李茂剛 閆春華 薛佳 張?zhí)忑? 李華
摘?要?建立了一種基于近紅外光譜(Near infrared spectroscopy,NIR)結(jié)合小波變換-隨機(jī)森林(Wavelet transform-Random forest,WT-RF)的用于甲醇汽油中甲醇含量快速定量分析的方法。采用傅里葉變換紅外光譜儀采集54個(gè)甲醇汽油樣品的光譜,并進(jìn)行光譜解析;探究不同光譜預(yù)處理方法對(duì)樣品NIR光譜的處理效果,重點(diǎn)探究基于不同小波基函數(shù)與小波分解層數(shù)的小波變換(Wavelet transform,WT)光譜預(yù)處理效果,并通過(guò)優(yōu)化變量重要性閾值篩選隨機(jī)森林RF校正模型的輸入變量;基于優(yōu)化后的參數(shù)及輸入變量,構(gòu)建了甲醇汽油NIR光譜的WT-RF模型。為了進(jìn)一步驗(yàn)證此模型的預(yù)測(cè)性能,將其與小波變換-偏最小二乘校正模型(Wavelet transform-Partial least squares,WT-PLS)和小波變換-最小二乘支持向量機(jī)校正模型(Wavelet transform-Least square support vector machine,WT-LSSVM)進(jìn)行對(duì)比。結(jié)果表明,WT-RF校正模型具有最佳的預(yù)測(cè)性能,其交叉驗(yàn)證決定系數(shù)(Coefficient of determination of cross-validation,R2cv)和均方根誤差(Root mean square error of cross-validation,RMSECV)分別是0.9990和0.0044%,預(yù)測(cè)集決定系數(shù)(Coefficient of determination of prediction set,R2p)和均方根誤差(Root mean square error of prediction set,RMSEP)分別為0.9885和0.0191%。研究結(jié)果表明,NIR光譜結(jié)合WT-RF算法是一種快速準(zhǔn)確定量分析甲醇汽油中甲醇含量的方法。
關(guān)鍵詞?近紅外光譜; 甲醇汽油; 小波變換; 隨機(jī)森林
1?引 言
隨著汽車(chē)產(chǎn)業(yè)的飛速發(fā)展,石油資源開(kāi)采速度不斷加快[1,2]。石油資源的過(guò)度開(kāi)發(fā)利用已帶來(lái)諸多環(huán)境問(wèn)題,如氣候變暖、水土資源污染、大氣復(fù)合污染等。針對(duì)這些問(wèn)題,近年不斷出現(xiàn)新型化石燃料替代物,其中以醇類(lèi)汽油、天然氣、生物柴油、醇類(lèi)燃料最為突出[3]。甲醇汽油[4~6]是以一定比例將傳統(tǒng)汽油與甲醇進(jìn)行摻混而形成,具有諸多優(yōu)勢(shì),如甲醇價(jià)格低廉、產(chǎn)量大、較高的辛烷值及較低的尾氣排放量等。然而,甲醇熱值約為傳統(tǒng)汽油的1/2,過(guò)量摻入甲醇將導(dǎo)致發(fā)動(dòng)機(jī)動(dòng)力輸出不足; 甲醇熱穩(wěn)定性差,高標(biāo)號(hào)甲醇汽油將會(huì)對(duì)汽車(chē)內(nèi)部件產(chǎn)生一定損壞[7]。因此,甲醇汽油中甲醇含量快速定量分析對(duì)于甲醇汽油品質(zhì)檢測(cè)具有重要意義。
目前,甲醇汽油中甲醇含量檢測(cè)方法主要以色譜法和質(zhì)譜法為主。然而,這些方法存在樣品前處理復(fù)雜、檢測(cè)耗時(shí)長(zhǎng)且無(wú)法在線分析等缺陷[8]。近紅外光譜(Near infrared spectroscopy,NIR)是基于近紅外光,一種介于可見(jiàn)光與中紅外光譜之間的電磁波,對(duì)樣品進(jìn)行檢測(cè),可得到樣品分子含氫基團(tuán)的特征信息。相較于色譜等方法,NIR具有檢測(cè)速度快、樣品無(wú)損或微損及可實(shí)時(shí)在線分析等優(yōu)勢(shì)[9,10],近年來(lái),被普遍應(yīng)用于石化、藥品、食品等有機(jī)過(guò)程分析中[11~16]。