基于支持向量機(jī)的沼氣中CH4濃度預(yù)測
加入技術(shù)交流群
3．2 結(jié)果與分析
在獲得的693個(gè)樣本中，隨機(jī)選擇543個(gè)作為訓(xùn)練樣本，150個(gè)作為檢驗(yàn)樣本。將本文方法與線性插值法(Liner Interpolation，L-I)、多元回歸法(Multiple Regression，M-R)、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、未把溫度作為支持向量機(jī)(SVM-noT)輸入幾種方法做比較，這些方法具體如下：
(1)線性插值法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(xon，y0n)，依照空間線性關(guān)系建立y=A·x模型(A為系數(shù)矩陣)，求解x11，x12，…，x1n所對(duì)應(yīng)的y11，y12，…，y1n；
(2)多項(xiàng)式回歸法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(x0n，y0n)，依照最小二乘原則建立y=f(x)多項(xiàng)式模型，進(jìn)而求解x11，x12，…，x1n所對(duì)應(yīng)的y11，y12，…，y1n；
(3)BP神經(jīng)網(wǎng)絡(luò)法：基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，建立已知樣本的輸入、輸出模型。本文以溫度T，U1／Ur，U2／Ur為輸入，CH4的預(yù)測濃度為輸出建立BP神經(jīng)網(wǎng)絡(luò)模型；
(4)RBF神經(jīng)網(wǎng)絡(luò)法：即以函數(shù)逼近理論為基礎(chǔ)、傳遞函數(shù)為徑向基函數(shù)的一類前向神經(jīng)網(wǎng)絡(luò)，可以在多維空間中擬合最佳模型。本文以溫度T，U1／Ur，U2／Ur為輸入，CH4的預(yù)測濃度為輸出建立RBF神經(jīng)網(wǎng)絡(luò)模型；
(5)SVM-noT法：不考慮溫度因素的影響，即在圖3中去掉“SVM模塊”前端的“溫度T”輸入，只保留U1／Ur，U2／Ur兩元輸入，建立輸入、輸出模型。
測試時(shí)，把x1j作為上述五種方法建立模型的輸入，輸出為CH4的預(yù)測濃度，可以檢驗(yàn)這些模型的精度，其中向量xij=[T，U1／Ur，U2／Ur]，i=0，1；j=1，2，…，n；x0j為訓(xùn)練樣本，x1j為測試樣本，為預(yù)測濃度。將本文考慮溫度的SVM方法與前五種方法進(jìn)行對(duì)比時(shí)，是以預(yù)測結(jié)果的最大誤差絕對(duì)值和誤差絕對(duì)平均來衡量的。六種方法的仿真結(jié)果對(duì)比如圖4所示。本文引用地址：http://www.ex-cimer.com/article/194001.htm
從圖中可以看出：SVM優(yōu)于M-R，RBF，BP，L-I和SVM-noT法，誤差最小，取得了最好的預(yù)測精度。SVM模型的核函數(shù)能更好地模擬光譜信號(hào)的譜峰等特征信息，能充分考慮到沼氣中其他成分對(duì)CH4通道輸出的影響，實(shí)現(xiàn)U1／Ur，U2／Ur，溫度T對(duì)CH4濃度值更好地非線性映射，具有更好的泛化能力。
4 結(jié)論
針對(duì)沼氣中CH4濃度的預(yù)測問題構(gòu)建了實(shí)驗(yàn)系統(tǒng)，獲取了大量實(shí)驗(yàn)數(shù)據(jù)，探討了將溫度T，CH4和CO2探測器的輸出作為SVM的輸入，預(yù)測CH4濃度的方法，將該方法與常用的L-I，M-R，BP，RBF，SVM-noT五種方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文方法具有較高的預(yù)測精度，為沼氣中CH4濃度的預(yù)測提供了一個(gè)良好的思路。
評(píng)論