油品质量的测定方法以及测定系统

阅读：评论：0

1.本发明涉及油品质量测定的技术领域，尤其涉及一种油品质量的测定方法、一种油品质量的测定系统以及一种计算机可读存储介质。

背景技术：

2.随着工业4.0的提出与发展，各大工厂开始利用信息化进行产业变革，生产过程的智能化水平不断提高。在炼油行业，种类繁多的传感器可以比较精确地测量油品的各种属性，但是传感器并不能直接获取油品的深层次信息，如该油品能否可以用作沥青料、催化料、渣加料、焦化料。因此，需要对传感器获取的属性进行一系列的处理方可得到对应的油品质量信息，并由此指导炼油过程，使炼制的油品更加满足生产要求。
3.当前，主流方法常采用支持向量机、神经网络对油品进行质量预测，此类方法的局限性非常明显，支持向量机解决多分类问题困难，且对参数以及核函数选择较为敏感，在实际使用场合往往准确率较低，而单独使用神经网络则可解释性较差，难以指导炼油过程。决策树因其良好的解释性在各种方法中脱颖而出，可以根据任务设定选取不同的方法。然而单一的决策树往往泛化性能较差，难以应用在实际场景中。原因如下：首先，单一决策树只考虑油品已有的属性，无法使用对分类有帮助的隐藏特征；其次，单个决策树学习能力较弱，受特殊数据影响较大，处理能力较弱；最后，传统的决策树无法处理缺失值数据，因此在工业实际场景下无法实施。
4.为了克服现有技术存在的上述缺陷，本领域亟需一种油品质量的测定方法，用于使得预测油品质量的模型的学习能力更强，从而能够更加准确地对于油品质量进行预测。