NIR在油品定量分析中已有報(bào)道,歐陽(yáng)愛(ài)國(guó)等[17]利用近紅外光譜技術(shù)對(duì)甲醇柴油中甲醇含量進(jìn)行定量分析,預(yù)測(cè)集決定系數(shù)(Coefficient of determination of prediction set,R2p)和均方根誤差(Root mean square error of prediction set,RMSEP)分別為0.9989和0.0624,表明近紅外光譜可很好地應(yīng)用于甲醇柴油品質(zhì)檢測(cè)。
目前,應(yīng)用于甲醇汽油近紅外光譜定量分析的算法主要有偏最小二乘(Partial least squares,PLS)、主成分分析(Principal component analysis,PCA)及支持向量機(jī)(Support vector machine,SVM)等,這些算法對(duì)校正集要求較高,具有預(yù)測(cè)結(jié)果較差、建模時(shí)間長(zhǎng),可能過(guò)擬合等缺陷[18~20]。隨機(jī)森林(Random forest,RF)[21~23]是一種新的非線性數(shù)據(jù)處理算法,具有諸多優(yōu)點(diǎn),如極高的準(zhǔn)確率、不易出現(xiàn)過(guò)擬合及很好的抗噪能力等,通常被用于解決分類(lèi)、回歸等問(wèn)題。它可以克服傳統(tǒng)線性回歸算法存在的精度低、擬合量大等缺點(diǎn),已成功應(yīng)用于近紅外光譜處理[24]。對(duì)NIR光譜進(jìn)行建模時(shí),需對(duì)原始光譜進(jìn)行預(yù)處理,以減少光譜采集過(guò)程中環(huán)境噪聲、儀器噪聲及操作誤差等造成的干擾[25]。近紅外光譜預(yù)處理方法主要包括標(biāo)準(zhǔn)正態(tài)變換(Standard normal variation,SNV)、多元散射校正(Multivariate scattering correction,MSC)、小波變換(Wavelet transform,WT)等[26,27]。WT是一種優(yōu)于傅里葉變換的信號(hào)處理方法[28,29],能夠提供一種在“時(shí)間-頻率”上同時(shí)分析數(shù)據(jù)局部特征的數(shù)學(xué)方法,非常適于光譜數(shù)據(jù)平滑去噪和特征提取。Chalus等[30]利用小波變換結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)藥品片劑的近紅外光譜數(shù)據(jù)進(jìn)行計(jì)算,獲得的相關(guān)系數(shù)>0.9960,表明小波變換應(yīng)用于藥品片劑近紅外光譜預(yù)處理的效果良好。
本研究考察了基于小波變換-隨機(jī)森林算法的甲醇汽油近紅外光譜校正模型的可行性。首先,使用傅里葉變換紅外光譜儀對(duì)54組甲醇汽油樣品進(jìn)行光譜采集,并進(jìn)行光譜解析; 其次,探究不同光譜預(yù)處理方法對(duì)甲醇汽油NIR光譜的處理效果,重點(diǎn)探究基于不同小波基函數(shù)與小波分解層數(shù)的小波變換光譜預(yù)處理效果,尋求最優(yōu)的光譜預(yù)處理方法; 再次,以小波變換處理后的光譜數(shù)據(jù)作為輸入變量,構(gòu)建隨機(jī)森林校正模型,并探究變量重要性閾值對(duì)RF校正模型預(yù)測(cè)性能的影響,得到最優(yōu)變量重要性閾值; 最后,基于優(yōu)化后的參數(shù)及輸入變量構(gòu)建了甲醇汽油近紅外光譜的WT-RF校正模型,為了進(jìn)一步驗(yàn)證此模型預(yù)測(cè)性能,將其與WT-PLS校正模型及WT-LSSVM校正模型的預(yù)測(cè)性能進(jìn)行對(duì)比,獲得一種適用于甲醇汽油中甲醇含量的快速定量分析模型。
2?實(shí)驗(yàn)部分
2.1?樣品制備
