專利名稱:基于構(gòu)造-剪枝混合優(yōu)化rbf網(wǎng)絡(luò)的煤灰熔點預(yù)測方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種煤灰熔點的預(yù)測方法,尤其涉及一種融合了神經(jīng)網(wǎng)絡(luò)構(gòu)造算法與剪枝算法優(yōu)點的混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法。
背景技術(shù):
灰熔點對鍋爐結(jié)渣特性與熱效率都有很大影響,很多國家都制定了以灰熔點來評 判鍋爐結(jié)渣特性的指標(biāo),國內(nèi)有些電廠也把灰熔點作為衡量煤質(zhì)的重要指標(biāo)。對于固態(tài)排 渣鍋爐,通常需要燃用較高灰熔點的煤以防止?fàn)t內(nèi)結(jié)渣,當(dāng)煤灰變形溫度高于爐膛出口煙 溫50 100°C時就不會造成對流受熱面結(jié)渣;而對于液態(tài)排渣鍋爐則燃用灰熔點低的煤以 防止流渣不暢,減少爐膛結(jié)渣。因此,對煤灰熔點進(jìn)行準(zhǔn)確預(yù)測至關(guān)重要。煤灰中含有多種氧化物,包括5丨02,六1203斤6203^30,]\%0,1102,1(20及妝20。很 多學(xué)者研究表明,煤灰中各氧化物決定了煤灰熔點?;谠摻Y(jié)論,有一些傳統(tǒng)的計算煤灰熔 點的方法,如常見的經(jīng)驗回歸公式。然而使用這類靜態(tài)的方法進(jìn)行預(yù)測是一個極其復(fù)雜的 問題,其中摻雜著很多不確定的又相互作用的影響因素。此外,一些相關(guān)的參數(shù)有時還不準(zhǔn) 確。所以使用這類傳統(tǒng)的計算煤灰熔點的方法往往得不到理想的預(yù)測效果。鑒于神經(jīng)網(wǎng)絡(luò)技術(shù)有著強(qiáng)大的非線性映射的能力,一些學(xué)者采用了神經(jīng)網(wǎng)絡(luò)技術(shù) 對煤灰熔點進(jìn)行建模,以實現(xiàn)非線性映射。由于BP網(wǎng)絡(luò)比較簡單,目前使用的神經(jīng)網(wǎng)絡(luò)絕 大部分都是BP網(wǎng)絡(luò)。但是,BP網(wǎng)絡(luò)本身依然存在許多問題易陷入局部最小點,收斂速度 較慢,很難確定學(xué)習(xí)精度,結(jié)構(gòu)設(shè)計困難等。另外,如何選擇合理的拓?fù)浣Y(jié)構(gòu)也是一個很現(xiàn) 實的問題。這些問題給基于BP網(wǎng)絡(luò)的煤灰熔點預(yù)測建模帶來了難度。RBF網(wǎng)絡(luò)是非線性系統(tǒng)建模時另一種應(yīng)用十分廣泛的模型。相比BP網(wǎng)絡(luò),RBF網(wǎng) 絡(luò)在模型的建立、預(yù)測的精度以及模型的精簡度等方面都有明顯的優(yōu)勢。然而,RBF網(wǎng)絡(luò)在 實際應(yīng)用中的性能還與網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計密切相關(guān)。RBF網(wǎng)絡(luò)設(shè)計的核心問題是確定隱節(jié)點 的數(shù)目及相應(yīng)的數(shù)據(jù)中心,設(shè)計出滿足目標(biāo)誤差要求的盡可能小的神經(jīng)網(wǎng)絡(luò),以保證神經(jīng) 網(wǎng)絡(luò)的泛化能力。
發(fā)明內(nèi)容