技术实现要素：

5.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
6.具体来说，根据本发明的第一方面提供的上述油品质量的测定方法包括以下步骤：获取油品质量样本数据；提取上述油品质量样本的数据特征；根据上述油品质量样本的数据特征，建立至少两个弱分类器；根据上述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将上述油品质量的待预测样本输入到上述总分类器，对上述预测数据进行分类分析，以确定上述待预测样本的油品质量分类。
7.进一步地，在本发明的一些实施例中，上述提取上述油品质量样本的数据特征，包括以下步骤：对上述样本数据进行数据预处理；根据上述预处理后的上述样本数据，建立全连接神经网络；以及将上述全连接神经网络的隐藏层的结果作为上述数据特征。
8.进一步地，在本发明的一些实施例中，上述建立全连接神经网络，包括以下步骤：根据上述油品质量样本数据，将无缺失值的属性值作为输入，并将分类结果作为监督，训练
神经网络以构建初始的全连接神经网络；根据二分类交叉熵损失函数，确定反向传播梯度以及损失值；以及响应于上述损失值收敛，确定上述全连接神经网络的参数。
9.进一步地，在本发明的一些实施例中，在确定上述全连接神经网络的参数之后，上述测定方法还包括以下步骤：选取多个上述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型；以及通过后续模块，确定所述模型对应的所述隐藏层的最佳维度。
10.进一步地，在本发明的一些实施例中，上述根据上述油品质量样本的数据特征，建立至少两个弱分类器，包括以下步骤：将上述数据特征与上述样本数据中包含缺失值的第一样本数据进行拼接，以得到第二样本数据；以及根据上述第二样本数据，构建至少两个分类树作为上述弱分类器。
11.进一步地，在本发明的一些实施例中，上述构建至少两个分类回归树作为上述弱分类器，包括以下步骤：将平方误差作为上述分类回归树的损失函数；根据上述损失函数，确定上述分类回归树的正则化项；根据上述正则化项，确定上述分类回归树分裂的增益；以及根据上述分类回归树分裂的增益以及贪心算法确定上述分类回归树的切分点以及上述分类回归树的特征以构建上述分类回归树作为上述弱分类器。
12.进一步地，在本发明的一些实施例中，上述根据上述弱分类器的集成，确定总分类器，包括以下步骤：根据上述油品质量样本数据，对于上述弱分类器的结果进行权重叠加，以作为上述总分类器的结果；以及根据上述总分类器的结果，对上述总分类器进行超参数优化，以确定优化的总分类器。
13.进一步地，在本发明的一些实施例中，上述超参数选自树的最大深度、正则化项的权重、学习率以及所述隐藏层的维度(看作是一种超参数)中的一者或多者。
14.进一步地，在本发明的一些实施例中，上述待预测样本的油品质量分类结果选自以下的一者或多者：能否用作沥青料、能否用作沥青料催化料、能否用作沥青料渣加料、能否用作沥青料焦化料。
15.此外，根据本发明的第二方面提供的油品质量的测定系统包括：存储器；以及处理器，上述处理器连接上述存储器，并被配置上述油品质量的测定方法。
16.此外，根据本发明的第三方面提供的计算机可读存储介质，其上存储有计算机指令，其特征在于，上述计算机指令被处理器执行时，实施上述的油品质量的测定方法。
附图说明
17.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
18.图1示出了根据本发明的一些实施例提供的油品质量的测定系统的架构图；
19.图2示出了根据本发明的一些实施例提供的油品质量的测定方法的流程图；
20.图3示出了根据本发明的额一些实施例提供的油品质量的测定方法的流程示意图；
21.图4示出了根据本发明的一些实施例提供的回归树可视化的示意图。
具体实施方式
22.以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
23.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
24.另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
25.能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
26.如上所述，当前，主流方法常采用支持向量机、神经网络对油品进行质量预测，此类方法的局限性非常明显，支持向量机解决多分类问题困难，且对参数以及核函数选择较为敏感，在实际使用场合往往准确率较低，而单独使用神经网络则可解释性较差，难以指导炼油过程。决策树因其良好的解释性在各种方法中脱颖而出，可以根据任务设定选取不同的方法。然而单一的决策树往往泛化性能较差，难以应用在实际场景中。原因如下：首先，单一决策树只考虑油品已有的属性，无法使用对分类有帮助的隐藏特征；其次，单个决策树学习能力较弱，受特殊数据影响较大，处理能力较弱；最后，传统的决策树无法处理缺失值数据，因此在工业实际场景下无法实施。
27.为了克服现有技术存在的上述缺陷，本发明提供了一种油品质量的测定方法、一种油品质量的测定系统以及对应的计算机可读存储介质，能够使得预测油品质量的模型的学习能力更强，从而能够更加准确地对于油品质量进行预测。
28.在一些非限制性的实施例中，本发明的第一方面提供的上述油品质量的测定方法可以经由本发明的第二方面提供的上述油品质量的测定系统来实施。具体来说，该油品质量的测定系统中配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供的油品质量的测定方法。
29.首先请参考图1，图1示出了根据本发明的一些实施例提供的油品质量的测定系统的架构图。
30.图1示出了根据本发明的一些实施例提供的油品质量的测定系统。油品质量的测
