基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的.pdfVIP

第30卷，第3期 光谱学与光谱分析 201 and March，2010 0年3月 SpectroscopySpectralAnalysis 基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用 李玉军1’2，汤晓君¨，刘君华1 1．西安交通大学电力设备电气绝缘国家重点实验审，陕西西安710049 2．西安理工大学自动化与信息工程学院，陕西西安710048 摘要针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题， 提出一种粒子群优化的最dx--乘支持向量机方法，用于建立基于主成分分析特征提取的红外光谱多组分气 体定量分析模捌。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行r特征提取，将降 维得到的7个特征值作为模型的输入变量从而有效地降低了计算鼍。混合气体主要由浓度范围分别是0．1％ ～1％的甲烷、乙烷及0．1％～1．5X的丙烷三种组分气体组成。采用最d、--乘支持向量机技术分别建立了各 组分气体的定量分析模型，利用粒子群优化算法对最小二乘支持向量机算法中的参数进行r优化选取，取 代了传统的遍历优化方法，然后利用取得的最优参数重建定鼍分析模型。实验结果表明，采用此方法离线建 模所用时问比采用遍历优化方法节省40倍以上，预测结果误差水平相当，满足实测要求。粒子群优化算法 在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气 体定量分析是切实可行的，具有一定的实际意义和应用价值。 关键词红外光谱；粒子群优化算法；最小二乘支持向量机；定量分析；混合气体；主成分分析 中图分类号：0657．3文献标识码：A 引 言 获得，共制作r920组样本数据，取其巾的一半作¨I|练样本， 全部作检验样本。为了提高气体分析的快速性。满足实测要 混合气体的定量分析在石油化工、变压器故障诊断等领 求，采用了主成分分析技术对主吸收峰区域的红外光谱数据 域具有非常霞要的意义。混合气体的定量分析方法有很多， 进行了特征提取，选取了7个特征值作为模型输入，组分气 如人工神经网络方法[1’2]，最小二乘支持向量机(LS-SVM)体浓度作为模型输出。然后采用粒子群算法对LS-SVM的参 技术[3J]，支持向量机(SVM)技术[5]等，但上述方法存在一数寻优，建它了最优预测模型。与遍历优化方法相比较，粒 定的问题，其中神经网络算法的收敛及预测准确度与其初始 子群优化算法的离线建模时间降低了40倍以．上：，模型预测 权值的选择有关，因此其输出具有不可预测性和不一致性， 结果误差水平相当。通过实验证明该方法是可行的，并具有 而且容易陷入局部最小，很难找到最优模型。支持向鼍机算 一定的优势。 法虽然可以避免上述缺点，但其算法参数的选取会直接影响 模型的预测准确度。采取试凑法或遍历优化进行参数选择费 最dx-乘支持向量机原理E6t7] 时而且找到的未必是会局最优解。 本文针对红外光谱特征吸收谱线重叠较为严重的多组分 SⅥvI算法是针对有限样本情况下根据结构风险最小化 原则设计的一种统计学习理论，已广泛用于解决分类和回归 气体组成的混合气体，采用LS-SVM建立-r混合气体的定量 分析模型，混合气体中含有甲烷、乙烷、丙烷置种组分气体。 问题。LS-SVM与标准SVM有所不同的是，优化目标的损 失函数足以误差的二范数来表示，用等式约束代替了SVM 针对LS-SVM的参数选取会对结果产生较大影响，没有较好 的选取规则，参数的选取具有一定的“盲目性”的问题，提出 中的不等式约束条件，提高