發(fā)明目的本發(fā)明的目的在于針對現(xiàn)有灰熔點預(yù)測方法精度不高,模型結(jié)構(gòu)不合 理、泛化能力不強(qiáng)等問題,提供一種基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方 法,以達(dá)到預(yù)測精度高,網(wǎng)絡(luò)結(jié)構(gòu)精簡、泛化能力好、魯棒性強(qiáng)的目的。技術(shù)方案本發(fā)明所述的基于構(gòu)造-剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法, 該方法分為“粗調(diào)”和“精調(diào)”兩個階段,粗調(diào)階段按照以使能量函數(shù)最小為原則動態(tài)增加 隱節(jié)點數(shù)目,選取相應(yīng)的樣本輸入作為數(shù)據(jù)中心,直至隱節(jié)點數(shù)滿足停止準(zhǔn)則時停止;精調(diào) 階段用Gaussian正則化方法對粗調(diào)得到的RBF網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)作進(jìn)一步調(diào)整,調(diào)整對象 為數(shù)據(jù)中心調(diào)整、輸出權(quán)值調(diào)整、冗余隱節(jié)點刪除和正則化系數(shù)的動態(tài)調(diào)整;基于煤灰的化 學(xué)組成成分建立相應(yīng)的構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò),并以該網(wǎng)絡(luò)預(yù)測煤灰熔點。
所述粗調(diào)具體步驟如下(Al)先從樣本輸入中選取網(wǎng)絡(luò)的第一個數(shù)據(jù)中心,然后每次增加一個隱節(jié)點, 逐步調(diào)整該數(shù)據(jù)中心的值,新的隱節(jié)點數(shù)據(jù)中心的選取以使能量函數(shù)最小為原則;采用 Gaussian正則化方法時的能量函數(shù)為Ε = ψ- PmWJ (7 - PmW)+ XWtW⑴其中,Y= [yi,y2,...,yN]T為神經(jīng)網(wǎng)絡(luò)的教師輸出向量,r = k,%,...,^J為權(quán) 值向量,Pm =[^,尸2,...,&],凡= I(X1)A(X2)^t(Xiv)Jr為隱節(jié)點的響應(yīng)函數(shù)向量,λ為 正則化系數(shù)。(Α2)當(dāng)下式滿足時,停止粗調(diào)
_3] c{PM+lTPM+l)>CmaxO)其中,C(A)= I |A I I Ia-1II 為矩陣 Α 的條件數(shù),I |A| I 為 Frobenius 范 數(shù);= [p p2,...,pM,Sl],p, = [^1(X1), ^ (X2),..., φ0ι(χΝ)]為隱節(jié)點的響應(yīng)函數(shù)向量,
^[^(。,么^,…么“訃為新增隱節(jié)點的響應(yīng)函數(shù)向量,xi為新隱節(jié)點的數(shù)據(jù)中心;Cmax 是一個需預(yù)先確定的量,一般可選為IO6量級。選取網(wǎng)絡(luò)的第一個數(shù)據(jù)中心的方法為從樣本輸入中選擇某一 Xi,使相應(yīng)的&在 Y上的投影最大,即E1(Xi) = max{YTSi,i = 1,2,· · ·,N}(2)其中,& =[么(X1),么(X2),...,么(Xw)Jr為以Xi為數(shù)據(jù)中心的新增隱節(jié)點的響應(yīng)函數(shù)
向量,Y = [Y1, y2,...,yN]T為神經(jīng)網(wǎng)絡(luò)的教師輸出向量。所述精調(diào)具體步驟如下(Bi)數(shù)據(jù)中心調(diào)整調(diào)節(jié)數(shù)據(jù)中心,對樣本(\,1.),數(shù)據(jù)中心(^的調(diào)節(jié)量為{χ,^;)=4-{χ, -crK(y; - f(xj)k(4)
rr其中,η為學(xué)習(xí)率,A為擴(kuò)展常數(shù),Q=氏(xj,f(Xj)為神經(jīng)網(wǎng)絡(luò)對應(yīng)樣本輸入Xj.
