一种预测汽油辛烷值的方法与流程

1.本公开涉及辛烷值检测领域，具体地，涉及一种预测汽油辛烷值的方法。


背景技术：

2.汽油是炼油厂最重要的盈利产品之一，占总利润的60％～70％。汽油生产涉及两个主要环节，即组分油的生产储存及其调和。一般来说，汽油调和是汽油产品交付前的最后阶段，其过程非常复杂，但利润空间巨大，因而一度被认为是炼油厂成功运营的关键过程。在汽油调和过程中，辛烷值是汽油最重要的质量指标，因此，快速测量辛烷值对整个调和过程具有重要意义。
3.近红外光谱分析技术由于具有快速、无损分析的优势，因而备受关注。近红外光谱测定汽油辛烷值是石化领域研究最广泛和深入的测试项目，辛烷值与汽油组成的分子结构有很好的对应关系，例如甲基、烯键和芳烃的c-h数量增加，辛烷值则升高，亚甲基的c-h数量增加，辛烷值则降低，因此，对于同一类型的汽油(辛烷值变动范围较窄)，近红外光谱吸光度与辛烷值之间有良好的线性关系，通过偏最小二乘方法可建立实用性较强的分析模型。
4.然而，在汽油调和的过程中，不同类型的汽油组分(例如重整组分、裂化组分、烷基化组分等)的混合或mtbe等抗爆剂的添加，成品汽油的辛烷值变动范围变大，近红外光谱吸光度与辛烷值之间线性关系变弱，非线性关系增强，如果利用这些数据直接建立偏最小二乘线性分析模型，得到的模型可能会因对非线性信息的解释能力弱而导致其对辛烷值预测精度下降。对于该问题，现有的解决办法是将辛烷值范围划分为较窄的辛烷值区间，建立对应区间的偏最小二乘模型，在预测待测样品的辛烷值的过程中，通过模式识别方法选取待测样品光谱适配的偏最小二乘模型，然后利用该模型就待测样品光谱对辛烷值做出预测。不难发现，这种方法的本质是利用近红外光谱吸光度与辛烷值之间在较窄辛烷值区间具有良好的线性关系，通过分区间建模来最大程度降低宽辛烷值范围的调和汽油的近红外光谱吸光度与辛烷值之间的强非线性关系。然而，实际应用中，光谱识别和过多的模型参数通常会增加预测的时间成本以及模型的维护成本，特别是辛烷值范围很宽的工况，因而实际应用价值不高。当然，也有直接建立的基于偏最小二乘方法的宽辛烷值范围调和汽油辛烷值近红外光谱预测模型，但这种模型通常是以损失模型预测精度为代价来提高模型的稳健性，通常的预测标准偏差都在0.3以上。


技术实现要素：

5.本公开的目的是提供一种预测汽油辛烷值的方法，该方法综合考虑了调和汽油的近红外光谱吸光度与辛烷值之间的线性关系和非线性关系，具有较宽范围的辛烷值预测能力和更优的预测精度，尤其适用于辛烷值变动范围大(有强的非线性)的汽油辛烷值预测。
6.为了实现上述目的，本公开提供一种预测汽油辛烷值的方法，包括如下步骤：
7.获取多个调和汽油样品的第一近红外光谱以及每个所述调和汽油样品的标准辛
烷值；
8.获取每个所述第一近红外光谱中的特征谱区的吸光度；
9.将全部所述调和汽油样品的特征谱区吸光度以及全部所述调和汽油样品的标准辛烷值进行偏最小二乘多元回归分析，获得第一校正模型；
10.根据所述第一校正模型分别选取第f个主因子对应的光谱拟合残差矩阵和辛烷值拟合残差矩阵，将所述光谱拟合残差矩阵作为极限学习机的输入信号，将所述辛烷值拟合残差矩阵作为极限学习机的教师信号，获得第二校正模型；
11.采集待测汽油样品的第二近红外光谱；获取所述第二近红外光谱的特征谱区吸光度；
12.根据所述第二近红外光谱的特征谱区吸光度与所述第一校正模型确定第一辛烷值预测值；
13.根据所述第一校正模型选取所述待测汽油样品的第f个主因子对应的光谱拟合残差矩阵，根据所述光谱拟合残差矩阵与所述第二校正模型确定第二辛烷值预测值；
14.根据所述第一辛烷值预测值和所述第二辛烷值预测值的线性组合确定所述待测汽油的预测辛烷值。
15.可选地，所述特征谱区为5780-7700cm-1
。
16.可选地，该方法还包括：
17.根据以下式(1)或式(2)确定所述光谱拟合残差矩阵ex：
18.ex＝ex(f)-ex(f
best
)
ꢀꢀ
(1)；其中ex(f)表示第一校正模型取第f个主因子时的光谱残差矩阵，ex(f
best
)表示第一校正模型取最佳主因子f
best
时的光谱残差矩阵，其中f≤f
best
；
