基于近红外光谱的汽油辛烷值预测与模型优化

在波长12000~4000 cm-1范围内采集了60组汽油样品的近红外光谱数据,并基于此数据研究汽油辛烷值预测过程中的模型优化问题:采用五折交叉验证法,比较了最小均方二乘法(PLS)、神经网络(ANN)和支持向量机(SVM)的辛烷值预测模型,发现SVM算法较稳定可靠,更适合于小样本情况下的光谱分析;SVM模型下分别采用网格寻优(Grid)、遗传算法(GA)和粒子群算法(PSO)进行惩罚参数C和RBF核函数参数gamma两个参数优化,总体最佳M SE分别为0.00444,0.0038和0.03262,GA优化参数能力最强;基于GA参数优化下SVM模型,研究了主分量分析(PCA)和连续投影算法(SPA)的特征优化方法,发现PCA泛化能力优于SPA,采用4个主分量(PCs)已经能达到原始光谱相当的预测性能。优化得到组合模型:PCA-GA-SVM,基本上满足工业级辛烷值预测的需要,方法对石油组分精确解析具有积极意义。