的輸出,Wi為該隱節(jié)點前一時刻的輸出權(quán)值;第i個隱節(jié)點的調(diào)節(jié)公式為c. ^ ^ + . IjAU(5)
(XjJJ)SAi其中,Ci為已有的數(shù)據(jù)中心,Aci (Xj,yj)為數(shù)據(jù)中心Ci的調(diào)節(jié)量,Ai = {(xj; Yj) I I Xj-CiI < Kri, j = 1,2, ...,N}為參與調(diào)節(jié)的目標(biāo)樣本,K為重疊系數(shù),ri SRBF 函數(shù)的擴(kuò)展常數(shù)。(B2)輸出權(quán)值調(diào)整當(dāng)網(wǎng)絡(luò)的數(shù)據(jù)中心確定后,最優(yōu)權(quán)值可通過最小化能量函數(shù)直接得到,即[w w2,...,wM,bf =Wm(6)其中,Wi為第i個隱節(jié)點到輸出節(jié)點的權(quán)值,b是輸出偏移常數(shù)。(B3)冗余隱節(jié)點刪除通過正則化方法,當(dāng)某隱節(jié)點輸出權(quán)值Wi滿足以下條件時,則刪除該隱節(jié)點
abs (Wi) < Wmin(7)
其中,Wi為第i個隱節(jié)點到輸出節(jié)點的權(quán)值,b是輸出偏移常數(shù)。(B4)正則化系數(shù)λ的動態(tài)調(diào)整每次數(shù)據(jù)中心調(diào)整后,隨之對λ進(jìn)行調(diào)節(jié),具體調(diào)節(jié)規(guī)則如下(1).如果 E(t) < E(t-l),或者 E(t) <D,則 λ (t) = λ (t-D + Δ λ ;(2).如果 E(t)彡 E(t-l),E(t) < A(t),而且 E(t)彡 D,貝U λ (t)= λ (t-D-Δ λ ;(3).如果 E(t)彡 E(t_l),E(t)彡 A(t),而且 E(t)彡 D,則 λ (t) = P λ (t_l);其中,E(t-l)為前一次數(shù)據(jù)中心調(diào)節(jié)時的誤差,D為期望誤差值,A(t)為當(dāng)前時刻 的加權(quán)平均誤差,定義為A (t) = yA(t-l) + (l-y)E(t), μ、P均為接近于1的數(shù)。所述的RBF網(wǎng)絡(luò)具有8輸入1輸出的結(jié)構(gòu),其中8個輸入分別對應(yīng)組成煤灰的8 個氧化物,即SiO2, Al2O3,F(xiàn)e2O3,CaO, MgO, TiO2, K2O及Na2O,輸出為煤灰熔點的軟化溫度。為使神經(jīng)元的輸入工作在較靈敏的區(qū)域,將所有樣本輸入歸一到
范圍內(nèi)。有益效果本發(fā)明與現(xiàn)有技術(shù)相比,其有益效果是本發(fā)明給出的構(gòu)造-剪枝混合 優(yōu)化算法constructive-pruning hybrid method (CPHM),有效地融合了構(gòu)造算法和剪枝算 法的優(yōu)點,不僅能動態(tài)調(diào)節(jié)RBF網(wǎng)絡(luò)的隱節(jié)點數(shù),還能使網(wǎng)絡(luò)的數(shù)據(jù)中心自適應(yīng)變化;與現(xiàn) 有的RBF設(shè)計方法遞歸正交最小二乘法(ROLS)和資源分配網(wǎng)絡(luò)(RAN)相比,所設(shè)計的網(wǎng)絡(luò) 具有較小的結(jié)構(gòu)、較好的泛化能力和較強(qiáng)的魯棒性;實驗證明,基于煤灰的化學(xué)組成成分, 建立相應(yīng)的構(gòu)造-剪枝混合優(yōu)化RBF網(wǎng)絡(luò),并以該網(wǎng)絡(luò)預(yù)測煤灰熔點,取得了較好的預(yù)測效^ ο
圖1為構(gòu)造-剪枝混合優(yōu)化算法流程圖。圖2為用于煤灰熔點預(yù)測的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖3為煤灰熔點預(yù)測時RAN預(yù)測效果圖。圖4為煤灰熔點預(yù)測時CPHM預(yù)測效果圖。
