NIR汽油辛烷值测定仪中的支持向量机方法

　　1　引　　言

　　辛烷值是汽油的一个重要品质指标,汽油牌号一般以辛烷值命名,因此辛烷值的正确测量是十分重要的。汽油辛烷值测定的传统方法是采用ASTM-CFR标准方法对汽油进行离线采样分析,该方法费时,费用也高,且机器结构庞大,操作和维护复杂,运行费用高,因此测定成本高。近年发展起来的近红外(near in-frared, NIR)光谱分析方法具有测定快速、可用于在线分析、操作及维护简便和检测成本低等优点[1～2],因此,受到广泛的关注和研究。运用近红外光谱法快速测定汽油辛烷值的本质是利用汽油在近红外光谱区(700～2500nm)的C-H振动倍频信号提供的丰富信息,建立光谱数据与辛烷值的数学模型,并利用该模型的泛化能力,根据未知样品的光谱对该样品的辛烷值进行预测,因此,近红外光谱测定汽油辛烷值的关键在于数学模型的建立及其泛化能力,这是这里所研究的主要内容。

　　目前有许多数学建模方法,包括传统统计方法(如回归法、最小二乘、偏最小二乘等)、人工神经网络方法、粗糙集方法、模糊集理论等,其中人工神经网络方法由于对非线性可任意逼近而得到最为广泛的研究。如,史月华等[3]采用主元分析加神经网络方法实现近红外光谱测定汽油辛烷值。在神经网络方法中,通过学习,不断修正神经网络中神经元的各个权重系数,使训练误差充分小。然而,尽管神经网络方法可以得到小的训练误差,但对于未经训练的新样品,其泛化能力较差,预测精度低,存在过学习问题。另外,神经网络方法容易陷入局部最优点。神经网络学习方法预测能力差的原因在于它是基于经验风险最小化准则(EmpiricalRisk Minimization, ERM)。根据统计学习理论[4～5],要提高模型的预测能力、泛化能力,需要最小化经验风险值(训练误差)和置信范围值。ERM准则只强调了经验风险最小,没有最小化置信范围值,因此基于ERM准则的学习方法,其泛化能力差。要最大化泛化能力,不仅需要最小化经验风险,而且应最小化置信范围值,这是Vapnik和Chevonenkis提出的结构风险最小化准则(Structural Risk Minimization, SRM)的基本思想。Vapnik提出的支持向量机(Support Vector Machines,　　SVM)是这种思想的具体实现,它是以置信范围值最小化作为优化目标,以训练误差作为约束条件,因此,SVM的泛化能力要明显优越于神经网络学习方法。另外,SVM的求解最后转化成二次规划问题的求解,因此,SVM的解是唯一的、也是全局最优的。正是上述两大优点,SVM自20世纪90年代中期一经提出就得到了广泛的重视。

　　现将统计学习理论中的最新研究成果——支持向量机方法应用于近红外光谱测定汽油辛烷值,实验结果表明该方法优越于目前在近红外光谱测定汽油辛烷值中常规采用的偏最小二乘(PLS)和人工神经网络(ANN)等方法。