本實(shí)驗(yàn)共計(jì)有54個(gè)不同濃度的甲醇汽油樣品,其中1~49號(hào)樣品是將甲醇與汽油以一定比例進(jìn)行摻混制備而成的,50~52號(hào)樣品是將甲醇、乙醇及汽油以一定比例進(jìn)行摻混制備而成的,53和54號(hào)樣品分別為市售M10和M15甲醇汽油。所用汽油來(lái)自陜西西安某加油站,牌號(hào)為98#; 甲醇(分析純,>99.7%,天津市富宇精細(xì)化工有限公司); 乙醇(分析純,>99.7%,天津天力化學(xué)試劑有限公司)。樣品中甲醇體積分?jǐn)?shù)如表1所示。由于甲醇可以很好地與汽油互溶,因此無(wú)需加入其它助溶劑促進(jìn)混合。將配制好的甲醇汽油樣品在4℃環(huán)境下保存待測(cè)。
2.2?光譜采集
使用傅里葉變換紅外光譜儀(VERTEX 70,德國(guó)Bruker公司)采集甲醇汽油樣品近紅外光譜,儀器配有OPUS 6.5光譜軟件。采集樣品光譜時(shí),儀器參數(shù)設(shè)置:光譜范圍4000~12000 cm1,掃描次數(shù)32次,分辨率8 cm1,分束器選用CaF2,時(shí)間間隔設(shè)置為10 s。設(shè)置參數(shù)后,儀器預(yù)熱30 min,開(kāi)始檢測(cè)。環(huán)境溫度約為18℃,以空氣為參考,檢測(cè)并扣除背景光譜。使用5 mm石英比色皿進(jìn)行光譜檢測(cè)。為了減少光譜采集過(guò)程中的實(shí)驗(yàn)誤差,檢測(cè)時(shí),每個(gè)樣品分別采集25條光譜,每5條光譜求平均值,54個(gè)甲醇汽油樣品共計(jì)獲得270條光譜(每個(gè)樣品收集5條光譜)。
2.3?隨機(jī)森林校正模型構(gòu)建及輸入變量?jī)?yōu)化
在機(jī)器學(xué)習(xí)中,隨機(jī)森林是由Leo Breiman和Adele Cutler開(kāi)發(fā)的一種對(duì)決策樹(shù)進(jìn)行集成,從而構(gòu)造一種統(tǒng)計(jì)學(xué)估計(jì),用以構(gòu)建預(yù)測(cè)模型的統(tǒng)計(jì)學(xué)習(xí)理論[23]。 本研究將校正集甲醇汽油近紅外光譜強(qiáng)度與甲醇汽油樣品中甲醇含量結(jié)合起來(lái),構(gòu)建隨機(jī)森林校正模型,將所有回歸樹(shù)輸出進(jìn)行收集,用于預(yù)測(cè)集甲醇含量的預(yù)測(cè)。通常,隨機(jī)森林校正模型的構(gòu)建可以概述為:(1)從甲醇汽油近紅外光譜校正集中使用Bootstraping方法有放回地選出m個(gè)樣本,共計(jì)進(jìn)行ntree次采樣,形成ntree個(gè)校正集,分別訓(xùn)練ntree個(gè)決策樹(shù)模型; (2)對(duì)于每個(gè)決策樹(shù)模型,從隨機(jī)選擇的mtry特征子集中選擇最佳分裂,分裂過(guò)程中不需要對(duì)決策樹(shù)修剪,當(dāng)每棵樹(shù)在相應(yīng)節(jié)點(diǎn)處所有訓(xùn)練樣本都屬于同一類(lèi)時(shí)停止分裂; (3)將ntree棵決策樹(shù)的結(jié)果組成隨機(jī)森林,用于新數(shù)據(jù)預(yù)測(cè)。ntree(決策樹(shù)數(shù)量)和mtry(決策樹(shù)節(jié)點(diǎn)樹(shù)數(shù)量)是隨機(jī)森林算法的兩個(gè)核心參數(shù),本研究中ntree選擇模型默認(rèn)值500。假設(shè)校正集中有M個(gè)屬性值(波數(shù)),隨機(jī)選擇mtry作為決策樹(shù)中每個(gè)內(nèi)部節(jié)點(diǎn)之間的候選屬性值,最終以每棵單獨(dú)樹(shù)預(yù)測(cè)結(jié)果的平均值作為預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果。
