一种用于智能制造的多源信息融合方法技术

本发明专利技术公开一种用于智能制造的多源信息融合方法，属于智能制造技术领域。本发明专利技术提出基于组间差异与组内差异的权重分配方法，建立适用于智能制造的多源信息融合方法。所述方法步骤包括：采用多传感器技术获取样品的多维信息；计算样品不同传感器信息的组间差异和组内差异；根据样品组间差异和组内差异比值，确定各传感器权重；采用信息融合策略，结合各传感器权重的分配策略，实现多源信息融合。本发明专利技术创造性提出基于马氏距离、欧氏距离和方差分析的权重分配方法，此外，首次引入组间差异与组内差异的权重分配方法，实现智能制造生产过程的多源信息融合。

【技术实现步骤摘要】
一种用于智能制造的多源信息融合方法
本专利技术属于智能制造
，具体涉及一种智能制造生产过程基于组间差于与组内差异的权重分配策略的多源信息融合方法。
技术介绍
智能制造是人工智能并综合应用自动化技术和制造技术的制造过程。中药、农产品、食品等均具有成分复杂、靶点多、作用途径多的特点，全面可靠的评价体系是智能制造应用的重要环节，多源信息融合协同并互补多传感器的信息，能够提高系统的可靠性。传感器权重的确定是多源信息融合算法的关键问题，传统的权重确定方法是加权平均法，即不同传感器均赋予相同的权重因子。然而，加权平均法并没有考虑各传感器自身的性质，实际上，即使是同一类传感器在测定过程中，也可能具有不同的权重，基于样品自身性质的权重分配策略亟待建立。本专利技术创造性提出基于马氏距离、欧氏距离和方差分析的权重分配方法，此外，首次引入基于组间差异与组内差异的权重分配策略，实现智能制造生产过程的多源信息融合。
技术实现思路
本专利技术的目的在于提供基于组间差异与组内差异的权重分配策略权重分配策略，建立适用于智能制造的多源信息融合方法。为达上述目的，其中，所述方法包括：步骤1：通过多传感器技术获取样品的信息，计算样品不同传感器信息的组间差异和组内差异；步骤2：根据样品组间差异和组内差异比值，确定各传感器权重；步骤3：采用多源信息融合策略，结合各传感器的分配权重，实现多源信息融合。本专利技术不同传感器信息组间差异和组内差异的评价包括如下方法：(1)样品原始数据多维空间欧氏/马氏距离评价法，包括如下步骤：步骤1：检测每个批次样品属性，每个样品重复测定至少三次，取平均值；步骤2：计算每个批次样品属性的最大欧氏/马氏距离，表征每个批次样品的组内差异；步骤3：计算每个批次中心的最大欧氏/马氏距离，表征不同批次样品的组间差异；步骤4：建立原始数据多维空间欧氏/马氏距离评价法，获得样品的组间和组内差异。(2)样品主成分空间的欧氏/马氏距离评价法，包括如下步骤：步骤1：检测每个批次样品属性，每个样品重复测定至少三次，取平均值；步骤2：采用主成分分析降维，获取每种传感器的特征变量；步骤3：计算每个批次样品特征变量的最大欧氏/马氏距离，表征每个批次样品的组内差异，步骤4：计算每个批次特征变量中心的最大欧氏/马氏距离，表征不同批次样品的组间差异；步骤5：建立主成分分析空间欧氏/马氏距离评价法，获得样品的组间和组内差异。(3)样品多元方差分析评价法，包括如下步骤：步骤1：检测每个批次样品属性，每个样品重复测定至少三次，取平均值；步骤2：采用主成分分析降维，获取每种传感器的特征变量；步骤3：计算每个批次样品的组内方差和组间方差；步骤4：建立多元方差分析评价法，获得样品的组间和组内差异。本专利技术组间差异和组内差异比值代表传感器区分组间样品和组内样品的能力，比值越大，说明传感器的区分能力越好，传感器的权重也越大，组间差异和组内差异比值与传感器的权重成正比关系。本专利技术多源信息融合包括：数据层融合、特征层融合和决策层融合。(1)数据层融合结合权重策略的方法包括如下步骤：步骤1：采用导数、平滑、标准正态变换SNV、多元散射校正MSC、标准化、归一化方法中的一种或几种对光谱预处理；步骤2：获得基于光谱预处理后k个不同传感器的不同维度的信息，原始数据作为数据层融合的输入变量/采用主成分分析PCA得到的特征数据作为特征层融合的输入变量；步骤3：标准化变换数据层/特征层融合的输入变量，获得不同传感器同一维度的数据；步骤4：依据传感器组间差异和组内差异的比值，获得k个传感器的权重；步骤5：建立基于权重的数据层融合输入变量的数学关系模型。(2)决策层融合结合权重策略的方法包括如下步骤：步骤1：采用导数、平滑、标准正态变换SNV、多元散射校正MSC、标准化、归一化方法对中的一种或几种光谱预处理；步骤2：采用预处理后的输入变量分别建立各传感器的数学关系模型；步骤3：依据传感器组间差异和组内差异的比值，获得k个传感器的权重；步骤4：各传感器的数学关系模型结合其权重，表征决策层融合的结果。本专利技术提供的多源信息融合的数学关系模型包括的数学关系模型适用于机器学习中所有方法。综上所述，本专利技术提供了一种基于组间和组内差异的权重分配策略的的智能制造多源信息融合方法。本专利技术的方法具有如下优点：本专利技术采用多传感器技术获取样品的多维信息，计算样品不同传感器信息的组间差异和组内差异，根据样品组间差异和组内差异比值，确定各传感器权重，采用信息融合策略，结合各传感器权重的分配策略，实现多源信息融合。所建检测方法专属性强，检测结果准确、稳定。本专利技术创造性提出基于马氏距离、欧氏距离和方差分析的权重分配方法，此外，首次引入特征空间组间差异与组内差异的权重分配方法，实现智能制造生产过程的多源信息融合。附图说明图1多源信息融合方法流程图；(a)数据层/特征层融合，(b)决策融合图2(a)牛黄粉末Vis光谱图，(b)SNV预处理Vis光谱，(c)牛黄粉末NIR光谱图，(d)SNV预处理NIR光谱，(e)牛黄粉末色度值图；图3基于Vis，NIR和色值方法的多元统计过程控制MSPC模型；(a)Vis方法HotellingT2统计量，(b)Vis方法预测误差平方和SPE统计量，(c)NIR方法HotellingT2统计量，(d)NIR方法SPE统计量，(e)色值方法HotellingT2统计量，(f)色值方法SPE统计量。图4基于NIR和MIR数据层融合的多元统计过程控制MSPC模型；(a)HotellingT2统计量，(b)SPE统计量。具体实施方式下面结合附图和实施实例做进一步说明，但本专利技术不限于此。实施例1：一种智能制造决策层融合方法在贵细药质量评价中的应用(1)牛黄粉末多源信息采集贵细药牛黄粉末决策层融合方法示意图如图1所示。采集30批次的牛黄粉末的可见光谱Vis，近红外光谱NIR和色度值三个维度的信息，具体如下：采用可见-近红外光谱仪采集90个样品的可见光谱，光谱范围为400～800nm，分辨率0.5nm，扫描32次，每个样品采集4个区域，求均值；采用近红外光谱仪采集90个样品的NIR光谱，光谱范围为1100～2400nm，分辨率0.5nm，扫描32次，每个样品采集4个区域，求均值；采用电子眼测定90个样品的色度值，光源为D65，视角为10°，每个样品采集3个区域，求均值。图2.a为牛黄粉末的Vis原始光谱图，图2.b为牛黄粉末经过SNV预处理后的光谱，SNV具有消除固体颗粒表面散射和光程变换的作用。图2.c为牛黄粉末的NIR原始光谱图，样品NIR光谱主要特征谱带的归属如下：2300nm，2100nm和1900nm附近的吸本文档来自技高网...