定系统包括内部通信总线101、处理器(processor)102、只读存储器(rom)103、随机存取存储器(ram)104、通信端口105、以及硬盘107。内部通信总线101可以实现油品质量的测定系统组件间的数据通信。处理器102可以进行判断和发出提示。在一些实施例中，处理器102可以由一个或多个处理器组成。通信端口105可以实现油品质量的测定系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，油品质量的测定系统可以通过通信端口105从网络发送和接收信息及数据。在一些实施例中，油品质量的测定系统可以通过输入/输出端106以有线的形式与外部的输入/输出设备之间进行数据传输与通信。油品质量的测定系统还包括不同形式的程序储存单元以及数据储存单元，例如硬盘107，只读存储(rom)103和随机存取存储器(ram)104，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器102所执行的可能的程序指令。处理器102执行这些指令以实现方法的主要部分。处理器102处理的结果通过通信端口105传给外部的输出设备，在输出设备的用户界面上显示。
31.以下将结合一些油品质量的测定方法的实施例来描述上述油品质量的测定系统的工作原理。本领域的技术人员可以理解，这些交流方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该油品质量的测定系统的全部功能或全部工作方式。同样地，该油品质量的测定系统也只是本发明提供的一种非限制性的实施方式，不对这些油品质量的测定方法中各步骤的执行主体构成限制。
32.请结合参考图2以及图3，图2示出了根据本发明的一些实施例提供的油品质量的测定方法的流程图，图3示出了根据本发明的额一些实施例提供的油品质量的测定方法的流程示意图。
33.如图2的步骤s1所示，在油品质量的测定过程中，油品质量的测定方法可以首先获取油品质量样本数据。之后，如图2的步骤s2所示，上述方法可以提取上述油品质量样本的数据特征。再之后，如图2的步骤s3所示，上述方法可以根据上述油品质量样本的数据特征，建立至少两个弱分类器。在建立上述弱分类器之后，该测定方法可以根据上述弱分类器的集成，确定总分类器。在确定总分类器之后，上述方法可以获取油品质量的待预测样本。如图3所示，在获取油品质量的待预测样本之后，该油品质量的测定方法可以将上述油品质量的待预测样本输入到上述总分类器，对上述预测数据进行分类分析，以确定上述待预测样本的油品质量分类。
34.可选地，在本发明的一些实施例中，本领域的技术人员可以通过安装用于测定上述油品质量样本的传感器以获取上述油品质量的样本数据以及上述待预测样本。
35.进一步地，上述测定方法可以对上述样本数据进行数据预处理。预处理数据之后，上述测定方法可以根据上述预处理后的上述样本数据，建立全连接神经网络。之后，上述测定方法可以将上述全连接神经网络的隐藏层的结果作为上述数据特征。
36.进一步地，上述测定方法中的建立全连接神经网络，可以包括以下步骤：根据上述油品质量样本数据，将无缺失值的属性值作为输入，并将分类结果作为监督，训练神经网络以构建初始的全连接神经网络。之后，上述测定方法可以根据二分类交叉熵损失函数，确定反向传播梯度以及损失值。在确定反向传播梯度以及损失值之后，当上述损失值收敛时，上述测定方法可以确定上述全连接神经网络的参数。
37.具体来说，上述测定方法可以对样本的每个特征分别进行最小最大值归一化处理，把属性值映射至(0，1)，方便后续分类以及特征提取，公式如下：
[0038][0039]
其中x
min
表示该属性中的最小值，x
max
表示该属性中的最大值。之后，上述测定方法可以选取原油数据集中70％的样本作为训练集，以无缺失值属性值作为输入，分类结果作为监督训练神经网络。在此，对于上述缺失值，上述测定方法可以将缺失值数据全部划分至树的一侧计算增益来决定最优划分策略。上述测定方法还可以将二分类交叉熵函数作为损失函数。为了防止分类信息泄露，上述测定方法可以在训练提取特征模型时不设置测试集。该测定方法可以在训练过程中观察到损失收敛且在训练集分类准确率达到较高时即可保存模型。
[0040]
进一步地，在确定上述全连接神经网络的参数之后，上述测定方法还可以包括以下步骤：上述测定方法可以选取多个上述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型。在确定上述模型之后，该测定方法可以根据各上述模型的分类结果的准确率，确定优化的全连接神经网络。
[0041]
具体来说，上述测定方法可以对于隐藏层的维度进行随机采样，并对上述采样过后的隐藏层的维度进行多次训练。上述测定方法还可以选取多个上述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型。后续可以将上述不同的隐藏层的维度作为超参数进行训练，确定其最佳维度。
[0042]
进一步地，上述根据油品质量样本的数据特征，建立至少两个弱分类器，可以包括以下步骤：上述测定方法可以将上述数据特征与上述样本数据中包含缺失值的第一样本数据进行拼接，以得到第二样本数据。在得到第二样本数据之后，上述测定方法可以根据上述第二样本数据，构建至少两个分类树作为上述弱分类器。
[0043]
具体来说，上述测定方法可以将其中隐藏层的结果作为提取的特征x
feature
，将特征与原始的带缺失值的属性进行拼接即得到油品的新属性，公式如下：
[0044]
x＝concatenate(x
normalization
,x
feature
)
[0045]