通過(guò)隨機(jī)森林校正模型可以計(jì)算輸入變量的重要性,變量重要性越高,則隨機(jī)森林校正模型預(yù)測(cè)性能越好[31]?;谧兞恐匾缘碾S機(jī)森林校正模型構(gòu)建可概述為:(1)將甲醇汽油近紅外光譜劃分為預(yù)測(cè)集和校正集,構(gòu)建初始隨機(jī)森林校正模型; (2)計(jì)算輸入變量的變量重要性; (3)設(shè)置變量重要性閾值,若輸入變量中含有低于此閾值的變量則刪去這部分變量,然后使用剩余變量重新構(gòu)建隨機(jī)森林校正模型; (4)重復(fù)步驟3,直到獲得具有較好預(yù)測(cè)性能的模型。隨機(jī)森林校正模型構(gòu)建時(shí),以表1中1~49號(hào)樣品中帶*號(hào)樣品作為預(yù)測(cè)集,其余樣品作為校正集,50~54號(hào)樣品用于此模型的外部驗(yàn)證; 以RF校正模型的交叉驗(yàn)證(通過(guò)袋外誤差估計(jì)計(jì)算)決定系數(shù)(Coefficient of determination of cross-validation,R2cv)和均方根誤差(Root mean square error of cross-validation,RMSECV)及預(yù)測(cè)集決定系數(shù)(Coefficient of determination of prediction set,R2p)和均方根誤差(Root mean square error of prediction set,RMSEP)作為模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)。
3?結(jié)果與討論
3.1?甲醇汽油近紅外光譜解析
圖1所示為54組甲醇汽油樣品的近紅外光譜。在7800~9000 cm1波數(shù)范圍內(nèi)吸收峰為大多數(shù)碳水化合物與醇類(lèi)中CH鍵的二階倍頻,在6500~7500 cm1波數(shù)范圍內(nèi)吸收峰為CH+CH鍵的一階倍頻及CH+CC鍵的一階倍頻的組合頻,6000~7200 cm1波數(shù)范圍內(nèi)的吸收峰為醇類(lèi)(甲醇)OH鍵的一階倍頻[32]。從圖1可見(jiàn),甲醇汽油近紅外光譜存在較為明顯的基線漂移,及由于雜散光等因素干擾而引起的光譜不平滑等問(wèn)題,因此在進(jìn)行建模分析之前,需要使用光譜預(yù)處理方法解決甲醇汽油原始近紅外光譜存在的缺陷,才能確保定量分析的準(zhǔn)確性。
3.2?甲醇汽油近紅外光譜預(yù)處理方法對(duì)比
目前,應(yīng)用于近紅外光譜預(yù)處理的方法有多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變換(SNV)、歸一化(Normalization)、一階導(dǎo)數(shù)法(First derivative,D1st)及小波變換(WT)等。多元散射校正常用于改善樣品光譜的基線漂移現(xiàn)象; 標(biāo)準(zhǔn)正態(tài)變換常用于校正因散射而引發(fā)的光譜誤差; 歸一化常用于改善因光程變化或樣品稀釋給光譜帶來(lái)的影響; 一階導(dǎo)數(shù)法常用于消除背景的常數(shù)平移; 小波變換具有多分辨特征,選擇適當(dāng)?shù)男〔ɑ瘮?shù)可以實(shí)現(xiàn)對(duì)高頻非穩(wěn)定信號(hào)的時(shí)域和頻域同時(shí)表征。本研究將上述5種光譜預(yù)處理方法分別應(yīng)用于甲醇汽油近紅外光譜的預(yù)處理,以預(yù)處理后的光譜數(shù)據(jù)作為輸入變量構(gòu)建RF校正模型。表2所示為不同光譜預(yù)處理方法的RF校正模型預(yù)測(cè)性能(最佳參數(shù)設(shè)置時(shí)模型預(yù)測(cè)性能)。