19.ex＝ex(f)-ex(f
best 1～n
)
ꢀꢀ
(2)；ex(f
best 1～n
)表示第一校正模型取最佳主因子f
best
后的1-n个主因子中的任意一个主因子的光谱残差矩阵，其中n为2-15中的整数；
20.可选地，所述光谱拟合残差矩阵ex的个数为一个或多个。
21.可选地，该方法还包括：
22.根据以下式(3)或式(4)确定所述辛烷值拟合残差矩阵ey：
23.ey＝ey(f)-ey(f
best
)
ꢀꢀ
(3)；其中ey(f)表示第一校正模型取第f个主因子时的辛烷值残差矩阵，ey(f
best
)表示第一校正模型取最佳主因子f
best
时的辛烷值残差矩阵，其中f≤f
best
；
24.ey＝ey(f)
ꢀꢀ
(4)；
25.可选地，所述辛烷值拟合残差矩阵ey的个数为一个或多个。
26.可选地，所述的线性组合包括：
27.将所述第一辛烷值预测值和所述第二辛烷值预测值的进行线性加和。
28.可选地，该方法还包括：
29.根据所述第二光谱拟合残差矩阵与所述第二校正模型进行多次预测，取多次预测结果的平均值作为所述第二辛烷值预测值。
30.可选地，该方法包括：
31.对每个所述第一近红外光谱进行二阶微分处理，得到第一微分光谱；
32.获取每个所述第一微分光谱中的特征谱区的第一微分吸光度；
33.将全部所述调和汽油样品的第一微分吸光度以及全部所述调和汽油样品的标准辛烷值进行所述偏最小二乘回归分析，获得所述第一校正模型。
34.可选地，该方法包括：
35.对所述第二近红外光谱进行二阶微分处理，得到第二微分光谱；
36.获取所述第二微分光谱的特征谱区吸光度；
37.根据所述第二微分光谱的特征谱区吸光度与所述第一校正模型确定所述第一辛烷值预测值。
38.可选地，所述调和汽油样品包括重整汽油、裂化汽油、烷基化汽油中的一种或多种。
39.可选地，所述二阶微分处理的窗口宽度为25。
40.通过上述技术方案，本公开提供一种预测汽油辛烷值的方法，将调和汽油样品的第一近红外光谱与标准辛烷值进行偏最小二乘多元回归分析，建立第一校正模型；然后根据第一校正模型的构建过程选取光谱拟合残差矩阵和辛烷值拟合残差矩阵，并分别作为极限学习机的输入信号和教师信号，获得第二校正模型，通过第一校正模型和第二校正模型的组合应用可以综合考虑调和汽油样品的第一近红外光谱与辛烷值之间的线性关系以及非线性关系，具有较宽范围的辛烷值预测能力，提高模型预测精度，尤其适用于辛烷值变动范围大(有强的非线性)的汽油辛烷值预测；并且本公开在第一模型构建过程中选择特征谱区吸光度与标准辛烷值进行回归分析，可以进一步提高辛烷值预测结果的精准度。
41.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
42.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
43.图1是本公开一种实施方式提供的一种预测汽油辛烷值的方法的流程示意图。
具体实施方式
44.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
45.本公开提供一种预测汽油辛烷值的方法，如图1所示，包括如下步骤s101-s108：
46.s101、获取多个调和汽油样品的第一近红外光谱以及每个所述调和汽油样品的标准辛烷值；
47.s102、获取每个所述第一近红外光谱中的特征谱区的吸光度；
48.s103、将全部所述调和汽油样品的特征谱区吸光度以及全部所述调和汽油样品的标准辛烷值进行偏最小二乘多元回归分析，获得第一校正模型；
49.s104、根据所述第一校正模型分别选取第f个主因子对应的光谱拟合残差矩阵和辛烷值拟合残差矩阵，将所述光谱拟合残差矩阵作为极限学习机的输入信号，将所述辛烷值拟合残差矩阵作为极限学习机的教师信号，获得第二校正模型；
50.s105、采集待测汽油样品的第二近红外光谱；获取所述第二近红外光谱的特征谱区吸光度；
51.s106、根据所述第二近红外光谱的特征谱区吸光度与所述第一校正模型确定第一辛烷值预测值；