进一步地，上述构建至少两个分类树作为上述弱分类器，可以包括以下步骤：上述测定方法可以将平方误差作为上述分类树的损失函数。在确定上述损失函数后，该测定方法可以根据上述损失函数，确定上述分类树的正则化项。在确定上述分类树的正则化项之后，上述测定方法可根据上述正则化项，确定上述分类树分裂的增益。之后，上述测定方法可以根据上述分类树分裂的增益以及贪心算法确定上述分类树的切分点以及上述分类树的特征以构建上述分类树作为上述弱分类器。
[0046]
具体来说，上述测定方法可以将输入的原始属性以及辅助特征进行离散化处理：将某个特征从大到小进行排序，其中相邻的两值的均值作为切分点，即当有n个不同的特征值时，存在n-1个切分点，并根据增益选取最优的切分点。切分点将样本分为两组r1、r2,每组数据对应着一个回归值c1、c2，回归值与监督值之间的平方误差即为损失函数，公式如下：
[0047]
[0048]
对于正样本而言，监督值为1，对于负样本而言，监督值为0。对于k分类问题，上述测定方法可以构建k个树，分别以每个类别作为正样本构建回归树，最终得到k个回归值wk。之后，上述测定方法可以求取softmax函数后得到每个类别对应的概率，并将概率最大的类别作为预测分类结果。
[0049]
本领域的技术人员可以理解，上述softmax函数只是本发明提供的一种非限制性的实施方式，旨在将对应的输出值归一化，以获得每个类别所对应的概率，而非用于限制本发明的保护范围。
[0050]
进一步地，上述总分类器可以选用xgboost(extreme gradient boosting梯度提升集成决策树)，最终的总分类器的预测结果为每个弱学习器f
t
结果之和，即：
[0051][0052]
本领域的技术人员可以理解，上述xgboost分类器只是本发明提供的一种非限制性的实施方式，旨在集成上述多个弱分类器，而非用于限制本发明的保护范围。
[0053]
进一步地，在确定总分类器之后，为了让模型趋于简单，防止过拟合，上述测定方法可以在损失函数中加入描述决策树复杂度的正则项σ(f
t
)，即：
[0054][0055]
假设之前的决策树已经固定，则其复杂度以及预测值都已经确定，将预测值看作是当前决策树的预测值与之前总决策树预测值之和，通过二阶泰勒展开损失函数并化简可以得到
[0056][0057][0058][0059]
其中constant表示常数项，gi表示损失函数对的一阶导，hi表示损失函数对的二阶导，最终的优化目标省去了常数项和已确定的项。展开正则化项并合并可以得到：
[0060]
[0061][0062][0063]
其中t表示生成树的叶子(leaf)节点数量，wj表示叶子节点对应的值，上式的化简将之前所有样本的集合求和改写成叶子节点的集合求和，因此可以和复杂度中的一部分进行合并。其中由于每个叶子节点有哪些样本是确定的，因此gj和hj代替原先的求和项，优化目标的自变量是wj，令目标函数一阶导为0，得到叶子节点j对应的值为
[0064][0065]
将目标函数的值化简为
[0066][0067]
根据上述公式，在构建树结构时，上述测定方法可以根据增益来判断有无分裂节点的必要，其中分裂节点的增益可以表示为分裂左右子树的新增得分减去不分裂时候节点的得分再减去因为新增一个节点而增加的复杂度，用公式可以表示如下：
[0068][0069]
进一步地，在确定构建上述总分类器之后，上述测定方法可以根据所述总分类器的结果，对所述总分类器进行超参数优化，以确定优化的总分类器。
[0070]
在本发明的一些实施例中，上述超参数优化，可以选择超参数优化框架optuna对于上述总分类器的超参数进行优化，以到准确率最高的超参数，从而确定总分类器。如此，上述油品质量的测定方法便可以使得预测油品质量的模型的学习能力更强，从而能够更加准确地对于油品质量进行预测分类。
[0071]
优选地，上述测定方法中的超参数可以选自上述分类树的最大深度、正则化项的权重、学习率以及所述隐藏层的维度(看作是一种超参数)中的一者或多者。
[0072]
本领域的技术人员可以理解，上述超参数优化框架optuna只是本发明提供的一种非限制性的实施方式，旨在便捷的高效的对于上述总分类器的超参数进行优化，而非用于限制本发明的保护范围。
[0073]
在本发明的一些实施例中，上述待预测样本的油品质量分类结果选自以下的一者或多者：能否用作沥青料、能否用作沥青料催化料、能否用作沥青料渣加料、能否用作沥青料焦化料。
[0074]
请参考图4，图4示出了根据本发明的一些实施例提供的回归树可视化的示意图
[0075]
如图4所示，当上述模型训练完成后，本领域的技术人员可以根据可视化的回归树，直观地得到上述各油品质量的特征对于上述油品质量最终分类结果的影响。
[0076]
请参考下表，下表示出了在不同算法模型下，上述测定方法的模型具有最高的准确率。
[0077][0078]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0079]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0080]
尽管上述的实施例所述的油品质量的测定系统是可以通过软件与硬件的组合来实现的。但是可以理解，油品质量的测定系统也可在软件、硬件中加以实施。对于硬件实施而言，油品质量的测定系统可在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，油品质量的测定系统可通过在通用芯片上运行的诸如程序模块(procedures)和函数模块
(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。
[0081]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0082]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0083]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

