SVM算法在油质量浓度检测和光谱水质分析中的应用.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 3O卷 第 5期 2006年 1O月 JOURNAlOFDAQINGPETRO1EUM INSTITUTE VoIJ3O No．5 Oct． 2006 SVM 算法在油质量浓度检测和 光谱水质分析中的应用 司光宇 ，张兴旺 ，万庆英 ，李佳佳。 (1．大庆石油学院计算机与信息技术学院，黑龙江 大庆 163318； 2．大庆油田有限责任公司 第一采油厂，黑龙江 大 庆 163lll； 3．大庆华凯石油化工设计工程有 限公司，黑龙江 大庆 1637l1) 摘 要：红外光谱水中油质量浓度检测的关键技术，是建立光谱分析仪检测取得的吸光度和待测液体中矿物油质量 浓度之间的数学模型．采用了SVM 回归算法逼近二者之间的关系，对训练后得出的SVM模型进行了泛化验证．结果表 明：小样本情况下 ，在取得了较好的泛化能力的同时获取了相对误差在士5 内的测量精度． 关 键 词：支持向量机(SVM)；水质检测；朗伯一比尔定律 中图分类号：TP181 文献标识码 ：A 文章编号：1000—1891(2006)05—0090一O3 0 引言 原油开采过程产生的污水经过净化后 回注入地下，应控制矿物油质量浓度等指标．监测水中油质量 浓度是控制油污染、掌握水质变化的重要依据．红外光谱水质检测的原理是根据 朗伯一比尔定律所确立 的溶液吸光度与其质量浓度间的线性关系，但在现实中，存在诸多导致偏离朗伯一比尔定律的因素，如单 色光不纯，介质不均匀 ，溶质的离解 、缔合 、互变异构及化学变化．这些因素使得吸光度与质量浓度间呈现 非线性关系[1]，很难用精确的数学方程描述，通常采用偏最小二乘、神经网络等方法逼近这种依赖关系． 基于SVM 的数学建模方法克服了神经网络等方法要求大样本、容易过拟合等缺点，具有 良好的泛化 能力[2]．因此，笔者将 SVM算法应用于红外光谱水质分析仪，建立 了污油质量浓度和吸光度之间的软测 量模型． 1 SVM 算法 1．1 最优分类超平面 统计学习理论表 明，学习机器在测试数据上的泛化误差，由经验风险和置信范围(由模型复杂度和样 本数决定)之和界定．它不仅要求学习机器与有限的样本相适应，同时在最小化经验风险的基础上，控制 以VC维为主要标志的模型复杂度 ，提高学习机器在未知样本上的预测能力结构风险最小化 (Structural RiskMinimization，简称 SRM)L3j． SVM 通过最大化 2类样本点集的间隔体现 SRM原则． 对于线性可分情形，找出最优分类线 (将 2类样本正确分开 ，且使分类间隔最大的分类线)．设分类线 方程为 (．’·)--b=0，对它进行归一化，使得对线性可分的样本 ( ， )满足 f[(．，·)一6]≥1， (1) 式中：一1，2，…，N，N为样本数； ∈R”；，∈{±1}．此时，~~ juTNlD一_丌- ，使分类间隔最大等价于 使 llWlI。最小[4]．最优分类面即为在式(1)的约束下，求函数 收稿日期 ：2006—04—18}审稿人 ：尚福华 ；编辑：郑丽芹 作者简介：司光宇(1951一)，男 ，副教授 ，主要从事计算机控制 、智能仪器开发等方面 的研究 维普资讯 第 5期 司光宇等：SVM 算法在油质量浓度检测和光谱水质分析中的应用 (w)一 百1llWll。一 百1(ww) (2) 的最小值．使 llwllz最小即为使 VC维的上界最小，所以SVM是结构风险最小化方法的近似实现． 对于非线性分类 ，可以嵌入非线性映