[发明专利]电子烟油理化指标的近红外光谱预测模型建立方法及应用

摘要

电子烟油理化指标的近红外光谱预测模型建立方法及应用，采集获取训练集电子烟油光谱信息，建立烟油近红外光谱数据训练集，对光谱数据进行预处理；然后使用分析计量仪器测量获取电子烟油的相对密度、折光指数和PH值；采用粒子群优化‑支持向量机回归(Particle Swarm Optimization‑Support Vector Regression，PSO‑SVR)算法，结合测量获取的理化指标建立近红外光谱预测模型。获取待测量电子烟油的近红外光谱信息并进行预处理，然后用建立的近红外光谱预测模型，直接测量该电子烟油的相对密度、折光指数和PH值，快速无损测量得到电子烟油的重要理化指标。本发明能够实现电子烟油重要理化指标的快速准确测量，对电子烟油重要理化指标的实时在线监测和其它质量参数的快速测量奠定了良好的基础。

主权项

1.电子烟油理化指标的近红外光谱预测模型建立方法，其特征在于，具体包括如下步骤：(1)选取具有代表性的多品种、多批次的电子烟油样本作为建模训练集，利用近红外光谱仪采集训练集电子烟油光谱信息，获取训练集电子烟油的近红外光谱信息，建立烟油近红外光谱数据训练集，然后使用小波变换算法、Savitzky‑Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种方法对光谱数据进行预处理；(2)使用分析计量仪器测量获取电子烟油的重要理化指标，包括电子烟油的相对密度、折光指数和PH值；(3)采用PSO‑SVR回归算法，结合步骤(2)中测量获取的理化指标建立近红外光谱预测模型；所述PSO‑SVR算法，是通过使用PSO算法来寻求SVR算法进行回归预测时的最优参数，SVR的核函数选用RBF核函数，算法的实现过程主要包括以下步骤：(a)初始化算法的粒子群中每个粒子的速度和位置，并设定SVM惩罚参数c和核参数δ的搜索范围；(b)计算每个粒子的适应度值f(xi)；(c)将计算得到的适应度值f(xi)与自身的最优适应度值f(pibest)进行比较，若f(xi)＜f(pibest)，则调整粒子的当前位置作为该粒子的最优位置，即f(pibest)＝f(xi)；(d)将每个粒子的适应度值f(xi)与粒子群的最优适应度值f(pgbest)进行比较，若f(xi)＜f(pgbest)，则将粒子的当前位置作为所有粒子的最优位置；(e)根据步骤(c)和(d)更新粒子的速度和位置；(f)判断是否得到最佳适应度值，若达到则输出最优参数；若未达到，则返回步骤(b)重复上述过程；(g)利用得到的最优参数组合建立SVR回归模型并进行回归预测。