技术特征：

1.一种油品质量的测定方法，其特征在于，包括以下步骤：获取油品质量样本数据；提取所述油品质量样本的数据特征；根据所述油品质量样本的数据特征，建立至少两个弱分类器；根据所述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将所述油品质量的待预测样本输入到所述总分类器，对所述预测数据进行分类分析，以确定所述待预测样本的油品质量分类。2.根据权利要求1所述的测定方法，其特征在于，所述提取所述油品质量样本的数据特征，包括以下步骤：对所述样本数据进行数据预处理；根据所述预处理后的所述样本数据，建立全连接神经网络；以及将所述全连接神经网络的隐藏层的结果作为所述数据特征。3.根据权利要求2所述的测定方法，其特征在于，所述建立全连接神经网络，包括以下步骤：根据所述油品质量样本数据，将无缺失值的属性值作为输入，并将分类结果作为监督，训练神经网络以构建初始的全连接神经网络；根据二分类交叉熵损失函数，确定反向传播梯度以及损失值；以及响应于所述损失值收敛，确定所述全连接神经网络的参数。4.根据权利要求3所述的测定方法，其特征在于，在确定所述全连接神经网络的参数之后，所述测定方法还包括以下步骤：选取多个所述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型；以及通过后续模块，确定所述模型对应的所述隐藏层的最佳维度。5.根据权利要求1所述的测定方法，其特征在于，所述根据所述油品质量样本的数据特征，建立至少两个弱分类器，包括以下步骤：将所述数据特征与所述样本数据中包含缺失值的第一样本数据进行拼接，以得到第二样本数据；以及根据所述第二样本数据，构建至少两个分类树作为所述弱分类器。6.根据权利要求5所述的测定方法，其特征在于，所述构建至少两个分类树作为所述弱分类器，包括以下步骤：将平方误差作为所述分类树的损失函数；根据所述损失函数，确定所述分类树的正则化项；根据所述正则化项，确定所述分类树分裂的增益；以及根据所述分类树分裂的增益以及贪心算法确定所述分类树的切分点以及所述分类树的特征以构建所述分类树作为所述弱分类器。7.根据权利要求6所述的测定方法，其特征在于，所述根据所述弱分类器的集成，确定总分类器，包括以下步骤：根据所述油品质量样本数据，对于所述弱分类器的结果进行权重叠加，以作为所述总
分类器的结果；以及根据所述总分类器的结果，对所述总分类器进行超参数优化，以确定优化的总分类器。8.根据权利要求7所述的测定方法，其特征在于，所述超参数选自树的最大深度、正则化项的权重、学习率以及所述隐藏层的维度中的一者或多者。9.根据权利要求1所述的测定方法，其特征在于，所述待预测样本的油品质量分类结果选自以下的一者或多者：能否用作沥青料、能否用作沥青料催化料、能否用作沥青料渣加料、能否用作沥青料焦化料。10.一种油品质量的测定系统，其特征在于，包括：存储器；以及处理器，所述处理器连接所述存储器，并被配置用于实施如权利要求1～9中任一项所述的油品质量的测定方法。11.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～9中任一项所述的油品质量的测定方法。

技术总结

本发明提供了一种油品质量的测定方法，包括以下步骤：获取油品质量样本数据；提取所述油品质量样本的数据特征；根据所述油品质量样本的数据特征，建立至少两个弱分类器；根据所述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将所述油品质量的待预测样本输入到所述总分类器，对所述预测数据进行分类分析，以确定所述待预测样本的油品质量分类。类。类。