[发明专利]一种基于t-SNE-MNR的汽油辛烷损失值预测方法

权利要求书

1.一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，包括：

获取汽油工业数据；

对获取到的汽油工业数据进行预处理，得到特征数据；

分析各项特征数据对辛烷值的关联性及影响，并构建多元非线性回归模型；

利用多元非线性回归模型对汽油工业数据中的汽油辛烷损失值进行预测。

2.如权利要求1所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，所述对获取到的汽油工业数据进行预处理包括：

通过软件统计分析样本数据，确定异常值及其类别；

根据异常值的类别不同，做出相应的处理，得到训练集；

对训练集数据降维，得到特征数据。

3.如权利要求2所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，所述根据异常值的类别不同对样本数据做出相应的处理包括：

删除重复冗余数据；

将平均值进行插入缺失数据；

将处理好的原始数据插入并替换掉样本数据中的相应数据。

4.如权利要求1所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，所述分析各项特征数据对辛烷值的关联性及影响，并构建多元非线性回归模型包括：

将特征数据的自变量加入到单一回归模型中得到特征变量；

采用多元逐步回归方法，选择最优回归方程。

5.如权利要求4所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，所述采用多元逐步回归方法选择最优回归方程包括：

将得到的特征变量引入多元非线性回归模型；

查看特征变量是否使模型对辛烷损失值的预测精度是否更加精确；

如果是，将该特征变量加入到多元非线性回归模型。

6.如权利要求4所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，还包括对多元非线性回归模型的优化：

随机产生规模为N的初始种群；

非支配排序；

通过遗传算法操作得到第一代子代种群；

从第二代开始选取合适的个体组成新的子代种群；

通过遗传算法的基本操作产生新的子代种群；

迭代直到满足条件。

7.如权利要求4所述的一种基于t-SNE-MNR的汽油辛烷损失值预测方法，其特征在于，所述从第二代开始选取合适的个体组成新的子代种群包括：

将父代种群与子代种群合并；

快速非支配排序；

对每个非支配层中的个体进行拥挤度计算；

根据格局非支配关系以及个体的拥挤度选取合适的个体，组成新的子代种群。