基于NIR-SVM的柴油性质预测模型研究

论文摘要

柴油是人们日常生活中的一种不可缺少的燃料,也是国家各种重型运输车辆、轮船、军舰、坦克、常规潜艇等的必需燃料。不同用途的柴油有不同的规格,相同用途的柴油也有不同的性能指标。因此,在柴油的生产过程中,我们必须准确测量它的各项性能指标以用于不同用途。针对标准测量方法复杂耗时长的缺点,本文通过对近红外光谱理论和支持向量机(SVM)的研究,利用近红外光谱法结合支持向量机建立了柴油的十六烷值和黏度模型。在建模过程中,本文采用了不同的数据处理方式。首先用欧式距离法对校正集光谱样本数据进行了筛选,剔除了部分光谱异常点;再利用数据平滑和一阶微分,克服了高频噪声和温度、颜色等对校正精度的影响;然后使用主成分分析法(PCA),将原本401维光谱数据压缩到7维或18维,大大简化了校正模型,提高了模型校正效率和预测精度。经多次建模分析比较,得到了针对实验样本的柴油十六烷值和黏度的最佳模型参数,并对模型进行了验证。在此基础上,研究了SVM和BP神经网络模型的预测效果。仿真结果显示SVM的预测精度及预测可靠性要高于BP神经网络。通过对比SVM与BP神经网络的校正集标准偏差SEC和预测集标准偏差SEP,结果表明, BP神经网络在建模过程中有过拟合现象,其预测可靠性不如SVM好。总体上, SVM柴油性质预测模型的有效性要优于BP神经网络模型。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的意义
• 1.2 国内外研究现状
• 1.2.1 国内外有关柴油性质量测的研究现状
• 1.2.2 国内外近红外技术的研究现状
• 1.3 课题研究目标、研究内容、具体方案
• 1.3.1 课题研究目标
• 1.3.2 课题主要研究内容
• 1.3.3 课题研究方案
• 第2章 近红外光谱分析技术原理
• 2.1 近红外光谱分析技术的特点
• 2.2 近红外光谱的产生
• 2.3 比尔定律
• 2.4 有机化合物的近红外光谱特征
• 2.5 近红外光谱仪器的主要类型
• 2.6 近红外光谱分析技术
• 2.6.1 校正集样品的设定及光谱数据预处理
• 2.6.2 光谱数据校正方法
• 2.6.3 模型评价
• 2.7 人工神经网络在近红外光谱分析中的应用
• 第3章 基于NIR-SVM的柴油性质模型建立与仿真研究
• 3.1 支持向量机的基本原理
• 3.1.1 支持向量分类机（SVC）
• 3.1.2 支持向量回归（SVR）
• 3.2 基于NIR-SVM的柴油性质预测模型的建立
• 3.2.1 柴油的近红外光谱图与样本集的设定
• 3.2.2 近红外光谱数据预处理
• 3.2.3 主成分分析法在柴油性质预测模型中的应用
• 3.2.4 基于NIR-SVM的柴油性质预测模型的建立
• 3.2.5 BP神经网络在柴油性质预测模型中的应用
• 第4章 柴油十六烷值预测模型建立与仿真研究
• 4.1 基于无处理全光谱数据的预测模型建立与仿真研究
• 4.1.1 BP神经网络柴油十六烷值预测模型
• 4.1.2 SVM柴油十六烷值预测模型
• 4.2 十六烷值近红外数据筛选
• 4.3 预测模型参数对预测精度的影响分析
• 4.3.1 支持向量机参数对预测模型精度的影响分析
• 4.3.2 BP神经网络参数对预测模型精度的影响
• 4.4 基于预处理数据的柴油十六烷值预测模型仿真研究
• 4.5 基于主成分分析的柴油十六烷值预测模型仿真研究
• 4.6 柴油十六烷值模型验证
• 4.7 小结
• 第5章 柴油黏度预测模型建立与仿真研究
• 5.1 黏度近红外数据筛选
• 5.2 基于预处理数据的柴油黏度预测模型仿真研究
• 5.3 基于主成分分析的柴油黏度预测模型仿真研究
• 5.4 柴油黏度模型验证
• 结论
• 参考文献
• 致谢