由表2可知,直接使用甲醇汽油原始近紅外光譜進(jìn)行RF校正模型構(gòu)建,其交叉驗(yàn)證R2cv和RMSECV分別為0.9899和0.0136%,預(yù)測(cè)集R2p和RMSEP分別為0.9608和0.0281%; 使用歸一化(Normalization)處理后的光譜構(gòu)建RF校正模型時(shí),其交叉驗(yàn)證和預(yù)測(cè)集預(yù)測(cè)的結(jié)果都下降; 使用多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變換(SNV)及一階導(dǎo)數(shù)法(D1st)處理后的近紅外光譜構(gòu)建RF校正模型時(shí),交叉驗(yàn)證結(jié)果都獲得了一定的提升,但是預(yù)測(cè)集的預(yù)測(cè)性能下降; 使用小波變換(WT)處理后的光譜構(gòu)建RF模型時(shí),其模型的交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%,預(yù)測(cè)集R2p和RMSEP分別為0.9879和0.0196%。結(jié)果表明,小波變換作為一種甲醇汽油近紅外光譜預(yù)處理方法非常有效。
當(dāng)小波變換用作甲醇汽油近紅外光譜數(shù)據(jù)預(yù)處理時(shí),為了獲得更好的預(yù)處理效果,需要選擇合適的小波基函數(shù)和小波分解層數(shù)。常用的小波基函數(shù)有Haar、Symlets(symN)及Daubechies(dbN)等[33],dbN小波基函數(shù)是由Lurid Daubechies構(gòu)造的小波函數(shù),可提供更有效的分析效果。因此,重點(diǎn)探究了基于不同db小波基函數(shù)(db1、db2、db3、db4和db5)和小波分解層數(shù)(1~7)的小波變換對(duì)甲醇汽油近紅外光譜的預(yù)處理效果。圖2為不同小波基函數(shù)(db1、db2、db3、db4和db5)和小波分解層數(shù)(1~7)與WT-RF校正模型預(yù)測(cè)性能(預(yù)測(cè)集R2p和RMSEP)之間的關(guān)系。從圖2可見(jiàn),當(dāng)小波基函數(shù)為db5且小波分解層數(shù)為4時(shí),WT-RF校正模型可獲得最佳的分析效果,其預(yù)測(cè)集R2p和RMSEP分別為0.9879和0.0196%。因此,本研究以優(yōu)化后的小波變換(小波基函數(shù)為db5,小波分解層數(shù)為4)作為甲醇汽油原始近紅外光譜的預(yù)處理方法。
3.3?甲醇汽油近紅外光譜WT-RF校正模型輸入變量的選擇與優(yōu)化
使用甲醇汽油近紅外光譜結(jié)合WT-RF算法對(duì)甲醇汽油進(jìn)行定量分析時(shí),變量過(guò)多,會(huì)導(dǎo)致建模數(shù)據(jù)量過(guò)大,從而增加運(yùn)算時(shí)間,同時(shí)有可能帶入無(wú)效信息,降低模型分析準(zhǔn)確度; 變量過(guò)少,會(huì)導(dǎo)致甲醇汽油樣品光譜有效信息無(wú)法充分利用,也會(huì)降低模型定量分析準(zhǔn)確度。因此,建模時(shí)對(duì)輸入變量進(jìn)行篩選是必不可少的步驟。
圖3所示為WT-RF校正模型的變量重要性與近紅外光譜之間的關(guān)系。變量重要性是評(píng)價(jià)WT-RF校正模型構(gòu)建時(shí)不同輸入變量的貢獻(xiàn)度,其值越高,表明這部分變量在構(gòu)建WT-RF校正模型時(shí)貢獻(xiàn)度越高,反之表明這部分變量在模型構(gòu)建時(shí)貢獻(xiàn)度越低。從圖3可見(jiàn),構(gòu)建甲醇汽油近紅外光譜的WT-RF校正模型,有許多變量的重要性均為0,表明這些變量對(duì)于WT-RF校正模型的貢獻(xiàn)度為0。因此,可以通過(guò)對(duì)這些變量進(jìn)行篩選從而優(yōu)化WT-RF校正模型的預(yù)測(cè)性能。表3和圖4所示為不同變量重要性閾值條件時(shí)WT-RF校正模型的預(yù)測(cè)性能。結(jié)合表3和圖4可知,隨著變量重要性閾值的不斷增大,WT-RF校正模型的交叉驗(yàn)證結(jié)果變化較小,而對(duì)于預(yù)測(cè)集的預(yù)測(cè)結(jié)果呈現(xiàn)出一種先上升后降低的趨勢(shì),mtry值及建模時(shí)間在不斷減小。由此可得,當(dāng)閾值設(shè)置為0.0002時(shí),WT-RF校正模型對(duì)于甲醇汽油中甲醇含量具有最佳的分析性能。此時(shí),WT-RF校正模型的特征子集mtry數(shù)從734減少為133; 建模時(shí)間從15.73 s縮短為3.38 s; 交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%; 預(yù)測(cè)集R2p從0.9879增加至0.9885; RMSEP從0.0196%減少到0.0191%。因此,本研究以0.0002作為變量重要性閾值進(jìn)行甲醇汽油近紅外光譜WT-RF校正模型的構(gòu)建。