52.s107、根据所述第一校正模型选取所述待测汽油样品的第f个主因子对应的光谱拟合残差矩阵，根据所述第二光谱拟合残差矩阵与所述第二校正模型确定第二辛烷值预测值；
53.s108、根据所述第一辛烷值预测值和所述第二辛烷值预测值的线性组合确定所述待测汽油的预测辛烷值。
54.本公开提供一种预测汽油辛烷值的方法，将调和汽油样品的第一近红外光谱与标准辛烷值进行偏最小二乘多元回归分析，建立第一校正模型；然后根据第一校正模型的构建过程选取光谱拟合残差矩阵和辛烷值拟合残差矩阵，并分别作为极限学习机的输入信号和教师信号，获得第二校正模型，通过第一校正模型和第二校正模型的组合应用可以综合考虑调和汽油样品的第一近红外光谱与辛烷值之间的线性关系以及非线性关系，具有较宽范围的辛烷值预测能力，提高模型预测精度，尤其适用于辛烷值变动范围大(有强的非线性)的汽油辛烷值预测；并且本公开在第一模型构建过程中选择特征谱区吸光度与标准辛烷值进行回归分析，可以进一步提高辛烷值预测结果的精准度。
55.本公开中，进行偏最小二乘多元回归分析(partial least squares regression，pls)可以采用本领域常规选择方法及软件。具体地，本公开采用交互检验法确定最佳主因子数f
best
。
56.本公开中，极限学习机(extreme learning machine,elm)是一类基于前馈神经网络(feedforward neuron network,fnn)构建的机器学习系统或方法。
57.本公开对调和汽油样品在特征谱区的吸光度与标准方法测量的标准辛烷值之间的非线性关系采用极限学习机拟合校正，其中，偏最小二乘回归的光谱拟合残差作为极限学习机(elm)的输入信号，其辛烷值拟合残差则作为教师信号(即期望的输出值，也称为监督信号)，对极限学习机进行监督学习(也称为有教师学习)，来调整elm的参数，以使elm达到对汽油样品的近红外光谱与辛烷值之间的非线性关系进行预测的性能要求。
58.具体地，本公开还可以包括对elm进行训练的过程，用以提高elm的有效性。其中训练集样品为已知标准辛烷值的汽油样品，训练集样品的个数可以根据实际需求(例如目标精度等)进行设置，本公开中的训练集样品为70个。将训练集样品的近红外光谱的特征谱曲吸光度与对应的标准辛烷值分别作为输入信号和教师信号(与本公开中构建elm校正模型的方法相同)。具体训练过程为本领域常规采用的方法。通过训练过程，确定elm模型的激活函数和隐含层的神经元个数。
59.一种具体实施方式中，极限学习机的激活函数为sig函数或sin函数；在所述激活函数为sig函数的情况下，所述极限学习机的隐含层神经元个数为600；在所述激活函数为sin函数的情况下，所述极限学习机的隐含层神经元个数为800。
60.一种实施方式中，所述特征谱区为5780-7700cm-1
。本实施方式中选择适当特征谱曲范围内的吸光度与标准辛烷值构建模型，可以提高吸光度与标准辛烷值之间的相关性，且简化模型构建过程中的计算量。
61.一种实施方式中，该方法还包括：
62.根据以下式(1)或式(2)确定所述光谱拟合残差矩阵ex：
63.ex＝ex(f)-ex(f
best
)
ꢀꢀ
(1)；其中ex(f)表示第一校正模型取第f个主因子时的光谱残差矩阵，ex(f
best
)表示第一校正模型取最佳主因子f
best
时的光谱残差矩阵，其中f≤f
best
；
64.ex＝ex(f)-ex(f
best 1～n
)
ꢀꢀ
(2)；ex(f
best 1～n
)表示第一校正模型取最佳主因子f
best
后的1-n个主因子中的任意一个主因子的光谱残差矩阵，其中n为2-15中的整数。
65.本公开中，分别采用上述式(1)和(2)得到两种光谱拟合残差矩阵，将得到的两种光谱拟合残差矩阵均用于构建第二校正模型，得到两种第二校正模型。根据两种第二校正模型的验证分析结果，例如离散程度、均方误差等，选择预测效果更好的第二校正模型对应的公式。
66.一种具体实施方式中，所述光谱拟合残差矩阵ex的个数为一个或多个。具体地，可以选择一个多个主因子f，则对应得到一个或多个光谱拟合残差矩阵ex。例如f
best
为15时，f可以为1-15中的一个或多个。
67.一种实施方式中，该方法还包括：