具體實施例方式下面結(jié)合附圖,對本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說明,但是本發(fā)明的保護(hù)范圍不局限 于所述實施例。圖1所示為本發(fā)明的構(gòu)造-剪枝混合優(yōu)化算法流程圖,CPHM的實現(xiàn)步驟如下1).根據(jù)式(2)選擇RBF網(wǎng)絡(luò)第一個數(shù)據(jù)中心,并計算輸出權(quán)值。E1(Xi) = max{YTSi,i = 1,2,· · ·,N}(2)其中,& =[么(X1),么(X2),...,么(Xw)Jr為以Xi為數(shù)據(jù)中心的新增隱節(jié)點的響應(yīng)函數(shù) 向量,Y = [Y1, y2,...,yN]T為神經(jīng)網(wǎng)絡(luò)的教師輸出向量。2).粗調(diào)階段,以使式(1)最小為標(biāo)準(zhǔn),選取RBF網(wǎng)的數(shù)據(jù)中心,直至滿足停止準(zhǔn)則 ⑶。
_/ \τ / \ 〒 Ε = ψ- PmWJ (7 - PmW)+ XWtW⑴
其中,Y= [yi,y2,...,yN]T為神經(jīng)網(wǎng)絡(luò)的教師輸出向量,伊^巧,乂,…, !“為權(quán) 值向量,Pm =[^,尸2,...,&],凡= I(X1)A(X2)^t(Xiv)Jr為隱節(jié)點的響應(yīng)函數(shù) 向量,λ為 正則化系數(shù)。c{PM+lTPM+l)>CmaxO)其中,c㈧=I |A I I Ia-1I I為矩陣Α的條件數(shù),I |a| I為Frobenius范 數(shù);= [p p2,...,pM,Sl],p, = [^1(X1), ^ (X2),..., φ0ι(χΝ)]為隱節(jié)點的響應(yīng)函數(shù)向量,
^[^(。,么^,…么“訃為新增隱節(jié)點的響應(yīng)函數(shù)向量,xi為新隱節(jié)點的數(shù)據(jù)中心;Cmax
是一個需預(yù)先確定的量,一般可選為IO6量級。3).精調(diào)階段,根據(jù)式⑷和(5)調(diào)節(jié)網(wǎng)絡(luò)各數(shù)據(jù)中心的值。{χ,^;)=4-{χ, -crK(y; - f(xj)k(4)
rr其中,η為學(xué)習(xí)率,r,為RBF函數(shù)的擴(kuò)展常數(shù),Ci為已有的數(shù)據(jù)中心,Ot =φ 為Gaussian型徑向基函數(shù),f (Xj)為神經(jīng)網(wǎng)絡(luò)對應(yīng)樣本輸入Xj的輸出,Wi為該隱節(jié)點前一 時刻的輸出權(quán)值。第i個隱節(jié)點的調(diào)節(jié)公式為c. ^ ^ + . IjAU(5)
(XjJJ)SAi其中,Ci為已有的數(shù)據(jù)中心,Aci (Xj,yj)為數(shù)據(jù)中心Ci的調(diào)節(jié)量,Ai = {(xj; Yj) I I Xj-CiI < Kri, j = 1,2, ...,N}為參與調(diào)節(jié)的目標(biāo)樣本,K為重疊系數(shù),ri SRBF 函數(shù)的擴(kuò)展常數(shù)。4).根據(jù)式(6),調(diào)整網(wǎng)絡(luò)的輸出權(quán)值和輸出偏移。[w w2,...,wM,bf =Wm(6)其中,Wi為第i個隱節(jié)點到輸出節(jié)點的權(quán)值,b是輸出偏移常數(shù)。5).根據(jù)式(7),對冗余隱節(jié)點進(jìn)行剪枝。abs (Wi) < Wmin(7)其中,Wmin為臨界權(quán)值。6).計算當(dāng)前所有訓(xùn)練樣本的總誤差E (t)和平均誤差A(yù) (t)。7).如果E(t)已達(dá)到給定值D,或算法已達(dá)到給定運算次數(shù),則結(jié)束算法,否則轉(zhuǎn) 步驟8)。8).根據(jù)E(t),A(t)和D間的關(guān)系調(diào)整正則化系數(shù),然后轉(zhuǎn)步驟3),繼續(xù)進(jìn)行精調(diào)。