3.4?3種校正模型預(yù)測(cè)性能比較
為了驗(yàn)證WT-RF校正模型的預(yù)測(cè)性能與其它校正模型之間的差異,分別構(gòu)建了甲醇汽油近紅外光譜的小波變換-偏最小二乘校正模型(Wavelet transform-Partial least squares,WT-PLS)和小波變換-最小二乘支持向量機(jī)校正模型(Wavelet transform-Least square support vector machine,WT-LSSVM)。在構(gòu)建WT-PLS校正模型時(shí),采用五折交叉驗(yàn)證對(duì)其潛變量進(jìn)行優(yōu)化,確定最優(yōu)潛變量為10。在構(gòu)建WT-LSSVM校正模型時(shí),選擇RBF函數(shù)為核函數(shù),采用五折交叉驗(yàn)證和網(wǎng)格搜索對(duì)γ和2進(jìn)行優(yōu)化,重復(fù)迭代50次,優(yōu)化后的γ和2分別為3135.4523和826.3216。
表4、表5及圖5為3種不同校正模型對(duì)甲醇汽油的甲醇含量預(yù)測(cè)性能的對(duì)比。結(jié)合表4和圖5可知3種模型對(duì)校正集和預(yù)測(cè)集的預(yù)測(cè)結(jié)果,其中WT-RF模型的預(yù)測(cè)性能最好,其交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%,預(yù)測(cè)集R2p和RMSEP分別為0.9885和0.0191%。通過(guò)對(duì)比表5中3種模型對(duì)于樣品9和50、22和51、38和52的預(yù)測(cè)性能可知,乙醇的摻入導(dǎo)致3種模型對(duì)于甲醇含量的預(yù)測(cè)性能下降。通過(guò)對(duì)比表5中3種模型對(duì)于甲醇汽油、摻入乙醇的甲醇汽油及兩種實(shí)際甲醇汽油樣品中甲醇含量的預(yù)測(cè)結(jié)果,其中WT-RF校正模型預(yù)測(cè)性能均優(yōu)于WT-PLS和WT-LSSVM校正模型,其預(yù)測(cè)平均相對(duì)誤差(MRE)為0.34,此結(jié)果優(yōu)于國(guó)家標(biāo)準(zhǔn)[6]中的允許誤差(0.4)。由此可見(jiàn),近紅外光譜結(jié)合WT-RF算法可以很好地實(shí)現(xiàn)甲醇汽油中甲醇含量的定量分析。
4?結(jié) 論
將小波變換結(jié)合隨機(jī)森林算法應(yīng)用于甲醇汽油中甲醇含量的快速定量分析。采用傅里葉變換紅外光譜儀對(duì)54組甲醇汽油的NIR光譜進(jìn)行采集; 比較了五種不同光譜預(yù)處理方法(MSC、SNV、D1st、Normolization、WT)對(duì)甲醇汽油樣品NIR光譜進(jìn)行處理,最終選擇小波變換(WT)作為甲醇汽油NIR光譜預(yù)處理方法; 然后,對(duì)甲醇汽油NIR光譜的WT-RF校正模型進(jìn)行輸入變量?jī)?yōu)化,比較了不同變量重要性閾值對(duì)模型預(yù)測(cè)性能的影響; 為了進(jìn)一步探究WT-RF校正模型的預(yù)測(cè)性能,將甲醇汽油近紅外光譜的WT-RF校正模型與WT-PLS校正模型、WT-LSSVM校正模型進(jìn)行比較,結(jié)果表明,WT-RF校正模型具有最好的預(yù)測(cè)性能,其交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%,預(yù)測(cè)集R2p和RMSEP分別為0.9885和0.0191%。研究表明,WT-RF可準(zhǔn)確快速地對(duì)甲醇汽油中甲醇含量進(jìn)行定量分析,本方法為甲醇汽油品質(zhì)檢測(cè)及石油化工等領(lǐng)域中其它指標(biāo)分析提供了理論基礎(chǔ)與技術(shù)支撐。