68.根据以下式(3)或式(4)确定所述辛烷值拟合残差矩阵ey：
69.ey＝ey(f)-ey(f
best
)
ꢀꢀ
(3)；其中ey(f)表示第一校正模型取第f个主因子时的辛烷值残差矩阵，ey(f
best
)表示第一校正模型取最佳主因子f
best
时的辛烷值残差矩阵，其中f≤f
best
；
70.ey＝ey(f)
ꢀꢀ
(4)。
71.一种具体实施方式中，所述辛烷值拟合残差矩阵ey的个数为一个或多个。本公开中，辛烷值拟合残差矩阵ey的个数与光谱拟合残差矩阵ex的个数对应。每个主因子f分别得到一组对应的光谱拟合残差矩阵ex和辛烷值拟合残差矩阵ey。
72.本公开中，上式(3)和(4)的选择方法与前述式(1)和(2)的选择方法形式，同样是根据不同公式(3)和(4)得到的第二校正模型的验证分析结果决定的。选择预测效果更好的第二校正模型对应的公式。
73.一种更具体实施方式中，本公开可以选择一个或者多个主因子，通过上式(1)或(2)以及(3)或(4)得到一组或者多组对应的光谱拟合残差矩阵e
x
和烷值拟合残差矩阵ey，将每一组e
x
和ey分别用作极限学习机的输入信号和教师信号，对极限学习机进行校正，得到第二校正模型。
74.一种具体实施方式中，本公开采用交互检验法确定所述最佳主因子数f
best
。
75.一种具体实施方式中，本公开通过以下方法选取所述第f个主因子：
76.将每一主因子对应的光谱拟合残差矩阵e
x
和烷值拟合残差矩阵ey分别用作极限学习机的输入信号和教师信号，对极限学习机进行校正，得到每一个主因子对应的第二校正模型；
77.根据第一校正模型与第二校正模型获得每一个主因子对应的汽油辛烷值预测值，并计算汽油辛烷值预测值和辛烷值真实值之间的均方误差值；选取均方误差值最小的主因子或者均方误差值趋于稳定的主因子作为上式(1)-(4)中的f。
78.具体地，可以采用网格搜索法选取上式(1)-(4)中的f。具体地，采用网格搜索法列举出所有可能的主因子f，然后一一验证，选取均方误差值最小的主因子f或者均方误差值趋于稳定的主因子f。
79.本公开中，通过均方误差值反推获得适当的主因子作为上式(1)-(4)f，可以充分比较多个主因子的光谱拟合残差矩阵e
x
和烷值拟合残差矩阵ey的模型构建结果，提高辛烷值预测精度。
80.一种实施方式中，
81.所述的线性组合包括：
82.将所述第一辛烷值预测值和所述第二辛烷值预测值的进行线性加和。
83.一种具体实施方式中，对待测样品的辛烷值y
un
的预测过程包括：
84.(1)确定第一辛烷值预测值
85.x
un
为待测样品的特征谱区吸光度，将待测样品的特征谱区吸光度输入至建立好的第一校正模型中，得到第一辛烷值预测值y1。
86.(2)确定第二辛烷值预测值
87.根据建立第二模型过程中确定的上式(1)或(2)，得到待测样品对应的第f个主因子对应的光谱拟合残差矩阵；将待测样品的光谱拟合残差矩阵输入至第二校正模型中，得到第二辛烷值预测值，y2。
88.(3)求解最终的辛烷值预测结果
89.将第一辛烷值预测值和第二辛烷值预测值进行线性加和，得到最终的辛烷值预测值y
un
，即y
un
＝y1 y2。
90.一种实施方式中，该方法还包括：根据所述第二光谱拟合残差矩阵与所述第二校正模型进行多次预测，取多次预测结果的平均值作为所述第二辛烷值预测值。避免误差，提高预测结果准确度。
91.一种实施方式中，该方法还包括：
92.对每个所述第一近红外光谱进行二阶微分处理，得到第一微分光谱；
93.获取每个所述微分光谱中的特征谱区的第一微分吸光度；
94.将全部所述调和汽油样品的第一微分吸光度以及全部所述调和汽油样品的标准辛烷值进行回归分析，获得所述第一校正模型。
95.一种实施方式中，该方法还包括：
96.对所述第二近红外光谱进行二阶微分处理，得到第二微分光谱；
97.获取所述第二微分光谱的特征谱区吸光度；
98.根据所述第二微分光谱的特征谱区吸光度与所述第一校正模型确定所述第一辛烷值预测值。
99.本公开通过对第一近红外光谱或者第二近红外光谱进行二阶微分处理，可以消除光谱的基线偏移、漂移和背景的干扰。
