古叢

摘要：辛烷值是汽油品牌劃分和汽油抗爆特征劃分的重要參數(shù)，傳統(tǒng)實驗室分析方法具有費用高、操作復(fù)雜、操作時間長等問題。針對傳統(tǒng)方法面臨的諸多問題，該文在近紅外光譜分析分析的基礎(chǔ)上，采用基于克隆選擇方法優(yōu)化的SVM預(yù)測汽油辛烷值。仿真結(jié)果表明，該方法操作簡單，預(yù)測準(zhǔn)確，為汽油辛烷值預(yù)測提供了一種新的方法。

關(guān)鍵詞： 光譜分析；支持向量機；克隆選擇；預(yù)測

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）02-0233-02

Abstract： Octane value is the important parameter in the divide of gasoline brands and gasoline antiknock character. Traditional experimental analysis method has the problems of high expenses， complex operation and long operation time. According the problems， the article employs SVM optimized by clonal selection algorithm to predict gasoline octane value on the basis of near infrared spectrum analysis. Experiment result shows that the method operates simplicity ， predicts precisely . It provides a new method for the prediction of gasoline octane value prediction.

Key words：spectral analysis； SVM ； clonal selection； prediction

汽油辛烷值是汽油抗爆性能的重要參數(shù)和汽油牌號劃分的重要依據(jù)，也是決定汽油質(zhì)量的關(guān)鍵指標(biāo)。汽油辛烷值分析的傳統(tǒng)方法是實驗分析，該方法測得辛烷值較為準(zhǔn)確，但是該方法具有測定費用高，操作復(fù)雜等問題。汽油近紅外光譜方法是近年來出現(xiàn)一種汽油特征分析的新方法，通過該方法得到的汽油光譜代表了汽油的特征，因此可用光譜分析汽油辛烷值?；诠庾V分析的汽油辛烷值方法具有檢測方便、分析迅速、費用低廉的優(yōu)勢，并且可以用于汽油辛烷值的實時分析中。本文在汽油光譜值近紅外分析的基礎(chǔ)上，采用基于克隆選擇算法參數(shù)優(yōu)化的支持向量機預(yù)測汽油辛烷值，并且取得了良好的預(yù)測效果。

1 近紅外光譜分析

近紅外光（Near-infrared，NIR）指的是波長范圍在700mm到2500mm的電磁波，該范圍光譜區(qū)在含氫基團(tuán)X-H的泛頻和組頻的作用下，在化學(xué)程序重疊的吸收帶的作用下，可以從近紅外光的吸收光譜中化學(xué)組分和組分濃度信息，進(jìn)而可以分析含氫基團(tuán)化合物的定量特征和定性特征。近紅外光譜分析技術(shù)在發(fā)展的早期，由于化合物的化學(xué)組成復(fù)雜，近紅外光譜特征譜帶的相互重疊，造成該方法難以分析單個相關(guān)成分的屬性，只能預(yù)測所有成分的整體屬性。但是隨著化學(xué)計量學(xué)的發(fā)展，近紅外光譜儀器的不斷改進(jìn)，多元校正技術(shù)的日趨成熟，目前已經(jīng)可以直接利用近紅外光譜信息預(yù)測物質(zhì)的屬性，并且在濕度測量、石油產(chǎn)品質(zhì)量評定、農(nóng)產(chǎn)品鑒別等方面得到了良好的運用，取得了良好的社會價值和經(jīng)濟(jì)價值[1]。

2 支持向量機

支持向量機通過非線性核函數(shù)把數(shù)據(jù)從低維空間轉(zhuǎn)化到高維Hilbert空間中，然后在空間H中計算出一個能夠正確劃分新訓(xùn)練集的超平面[（ω?x）+b=0]，并使超平面到樣本的幾何間隔達(dá)到最大，從而實現(xiàn)樣本劃分和預(yù)測的問題。

3 克隆選擇算法

3.1 算法概述

克隆選擇算法起源于Burnet在1958年提出的克隆選擇學(xué)說，該學(xué)說認(rèn)為生物免疫系統(tǒng)具有自適應(yīng)的抗原刺激功能，其中抗體以受體的形式在細(xì)胞表面分布，抗原可以有選擇性的同抗體反映，并且引起細(xì)胞克隆性增值，增值的細(xì)胞一部分轉(zhuǎn)化為抗體生成細(xì)胞，一部分轉(zhuǎn)化為免疫記憶細(xì)胞，并且進(jìn)行第二次免疫反應(yīng)。克隆選擇算法是一種典型的仿生物特征種群尋優(yōu)算法，該算法通過自身的不斷進(jìn)化得到最優(yōu)結(jié)果，在每一次進(jìn)化的過程中，算法都在候選解集的附近，根據(jù)個體親和度的大小，產(chǎn)生含抗體變異解的群體，并且通過抗體和抗原親和度來實現(xiàn)個體競爭，同時通過調(diào)節(jié)抗體抗原的關(guān)系保持抗體種群的多樣性，進(jìn)而不斷逼近問題的最優(yōu)解。

克隆選擇算法同時具有局部搜索和全局搜索的功能，該算法相比較遺傳算法的優(yōu)勢在于通過構(gòu)造記憶單元，把遺傳算法的記憶單個最優(yōu)變化為記憶最優(yōu)解群體，并且可以證明克隆選擇算法具有較好的收斂特征，雖然目前還不能給出克隆選擇算法由于遺傳算法的完整證明，但是在標(biāo)準(zhǔn)測試函數(shù)分析中，已經(jīng)證明克隆選擇算法優(yōu)于相應(yīng)的遺傳算法[3]。