References
1?Shan Y L,Guan D B,Meng J,Liu Z,Schroeder H,Liu J H,Mi Z F. Appl. Energ.,2018,226: 494-502
2?Masum B M,Masjuki H H,Kalam M A,Rizwanul Fattah I M. Rene. Sust. Energ. Rev.,2013,24: 209-222
3?Maldonado M,Barreiro P,Gutierrez R,Vergara G. Fuel Processing Technol.,2018,171: 287-292
4?Jeczmionek L,Danek B,Paluchowska M,Krasodomski W. Energ. Fuel,2017,31(1): 504-513
5?Sharma N,Agarwal A K. Energ. Fuel.,2017,31(4): 4155-4164
6?GB/T 31776-2015,Determination Method of Methanol Content in Methanol Gasoline for Motor Vehicles. National Standards of the?People's Republic of China
車(chē)用甲醇汽油中甲醇含量檢測(cè)方法. 中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn). GB/T 31776-2015
7?Agarwal A K,Shukla P C,Gupta J G,Patel C,Prasad R K,Sharma N. Appl. Energ.,2015,154: 732-741
8?Pasquini C. Anal. Chim. Acta,2018:?1062: 8-36
9?CHU Xiao-Li,LU Wan-Zhen. Spectrosc. Spect. Anal.,?2014,34(10): 2595-2605
褚小立,陸婉珍. 光譜學(xué)與光譜分析,2014,34(10): 2595-2605
10?Sajdak M,Kotyczka-Moranska M. Biomass Bioenerg.,2018,112: 99-109
11?Maria-Teresa S,Torres I,Maria-Jose D,Chamorro A,Varo A G,Marin D P. J. Sci. Food Agric.,2019,99: 1613-1622
12?MO Xin-Xin,SUN Tong,LIU Mu-Hua,YE Zhen-Nan. Chinese J. Anal. Chem.,2017,45(11): 1694-1702
莫欣欣,孫 通,劉木華,葉振南. 分析化學(xué),2017,45(11): 1694-1702
13?Braz C E M,Jacinto M A C,Pereira-Filho E R,Souza G B,Nogueira A R A. Spectrochim. Acta A,2018,202: 182-186
14?XIE Yue,LI Fei-Yue,F(xiàn)AN Xing-Jun,HU Shui-Jin,XIAO Xin,WANG Jian-Fei. Chinese J. Anal. Chem.,2018,46(4): 609-615
謝 越,李飛躍,范行軍,胡水金,肖 新,汪建飛. 分析化學(xué),2018,46(4): 609-615
15?ZENG Yun-Long,ZHAO Min,ZHANG Min,YIShou-Jun,TANG Chun-Ran,XIA Xiao-Dong,HE Chao-Cai. Chin. J. Lumin.,2019,40(1): 115-121
曾云龍,趙 敏,張 敏,易守軍,唐春然,夏曉東,賀超才. 發(fā)光學(xué)報(bào),2019,40(1): 115-121