100.一种具体实施方式中，所述二阶微分处理的窗口宽度为25。本公开中，二阶微分处理方法可以采用savitzky-golay(s-g)进行求导。
101.一种实施方式中，所述调和汽油样品包括重整汽油、裂化汽油、烷基化汽油中的一种或多种。
102.本公开中，通过数量较少的调和汽油样品即可构建预测结果较为精准的第一模型和第二模型，例如调和汽油样品的数量为70个。
103.一种具体实施方式中，调和汽油样品可以为不同类型的汽油样品，样品数量至少
为100个，以进一步提高所建模型的准确性和可靠性。
104.一种具体实施方式中，近红外光谱检测条件包括：扫描范围为4000-10000cm-1
。本公开中，可根据模型构建精度或仪器精度对分辨率进行选择，例如分辨率为4cm-1
、8cm-1
等。
105.本公开中，所述标准辛烷值采用本领域常规选择的方法进行测试，例如根据标准方法gb/t5487进行测试。
106.本公开中，将汽油样品划分为校正集样品以及测试集样品，其中校正集样品用于模型构建，测试集样品用于对构建的模型的预测值与实际值进行验证。本公开中可以采用数量较多的要求校正集样本，且具有良好的代表性，即校正集样品的辛烷值能够涵盖所有预测定汽油样品的辛烷值，以使建立的模型具有良好的泛化能力。优选地，校正集样本数量占总体样本数量的2/3-3/4为宜，剩余的1/3-1/4作为测试集样本。优选地，采用的校正集与测试集样本的分布规律近似相同。
107.下面通过实例进一步详细说明本发明，但本发明并不限于此。
108.在以下实施例和对比例中，对校正集样品和测试集样品进行近红外光谱测试的测试条件相同。
109.实施例1
110.(1)用标准方法测定原油辛烷值
111.收集某厂调和成品汽油样本459个，用gb/t5487方法测定其研究法辛烷值(ron)(作为标准辛烷值)。选取有代表性的成品汽油样本100个作为调和汽油样品，并组成校正集，剩余的样品作为测试集，校正集与测试集的样品数量比为7:3。
112.(2)构建第一校正模型和第二校正模型
113.对全部校正集样品进行近红外光谱检测，获得全部校正集样品的第一近红外光谱，其中，近红外光谱仪的扫描范围为4000-10000cm-1
，分辨率为8cm-1
，扫描间隔设定为4cm-1
。
114.将每个校正集样品的第一近红外光谱进行窗口宽度为25的二阶微分处理，得到第一微分光谱。
115.对每个第一微分光谱选取5780-7700cm-1
谱区内的吸光度，将全部校正集样品的5780-7700cm-1
谱区内的吸光度组成吸光度矩阵x，将步骤(1)中测定的全部校正集样品的标准辛烷值组成辛烷值矩阵y。
116.将吸光度矩阵x与辛烷值矩阵y进行偏最小二乘多元回归分析(pls回归分析)，获得线性拟合的第一校正模型。
117.在pls回归分析过程中确定全部主因子，并采用交互检验法确定最佳主因子数f
best
。将每一个主因子(f)对应的光谱拟合残差矩阵和辛烷值拟合残差矩阵分别作为极限学习机的输入信号和教师信号，获得每一个主因子(f)对应的第二校正模型。其中每一个主因子(f)对应的光谱拟合残差根据式(2)确定：ex＝ex(f)-ex(f
best 1～n
)
ꢀꢀ
(2)，其中f
best 1～n
取f
best 1
，本实施例1中f
best
为第11个主因子数，则f
best 1
为第12个主因子数。每一个主因子(f)对应的辛烷值拟合残差矩阵根据式(4)确定：ey＝ey(f)
ꢀꢀ
(4)，即直接采用第f个主因子对应的辛烷值残差矩阵。
118.采用测试集样品对第一校正模型和每一个主因子对应的第二校正模型进行验证，具体过程与以下步骤(3)相同。获得第一校正模型和每一个主因子对应的第二校正模型对
应的均方误差值，选取均方误差值最小的主因子作为构建第二校正模型的主因子数。这一过程采用全局搜索算法。
119.本实施例中选取的主因子数为7。
120.根据上式(2)计算得到光谱拟合残差矩阵(e
x
＝e
x(7)-e
x(12)
)，根据式(4)得到辛烷值拟合残差矩阵(ey＝e
y(7)
