(jiān)測(cè)方法 |
201510497332X |
授權(quán)發(fā)明 |
本發(fā)明公開了一種基于增量主成份分析的牛奶凝結(jié)過(guò)程實(shí)時(shí)監(jiān)測(cè)方法，它是在牛奶凝結(jié)過(guò)程中的近紅外光譜數(shù)據(jù)基礎(chǔ)上，利用聚類方法將數(shù)據(jù)聚類到多個(gè)窗口中，然后使用增量主成份分析方法對(duì)窗口內(nèi)數(shù)據(jù)進(jìn)行降維，而且當(dāng)后續(xù)的批次數(shù)據(jù)加入窗口內(nèi)時(shí)，可以通過(guò)新增加的樣本數(shù)據(jù)來(lái)修正原來(lái)的數(shù)據(jù)，從而可以對(duì)窗口內(nèi)的特征值和特征向量進(jìn)行持續(xù)的更新，最終動(dòng)態(tài)窗口中的特征數(shù)據(jù)將精確反映出牛奶凝結(jié)過(guò)程。本發(fā)明的方法可以對(duì)近紅外光譜數(shù)據(jù)進(jìn)行更為可靠的數(shù)據(jù)分析，最終實(shí)現(xiàn)了對(duì)牛奶凝結(jié)過(guò)程的精準(zhǔn)監(jiān)測(cè)。通過(guò)反復(fù)試驗(yàn)驗(yàn)證，本發(fā)明的方法在對(duì)牛奶凝結(jié)過(guò)程進(jìn)行檢測(cè)時(shí)，準(zhǔn)確率高達(dá)90％以上，從而可以用于更高質(zhì)量奶酪產(chǎn)品的生產(chǎn)。 |
東北大學(xué) |
趙煜輝、焦昀濤、周琳、單鵬、馬海濤、劉福來(lái) |
轉(zhuǎn)讓 |
面議 |
管理 |
3 |
基于優(yōu)化偏最小二乘回歸模型的樣品成份測(cè)定方法 |
2015104057501 |
授權(quán)發(fā)明 |
本發(fā)明公開了一種基于優(yōu)化偏最小二乘回歸模型的樣品成份測(cè)定方法，它是以樣品對(duì)近紅外光譜數(shù)據(jù)和樣品成份濃度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，在已有PLS的基礎(chǔ)上對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，利用訓(xùn)練過(guò)程中的預(yù)測(cè)誤差的變化情況來(lái)確定相應(yīng)的潛變量，若新增潛變量降低預(yù)測(cè)精度，則把該潛變量對(duì)應(yīng)的權(quán)值置為0，否則保持不變，繼續(xù)測(cè)試后續(xù)潛變量以剔除使預(yù)測(cè)結(jié)果變差的潛變量所對(duì)應(yīng)的相關(guān)項(xiàng)，從而實(shí)現(xiàn)了潛變量的優(yōu)化選擇，再結(jié)合待測(cè)樣品的近紅外光譜數(shù)據(jù)可生成與原有PLS不同的樣品的得分向量和載荷，進(jìn)而得到待測(cè)樣品的成份濃度預(yù)測(cè)值。通過(guò)對(duì)多種不同樣品的測(cè)試，本發(fā)明的方法與已有PLS算法相比，所得結(jié)果的預(yù)測(cè)根均方誤差普遍更小，預(yù)測(cè)精度均有較大提高。 |
東北大學(xué) |
趙煜輝、劉殿娟、單鵬、彭思龍 |
轉(zhuǎn)讓 |
面議 |
管理 |
4 |
基于堆疊極限學(xué)習(xí)機(jī)的樣品成份測(cè)定方法 |
2015104048822 |
授權(quán)發(fā)明 |
本發(fā)明公開了一種基于堆疊極限學(xué)習(xí)機(jī)的樣品成份測(cè)定方法，包括以下步驟：S1，采集待測(cè)樣品的近紅外光譜數(shù)據(jù)、S2，通過(guò)堆疊極限學(xué)習(xí)機(jī)模型，獲得該近紅外光譜數(shù)據(jù)所對(duì)應(yīng)的樣品中各成分的含量。本發(fā)明通過(guò)利用堆疊極限學(xué)習(xí)機(jī)模型對(duì)待測(cè)樣品的近紅外光譜數(shù)據(jù)進(jìn)行處理，從而即可獲得該近紅外光譜數(shù)據(jù)所對(duì)應(yīng)的樣品中各成分的含量，與采用傳統(tǒng)模型進(jìn)行數(shù)據(jù)處理相比，可以提高對(duì)樣本量少、維度高的光譜數(shù)據(jù)的擬合精度，解決了扁平矩陣?yán)?span lang="EN-US">ELM求解時(shí)精度低且預(yù)測(cè)結(jié)果不穩(wěn)定的問(wèn)題、此外，本發(fā)明利用對(duì)數(shù)據(jù)列屬性分塊的思想，使得ELM能夠滿足近紅外光譜等高維度小樣本數(shù)據(jù)建模應(yīng)用場(chǎng)景，提高了其預(yù)測(cè)精度，改進(jìn)方法使ELM具有更好的魯棒性。 |
東北大學(xué) |
趙煜輝、崔金鐸、單鵬 |
轉(zhuǎn)讓 |
面議 |
管理 |
5 |
基于增量偏最小二乘法的樣品成份測(cè)定方法 |
2015104044588 |
授權(quán)發(fā)明 |
本發(fā)明公開了一種基于增量偏最小二乘法的樣品成份測(cè)定方法，包括以下步驟：S1，采集待測(cè)樣品的近紅外光譜數(shù)據(jù)、S2，通過(guò)增量偏最小二乘模型，獲得該近紅外光譜數(shù)據(jù)所對(duì)應(yīng)的樣品中各成分的含量。本發(fā)明通過(guò)利用增量偏最小二乘模型對(duì)待測(cè)樣品的近紅外光譜數(shù)據(jù)進(jìn)行處理，從而即可獲得該近紅外光譜數(shù)據(jù)所對(duì)應(yīng)的樣品中各成分的含量，與采用傳統(tǒng)的偏最小二乘模型進(jìn)行數(shù)據(jù)處理相比，節(jié)約了時(shí)間和空間，所得回歸系數(shù)基本相同，預(yù)測(cè)均方根誤差卻更小，可見，本發(fā)明中的增量偏最小二乘模型具有更高的預(yù)測(cè)精度和建模效率。此外，本發(fā)明采用梯度學(xué)習(xí)的方法尋找優(yōu)化的回歸系數(shù)，從而可以更快速的更新模型，提高模型適應(yīng)新數(shù)據(jù)的能力。 |
東北大學(xué) |
趙煜輝、王巖、單鵬、于長(zhǎng)永、馬海濤 |
轉(zhuǎn)讓 |
面議 |
管理 |
APP下載