圖2所示為用于煤灰熔點預(yù)測的神經(jīng)網(wǎng)絡(luò),具有8輸入1輸出的結(jié)構(gòu),其中8個輸 入分別對應(yīng)組成煤灰的8個氧化物,即SiO2, Al2O3,F(xiàn)e2O3,CaO, MgO, TiO2, K2O及Na2O,輸出 為煤灰熔點的軟化溫度。在鎮(zhèn)江諫壁電廠動力配煤過程中,通過試驗一共獲得205個樣本,前155個樣本用 于訓(xùn)練,后50個樣本用于測試。為使神經(jīng)元的輸入工作在較靈敏的區(qū)域,將所有樣本輸入 歸一到W,l]范圍內(nèi)。輸入量歸一化時的最大、最小值如表1所示。表1歸一化時各輸入量的最大、最小值
權(quán)利要求
一種基于構(gòu)造 剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其特征在于該方法分為“粗調(diào)”和“精調(diào)”兩個階段,粗調(diào)階段按照以使能量函數(shù)最小為原則動態(tài)增加隱節(jié)點數(shù)目,選取相應(yīng)的樣本輸入作為數(shù)據(jù)中心,直至隱節(jié)點數(shù)滿足停止準(zhǔn)則時停止;精調(diào)階段用Gaussian正則化方法對粗調(diào)得到的RBF網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)作進(jìn)一步調(diào)整,調(diào)整對象為數(shù)據(jù)中心調(diào)整、輸出權(quán)值調(diào)整、冗余隱節(jié)點刪除和正則化系數(shù)的動態(tài)調(diào)整;基于煤灰的化學(xué)組成成分建立相應(yīng)的構(gòu)造 剪枝混合優(yōu)化RBF網(wǎng)絡(luò),并以該網(wǎng)絡(luò)預(yù)測煤灰熔點。
2.根據(jù)權(quán)利要求1所述的基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其 特征在于所述粗調(diào)具體步驟如下(Al)先從樣本輸入中選取網(wǎng)絡(luò)的第一個數(shù)據(jù)中心,然后每次增加一個隱節(jié)點,逐步調(diào) 整該數(shù)據(jù)中心的值,新的隱節(jié)點數(shù)據(jù)中心的選取以使能量函數(shù)最小為原則;采用Gaussian 正則化方法時的能量函數(shù)為
3.根據(jù)權(quán)利要求2所述的基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其 特征在于選取網(wǎng)絡(luò)的第一個數(shù)據(jù)中心的方法為從樣本輸入中選擇某一\,使相應(yīng)的^在 Y上的投影最大,即E1(Xi) = max{YTSi,i = 1,2,· · ·,N}(2)其中4 =|^(。,么(x2),...,< (Xw)Jr為以Xi為數(shù)據(jù)中心的新增隱節(jié)點的響應(yīng)函數(shù)向量,Y=[Y1,12,..., yN]T為神經(jīng)網(wǎng)絡(luò)的教師輸出向量。
4.根據(jù)權(quán)利要求1所述的基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其 特征在于所述精調(diào)具體步驟如下(Bi)數(shù)據(jù)中心調(diào)整調(diào)節(jié)數(shù)據(jù)中心,對樣本(\,yP,數(shù)據(jù)中心^的調(diào)節(jié)量為 Aci(x;,^)= (χ -ct^(y; -/(x;⑷rr其中,η為學(xué)習(xí)率,A SRBF函數(shù)的擴(kuò)展常數(shù),Ci為已有的數(shù)據(jù)中心d=氏(xj為 Gaussian型徑向基函數(shù),f(Xj)為神經(jīng)網(wǎng)絡(luò)對應(yīng)樣本輸入Xj的輸出,Wi為該隱節(jié)點前一時 刻的輸出權(quán)值;第i個隱節(jié)點的調(diào)節(jié)公式為2其中,Ci為已有的數(shù)據(jù)中心,Aci (Xj,Yj)為數(shù)據(jù)中心Ci的調(diào)節(jié)量,Ai= {(xj; Yj) I I Xj-CiI < Kri, j = 1,2, ...,N}為參與調(diào)節(jié)的目標(biāo)樣本,κ為重疊系數(shù),ri SRBF 函數(shù)的擴(kuò)展常數(shù);(B2)輸出權(quán)值調(diào)整當(dāng)網(wǎng)絡(luò)的數(shù)據(jù)中心確定后,最優(yōu)權(quán)值可通過最小化能量函數(shù)直接得到,即 [W15W2,...,^, ^f =Wm(6)其中,Wi為第i個隱節(jié)點到輸出節(jié)點的權(quán)值,b是輸出偏移常數(shù); (B3)冗余隱節(jié)點刪除通過正則化方法,當(dāng)某隱節(jié)點輸出權(quán)值Wi滿足以下條件時,則刪除該隱節(jié)點 abs (Wi) < Wmin (7)其中,Wmin為臨界權(quán)值;(B4)正則化系數(shù)λ的動態(tài)調(diào)整每次數(shù)據(jù)中心調(diào)整后,隨之對λ進(jìn)行調(diào)節(jié),具體調(diào)節(jié)規(guī)則如下(1).如果E(t) <E(t-l),或者E(t) <D,則 λ (t) = λ (t-D + Δ λ ;(2).如果E(t)彡 E(t-l),E(t) < A(t),而且 E(t)彡 D,則 λ (t) = λ (t-l)-A λ ;(3).如果E(t)彡 E(t-l),E(t)彡 A(t),而且 E(t)彡 D,則 λ (t) = P λ (t_l); 其中,E(t-l)為前一次數(shù)據(jù)中心調(diào)節(jié)時的誤差,D為期望誤差值,A(t)為當(dāng)前時刻的加權(quán)平均誤差,定義為A (t) = yA(t-l) + (l-y)E(t), μ、P均為接近于1的數(shù)。
5.根據(jù)權(quán)利要求1所述的基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其 特征在于所述的RBF網(wǎng)絡(luò)具有8輸入1輸出的結(jié)構(gòu)。
6.根據(jù)權(quán)利要求1所述的基于構(gòu)造_剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其 特征在于將所有樣本輸入歸一到W,l]范圍內(nèi)。
全文摘要
本發(fā)明公開一種基于構(gòu)造-剪枝混合優(yōu)化RBF網(wǎng)絡(luò)的煤灰熔點預(yù)測方法,其特征在于該方法分為“粗調(diào)”和“精調(diào)”兩個階段,粗調(diào)階段按照以使能量函數(shù)最小為原則動態(tài)增加隱節(jié)點數(shù)目,選取相應(yīng)的樣本輸入作為數(shù)據(jù)中心,直至隱節(jié)點數(shù)滿足停止準(zhǔn)則時停止;精調(diào)階段用Gaussian正則化方法對粗調(diào)得到的RBF網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)作進(jìn)一步調(diào)整;基于煤灰的化學(xué)組成成分建立相應(yīng)的構(gòu)造-剪枝混合優(yōu)化RBF網(wǎng)絡(luò),并以該網(wǎng)絡(luò)預(yù)測煤灰熔點。本發(fā)明給出的構(gòu)造-剪枝混合優(yōu)化算法(CPHM),有效地融合了構(gòu)造算法和剪枝算法的優(yōu)點,不僅能動態(tài)調(diào)節(jié)RBF網(wǎng)絡(luò)的隱節(jié)點數(shù),還能使網(wǎng)絡(luò)的數(shù)據(jù)中心自適應(yīng)變化;具有較小的結(jié)構(gòu)、較好的泛化能力和較強(qiáng)的魯棒性。
文檔編號G06N3/08GK101968832SQ201010521088
公開日2011年2月9日 申請日期2010年10月26日 優(yōu)先權(quán)日2010年10月26日
發(fā)明者丁維明, 吳小麗, 魏海坤 申請人:東南大學(xué)