16?ZHU Xue-Wei,CUI Xiao-Yu,CAI Wen-Sheng,SHAO Xue-Guang. Acta Chim. Sinica,2018,76(4): 69-73
朱雪薇,崔曉宇,蔡文生,邵學(xué)廣. 化學(xué)學(xué)報(bào),2018,76(4): 69-73
17?OUYANG Ai-Guo,HUANG Zhi-Hong,LIU Yan-De. Spectrosc. Spect. Anal.,2017,37(04): 1118-1122
歐陽(yáng)愛(ài)國(guó),黃志鴻,劉燕德. 光譜學(xué)與光譜分析,2017,37(04): 1118-1122
18?Borin A,F(xiàn)errao M F,Mello C,Maretto D A,Poppi R J. Anal. Chim. Acta,2006,579(1): 25-32
19?YUAN Jing-Ze,LU Qi-Peng,WANG Jing-Li,DING Hai-Quan,GAO Hong-Zhi,WU Chun-Yang,LI Wan-Xia. Chinese J. Anal. Chem.,2017,45(9): 1291-1296
袁境澤,盧啟鵬,王靜麗,丁海泉,高洪智,吳春陽(yáng),李晚俠. 分析化學(xué),2017,45(9): 1291-1296
20?Clegg S M,Sklute E,Dyar M D,Barefield J E,Wiens R C. Spectrochim. Acta B,2009,64(1): 79-88
21?Lei M,Yu X H,Li M,Zhu W X. Infrared Phys. Technol.,2018,92: 177-182
22?Xi W,Huang J H,F(xiàn)an W,Lu H M. Anal. Methods,2015,7: 787-792
23?Lee S,Choi H,Cha K,Chung H. Microchem. J.,2013,110: 739-748
24?LI Sheng-Fang,JIA Min-Zhi,DONG Da-Ming. Spectrosc. Spect. Anal.,2018,38(6): 1766-1771
李盛芳,賈敏智,董大明. 光譜學(xué)與光譜分析,2018,38(6): 1766-1771
25?Matsumoto S,Ishikawa A,Kume H,Takeuchi T,Homma Y. Int. J. Urol.,2010,16(9): 760-764
26?Guo H X,Huang F R,Li Y P,F(xiàn)ang T,Zhu S Q. Anal. Lett.,2016,49(18): 2964-2976
27?YAO Dan,ZHENG Kai-Yuan,LIU Zi-Di,LI Jun-Hao,ZHENG Chuan-Tao,WANG Yi-Ding. Acta Optica Sinica.,2019,39(9): 0930006
姚 丹,鄭凱元,劉梓迪,李俊豪,鄭傳濤,王一丁. 光學(xué)學(xué)報(bào),2019,39(9): 0930006
28?Biswas S,Mallik B S. Phys. Chem. Chem. Phys.,2017,19(15): 9912-9922
29?Bin J,Li X,F(xiàn)an W,Zhou J H,Wang C W. Analyst,2017,142: 2229-2238
30?Chalus P,Walter S,Ulmschneider M. Anal. Chim. Acta,2007,591(2): 219-224
31?Tang H S,Zhang T L,Yang X F,Li H. Anal. Methods,2015,7(21): 9171-9176
32?Fernandes H L,Raimundo I M,Pasquini C,Rohwedder J J R. Talanta,2008,75(3): 804-810
33?Leung A K M,Chau F T,Gao J B. Anal. Chem.,1998,70(24): 5222-5229