)；然后将所述光谱拟合残差矩阵和所述辛烷值拟合残差矩阵分别作为极限学习机的输入信号和教师信号，利用elm算法对光谱拟合残差矩阵和辛烷值拟合残差矩阵进行非线性校正，获得非线性拟合的第二校正模型。本实施例中采用的elm算法为预先训练好的elm算法，该elm算法参数列于下表1。
121.(3)采用测试集样品对第一校正模型和第二校正模型的预测结果进行验证(将第一校正模型和第二校正模型整体记为“pls-elm”)。
122.对每一个测试集样品：进行近红外光谱测试，得到第二近红外光谱，经窗口宽度为25的二阶微分处理后，得到第二微分光谱；截取第二微分光谱中波数为5780-7700cm-1
谱区的吸光度，作为待测吸光度；将待测吸光度输入第一校正模型中，得到第一辛烷值预测值；并根据第一校正模型选取测试集样品第7个主因子对应的光谱拟合残差矩阵，采用下式(2)计算得到所述二光谱拟合残差矩阵：ex
um
＝ex
um
(7)-ex
um
(f
12
)
ꢀꢀ
(2)；将第二光谱拟合残差矩阵输入第二校正模型，得到第二辛烷值预测值(重复预测100次，取100次的平均值作为第二辛烷值预测值)；将第一辛烷值预测值和得到第二辛烷值预测值进行线性相加，即得到每一个测试集样品的汽油辛烷值预测值。
123.建立模型的所用的相关统计参数见表1，测试集样品的辛烷值预测值与gb/t5487方法测定标准辛烷值比较结果见表2(以30个数据为例)。
124.其中，相关统计参数的计算公式分别为下式(5)和(6)：
[0125][0125][0126]
其中，为第i个测试集样品的预测值，yi(i＝1,2,
…
,n)第i个样品的真实值(标准辛烷值)，n为测试集样品数。计算结果见表1。
[0127]
表1
[0128]
[0129][0130]
表2
[0131][0132]
其中，偏差＝预测值-实际值。
[0133]
实施例2
[0134]
按实施例1的方法建立第一校正模型和第二校正模型并进行验证，不同的是在建立第二校正模型的过程中，选取的辛烷值拟合残差修改为第f个主因子时的辛烷值残差减去最佳主因子f
best
时的辛烷值残差所得的残差矩阵，即ey＝e
y(7)-e
y(11)
。校正集和测试集的
相关统计参数见表3，测试集样品预测值与gb/t5487方法测定值的比较结果见表4。本实施例中采用的elm算法为预先训练好的elm算法，该elm算法参数列于下表3。
[0135]
表3
[0136][0137]
表4
[0138]
[0139][0140]
对比例1
[0141]
与实施例1的不同之处在于：仅进行第一步的偏最小二乘回归分析(pls)构建第一校正模型，不进行构建第二校正模型的步骤，并在最佳主因子f
best
的条件下使用模型进行预测。校正集和测试集的相关统计参数见表5，测试集样品预测值与gb/t5487方法测定值的比较结果见表6。
[0142]
表5
[0143][0144]
表6
[0145][0146]
对比例2
[0147]
与实施例1的不同之处在于：单独采用极限学习机(elm)算法建立校正模型，本实施例中采用的elm算法为预先训练好的elm算法，该elm算法参数列于下表7。并在最优参数条件下使用模型进行预测。校正集和测试集的相关统计参数见表7，测试集样品预测值与gb/t5487方法测定值的比较结果见表8。
[0148]
表7
[0149]
[0150][0151]
表8
[0152][0153]
根据以上实施例1-2和对比例1-2相关数据可知，采用本公开提供的方法得到的汽油辛烷值预测模型的均方误差更小，说明与单独的线性偏最小二乘汽油辛烷值预测方法(对比例1)和单独的非线性极限学习机汽油辛烷值预测方法(对比例2)相比，本公开提供的
方法对汽油辛烷值具有更优的预测精度；并且本公开得到的汽油辛烷值预测模型的r2更大，说明本技术构建的模型的吸光度对于辛烷值的解释性更好，更具实用性。
[0154]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0155]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0156]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。