[发明专利]利用二元线性分类器建立航空煤油性质预测模型的方法

权利要求书

1.一种利用二元线性分类器构建航空煤油性质预测模型的方法，其特征在于，包括下述步骤：

获取多个航空煤油样品的理化性质数据；

采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；

利用支持二元线性分类器构建所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；

采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。

2.根据权利要求1所述的方法，其特征在于，所述理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。

3.根据权利要求1所述的方法，其特征在于，利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据；其中，

采集范围为4000cm^-1～12000cm^-1，扫描次数范围为5次～120次。

4.根据权利要求1所述的方法，其特征在于，所述对该近红外光谱数据进行至少两次优化处理，包括：

利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理；

利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品。

5.根据权利要求4所述的方法，其特征在于，所述矢量归一化公式如下：

x’＝(x-Min(x))/(Max(x)-Min(x))

式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x’为归一化样本数据。

6.根据权利要求4所述的方法，其特征在于，利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：

采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；

根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；

将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。

7.根据权利要求6所述的方法，其特征在于，所述马氏距离阈值的计算公式如下：

W_MD＝mean(MD)+k*std(MD)

式中，W_MD为异常航空煤油样品的马氏距离阈值，mean(MD)为MD的平均值函数，std(MD)为MD的标准方差函数，k为阙值调整权重系数；以及，

所述马氏距离值的计算公式为：

式中，MD为航空煤油样品i的马氏距离值，t_i为航空煤油样品i的得分向量，C为全部航空煤油样品得分矩阵的协方差矩阵，T为全部航空煤油样品的得分矩阵。

8.根据权利要求1所述的方法，其特征在于，所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前，还包括：

将所述近红外光谱数据分为n个光谱区间，针对所述n个光谱区间分别建立局部预测模型，以均方根误差作为评定标准，选取预设光谱区间。

9.根据权利要求8所述的方法，其特征在于，所述均方根误差的计算公式为下式：

式中，yi为航空煤油样品i的预测值，为真值，n为样品数。

10.根据权利要求8所述的方法，其特征在于，所述利用二元线性分类器建立所述航空煤油理化性质数据与所述近红外光谱数据相关联的回归模型，包括：

将所述预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与所述理化性质数据建立关联模型，具体如下：

式中，为将近红外光谱输入数据映射到高维特征空间的映射函数，γ为正规化参数，e_k为误差变量，权值向量ω∈Rⁿ，偏置值b∈R，第k个航空煤油样品的输出数据y_k∈R；

采用拉格朗日乘数法得到下式：

式中，拉格朗日乘子α_k∈R，第k个航空煤油样品的输入数据x_k∈R^N；

求解得到二元线性分类器回归模型，具体如下式：