3.2 克隆選擇優(yōu)化SVM

根據(jù)SVM核函數(shù)性質(zhì)，選擇高斯函數(shù)作為SVM核函數(shù)，此時SVM的預(yù)測精度和高斯核參數(shù)[γ]和超平面懲罰因子[C]有關(guān)，尤其是對于高斯核參數(shù)[γ]來說，參數(shù)[γ]值越小，SVM的學(xué)習(xí)能力越強，結(jié)構(gòu)風(fēng)險越小，推廣能力下降，置信風(fēng)險越大。因此采用克隆選擇算法優(yōu)化SVM參數(shù)，以訓(xùn)練誤差預(yù)測值最小為優(yōu)化目標(biāo)，尋找最優(yōu)的參數(shù)[γ]和[C]，并且把優(yōu)化后的參數(shù)賦值給SVM，從而得到更好的預(yù)測結(jié)果[4]。整個優(yōu)化預(yù)測過程如圖1所示。

4 基于優(yōu)化支持SVM的辛烷值預(yù)測

根據(jù)汽油的近紅外光譜可以快速分析汽油辛烷值原理，本文采用采用克隆選擇優(yōu)化參數(shù)的SVM預(yù)測汽油辛烷值。針對光譜分析數(shù)據(jù)維數(shù)過多的問題，采用主成分分析方法降維，并用降維后的數(shù)據(jù)訓(xùn)練SVM，最后用訓(xùn)練好的SVM預(yù)測汽油辛烷值，整個算法的計算流程如下[4]。

Step1：對光譜值進(jìn)行主成分分析，實現(xiàn)原始光譜數(shù)據(jù)降維；

Step2：從降維后的數(shù)據(jù)中隨機選擇訓(xùn)練樣本和測試樣本；

Step3：采用訓(xùn)練樣本和 根據(jù)訓(xùn)練數(shù)據(jù)，采用克隆選擇算法優(yōu)化SVM參數(shù)；

Step4：把優(yōu)化后參數(shù)參數(shù)賦給SVM并用訓(xùn)練數(shù)據(jù)訓(xùn)練；

Step5：訓(xùn)練好的SVM預(yù)測測試樣本辛烷值并比較精度。

5 仿真實例

5.1 數(shù)據(jù)預(yù)處理

采用本文介紹的克隆選擇優(yōu)化的SVM預(yù)測汽油辛烷值，一共對60個汽油樣本進(jìn)行光譜分析，由于樣本光譜特征較多，各維特征之間存在冗余，不利于樣本預(yù)測，因此首先采用主成分分析（PCA）的方法對原始數(shù)據(jù)進(jìn)行降維處理，數(shù)據(jù)經(jīng)過PCA處理后得到的各個主成分的累計貢獻(xiàn)率如圖2所示。

從圖2中可以看出，前10個成分的貢獻(xiàn)率就接近100%，因此用前10個主成分所代表的信息量能夠充分解釋原始數(shù)據(jù)所代表的信息，損失信息量不到0.1%。

5.2 克隆選擇算法優(yōu)化

在提取數(shù)據(jù)主成分的基礎(chǔ)上，把數(shù)據(jù)隨機劃分為訓(xùn)練樣本和測試樣本，采用訓(xùn)練樣本訓(xùn)練SVM模型后，用訓(xùn)練好的SVM模型預(yù)測測試樣本汽油樣本辛烷值。為了提高支持向量機的預(yù)測精度，采用克隆選擇算法以預(yù)測誤差最小為目標(biāo)優(yōu)化SVM參數(shù)。克隆選擇算法的迭代次數(shù)為100次，種群個數(shù)為20，算法優(yōu)化過程及其與同樣參數(shù)下的遺傳算法優(yōu)化過程的對比如圖3所示。

5.3 SVM預(yù)測

采用克隆選擇優(yōu)化過的SVM預(yù)測汽油辛烷值，首先把克隆選擇得到的參數(shù)賦給SVM，并且用訓(xùn)練集合訓(xùn)練SVM，然后用訓(xùn)練好的SVM預(yù)測辛烷值，預(yù)測結(jié)果如圖4所示。

從圖4和表1中可以看出，經(jīng)過克隆選擇優(yōu)化的SVM支持向量機能夠更加準(zhǔn)確的預(yù)測汽油樣本辛烷值。

6 小結(jié)

本文針對汽油辛烷值難以預(yù)測的問題，提出了一種基于克隆選擇優(yōu)化的支持向量機辛烷值預(yù)測方法，該方法以經(jīng)過PCA降維后的汽油光譜數(shù)據(jù)作為輸入值，使用訓(xùn)練過的支持向量機預(yù)測汽油辛烷值。仿真實驗表明，該方法能夠比較準(zhǔn)確的預(yù)測汽油辛烷值，從而為汽油辛烷值的分析開創(chuàng)了一個新的方法。

參考文獻(xiàn)：

[1] 張其可.基于近紅外光譜的汽油牌號識別與辛烷值測定[D].浙江大學(xué)，2006.

[2] PLATT J. Fast training of support vector machines using sequential minimal optimization[C].Advances in Kernel Methods： Support Vector Learning. Cambridge， MA： The MIT Press，1998.

[3] 杜海峰.免疫克隆計算與人工免疫網(wǎng)絡(luò)研究與應(yīng)用，博士后研究報告，西安電子科技大學(xué)， 2003.

[4] 陳治明. 改進(jìn)的粒子群算法及其 SVM 參數(shù)優(yōu)化應(yīng)用[J]. 計算機工程與應(yīng)用， 2011，47（10）.