【技术保护点】
1.一种用于智能制造的多源信息融合方法，其特征在于，不同传感器信息通过组间差异和组内差异比值获得分配权重，实现多源信息融合，具体步骤如下：/n步骤1：通过多传感器技术获取样品的信息，计算样品不同传感器信息的组间差异和组内差异；/n步骤2：根据样品组间差异和组内差异比值，确定各传感器权重；/n步骤3：采用多源信息融合策略，结合各传感器的分配权重，实现多源信息融合。/n

【技术特征摘要】
1.一种用于智能制造的多源信息融合方法，其特征在于，不同传感器信息通过组间差异和组内差异比值获得分配权重，实现多源信息融合，具体步骤如下：
步骤1：通过多传感器技术获取样品的信息，计算样品不同传感器信息的组间差异和组内差异；
步骤2：根据样品组间差异和组内差异比值，确定各传感器权重；
步骤3：采用多源信息融合策略，结合各传感器的分配权重，实现多源信息融合。


2.根据权利要求1所述的方法，其特征在于，步骤1中的数据的来源可以为：核磁共振波谱、气相色谱、液相色谱、质谱、气质联用色谱、液质联用色谱、近红外光谱、中红外光谱、紫外可见光谱、拉曼光谱、原子吸收光谱、原子发射光谱、荧光光谱、质构仪、电子舌、电子鼻、电子眼、红外成像仪中的几种或多种。


3.根据权利要求1所述的方法，其特征在于，步骤1中的组间差异和组内差异的评价方法如下：
(1)样品原始数据多维空间欧氏距离评价法；
(2)样品原始数据多维空间马氏距离评价法；
(3)样品主成分空间的欧氏距离评价法；
(4)样品主成分空间的马氏距离评价法；
(5)样品多元方差分析评价法。


4.根据权利要求1-3之一所述的方法，其特征在于，步骤2中组间差异和组内差异比值，该比值代表传感器对应的方法区分组间样品和组内样品的能力，比值越大，说明传感器的区分能力越好，传感器的权重也越大，组间差异和组内差异比值与传感器的权重成正比关系。


5.根据权利要求1-4之一所述的方法，其特征在于，权利要求1中的步骤3所述多源信息融合包括：数据层融合、特征层融合和决策层融合。


6.根据权利要求5所述的方法，其特征在于，所述数据层/特征...

【专利技术属性】
技术研发人员：吴志生，李倩倩，
申请(专利权)人：北京中医药大学，
类型：发明
国别省市：北京;11