基于改进朴素贝叶斯方法的元器件分类技术

元器件清单数据处理分析是元器件选用管理与状态管控的主要内容。在元器件数据信息化管理的基础上,借助新一代信息技术手段对元器件清单进行处理,可以使得数据处理分析过程更加智能与高效。结合当前人工智能领域的计算机机器学习技术,提出了一种基于改进朴素贝叶斯算法的元器件分类方法,通过加入拉普拉斯平滑方法处理零概率问题、引入对数运算提高计算稳定性等手段,实现了对元器件产品和厂商的自动与智能分类,并对比分析了智能分类结果的准确度,发现运用改进后的算法可提高分类的准确度,对于提高元器件的分类效率,避免人工分类造成的误差具有重要的意义。

基于机器翻译的元器件产品型号规范技术研究

元器件清单规范化是元器件数据处理分析的重要内容,随着装备设计选用的元器件规模的日益增长,对元器件数据处理分析能力提出了更高的要求,可以借助大数据和人工智能技术来实现元器件清单规范化,使得元器件数据处理分析更加智能与高效。结合当前人工智能领域的自然语言处理技术,提出了一种基于机器翻译的元器件产品型号规范方法,借助计算机实现了对元器件产品型号的智能规范。

近红外光谱法快速测定山银花中四种有机酸

目的:建立近红外光谱(Near-Infrared Spectroscopy,NIR)快速检测山银花提取过程中四种有机酸含量的方法。方法:采集山银花NIR图谱,以高效液相色谱法为参考方法测定绿原酸、异绿原酸A、异绿原酸B和异绿原酸C的含量。采用偏最小二乘法(Partial Least square,PLS)建立定量校正模型。结果:校正模型中绿原酸、异绿原酸A、异绿原酸B和异绿原酸C的相关系数R分别为0.997 6、0.997 0、0.979 2、0.998 9,内部交叉验证均方根误差(RMSECV)分别为0.039 4、0.014 4、0.007 3、0.007 8;预测结果中上述成分对应的相关系数分别为0.892 0、0.827 9、0.878 4、0.995 1,预测均方根误差(RMSEP)分别为0.045 0、0.013 5、0.007 8、0.008 0,相对预测偏差(RSEP)分别为0.351 0%、0.018 0%、0.040 0%、0.005 7%。结论:所建近红外检测方法快速、准确,可用于山银花四种有机酸的快速检测。

数据处理在元器件清单审查中的应用

随着新一代信息技术的发展和成熟,大数据、人工智能技术在各行各业的应用越来越普遍。在元器件领域,元器件是装备的基本组成单元,而元器件清单是元器件产品的集合,是描述装备组成结构的文件。对元器件清单进行审查可以有效地分析元器件的选用情况,而开展元器件清单审查的基础和前提则是元器件数据的规范化、标准化和有效性。为了保证元器件清单审查工作的顺利开展,研究了大数据、人工智能技术在元器件数据处理中的应用,并简要地介绍了元器件清单审查的数据处理内容。