近紅外光譜結(jié)合小波變換-隨機(jī)森林法快速定量分析甲醇汽油中甲醇含量

李茂剛 閆春華 薛佳 張?zhí)忑? 李華

摘?要?建立了一種基于近紅外光譜（Near infrared spectroscopy，NIR）結(jié)合小波變換-隨機(jī)森林（Wavelet transform-Random forest，WT-RF）的用于甲醇汽油中甲醇含量快速定量分析的方法。采用傅里葉變換紅外光譜儀采集54個(gè)甲醇汽油樣品的光譜，并進(jìn)行光譜解析;探究不同光譜預(yù)處理方法對(duì)樣品NIR光譜的處理效果，重點(diǎn)探究基于不同小波基函數(shù)與小波分解層數(shù)的小波變換（Wavelet transform，WT）光譜預(yù)處理效果，并通過(guò)優(yōu)化變量重要性閾值篩選隨機(jī)森林RF校正模型的輸入變量;基于優(yōu)化后的參數(shù)及輸入變量，構(gòu)建了甲醇汽油NIR光譜的WT-RF模型。為了進(jìn)一步驗(yàn)證此模型的預(yù)測(cè)性能，將其與小波變換-偏最小二乘校正模型（Wavelet transform-Partial least squares，WT-PLS）和小波變換-最小二乘支持向量機(jī)校正模型（Wavelet transform-Least square support vector machine，WT-LSSVM）進(jìn)行對(duì)比。結(jié)果表明，WT-RF校正模型具有最佳的預(yù)測(cè)性能，其交叉驗(yàn)證決定系數(shù)（Coefficient of determination of cross-validation，R2cv）和均方根誤差（Root mean square error of cross-validation，RMSECV）分別是0.9990和0.0044%，預(yù)測(cè)集決定系數(shù)（Coefficient of determination of prediction set，R2p）和均方根誤差（Root mean square error of prediction set，RMSEP）分別為0.9885和0.0191%。研究結(jié)果表明，NIR光譜結(jié)合WT-RF算法是一種快速準(zhǔn)確定量分析甲醇汽油中甲醇含量的方法。

關(guān)鍵詞?近紅外光譜; 甲醇汽油; 小波變換; 隨機(jī)森林

1?引 言

隨著汽車(chē)產(chǎn)業(yè)的飛速發(fā)展，石油資源開(kāi)采速度不斷加快[1，2]。石油資源的過(guò)度開(kāi)發(fā)利用已帶來(lái)諸多環(huán)境問(wèn)題，如氣候變暖、水土資源污染、大氣復(fù)合污染等。針對(duì)這些問(wèn)題，近年不斷出現(xiàn)新型化石燃料替代物，其中以醇類(lèi)汽油、天然氣、生物柴油、醇類(lèi)燃料最為突出[3]。甲醇汽油[4～6]是以一定比例將傳統(tǒng)汽油與甲醇進(jìn)行摻混而形成，具有諸多優(yōu)勢(shì)，如甲醇價(jià)格低廉、產(chǎn)量大、較高的辛烷值及較低的尾氣排放量等。然而，甲醇熱值約為傳統(tǒng)汽油的1/2，過(guò)量摻入甲醇將導(dǎo)致發(fā)動(dòng)機(jī)動(dòng)力輸出不足; 甲醇熱穩(wěn)定性差，高標(biāo)號(hào)甲醇汽油將會(huì)對(duì)汽車(chē)內(nèi)部件產(chǎn)生一定損壞[7]。因此，甲醇汽油中甲醇含量快速定量分析對(duì)于甲醇汽油品質(zhì)檢測(cè)具有重要意義。

目前，甲醇汽油中甲醇含量檢測(cè)方法主要以色譜法和質(zhì)譜法為主。然而，這些方法存在樣品前處理復(fù)雜、檢測(cè)耗時(shí)長(zhǎng)且無(wú)法在線分析等缺陷[8]。近紅外光譜（Near infrared spectroscopy，NIR）是基于近紅外光，一種介于可見(jiàn)光與中紅外光譜之間的電磁波，對(duì)樣品進(jìn)行檢測(cè)，可得到樣品分子含氫基團(tuán)的特征信息。相較于色譜等方法，NIR具有檢測(cè)速度快、樣品無(wú)損或微損及可實(shí)時(shí)在線分析等優(yōu)勢(shì)[9，10]，近年來(lái)，被普遍應(yīng)用于石化、藥品、食品等有機(jī)過(guò)程分析中[11～16]。NIR在油品定量分析中已有報(bào)道，歐陽(yáng)愛(ài)國(guó)等[17]利用近紅外光譜技術(shù)對(duì)甲醇柴油中甲醇含量進(jìn)行定量分析，預(yù)測(cè)集決定系數(shù)（Coefficient of determination of prediction set，R2p）和均方根誤差（Root mean square error of prediction set，RMSEP）分別為0.9989和0.0624，表明近紅外光譜可很好地應(yīng)用于甲醇柴油品質(zhì)檢測(cè)。

目前，應(yīng)用于甲醇汽油近紅外光譜定量分析的算法主要有偏最小二乘（Partial least squares，PLS）、主成分分析（Principal component analysis，PCA）及支持向量機(jī)（Support vector machine，SVM）等，這些算法對(duì)校正集要求較高，具有預(yù)測(cè)結(jié)果較差、建模時(shí)間長(zhǎng)，可能過(guò)擬合等缺陷[18～20]。隨機(jī)森林（Random forest，RF）[21～23]是一種新的非線性數(shù)據(jù)處理算法，具有諸多優(yōu)點(diǎn)，如極高的準(zhǔn)確率、不易出現(xiàn)過(guò)擬合及很好的抗噪能力等，通常被用于解決分類(lèi)、回歸等問(wèn)題。它可以克服傳統(tǒng)線性回歸算法存在的精度低、擬合量大等缺點(diǎn)，已成功應(yīng)用于近紅外光譜處理[24]。對(duì)NIR光譜進(jìn)行建模時(shí)，需對(duì)原始光譜進(jìn)行預(yù)處理，以減少光譜采集過(guò)程中環(huán)境噪聲、儀器噪聲及操作誤差等造成的干擾[25]。近紅外光譜預(yù)處理方法主要包括標(biāo)準(zhǔn)正態(tài)變換（Standard normal variation，SNV）、多元散射校正（Multivariate scattering correction，MSC）、小波變換（Wavelet transform，WT）等[26，27]。WT是一種優(yōu)于傅里葉變換的信號(hào)處理方法[28，29]，能夠提供一種在“時(shí)間-頻率”上同時(shí)分析數(shù)據(jù)局部特征的數(shù)學(xué)方法，非常適于光譜數(shù)據(jù)平滑去噪和特征提取。Chalus等[30]利用小波變換結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)藥品片劑的近紅外光譜數(shù)據(jù)進(jìn)行計(jì)算，獲得的相關(guān)系數(shù)>0.9960，表明小波變換應(yīng)用于藥品片劑近紅外光譜預(yù)處理的效果良好。

本研究考察了基于小波變換-隨機(jī)森林算法的甲醇汽油近紅外光譜校正模型的可行性。首先，使用傅里葉變換紅外光譜儀對(duì)54組甲醇汽油樣品進(jìn)行光譜采集，并進(jìn)行光譜解析; 其次，探究不同光譜預(yù)處理方法對(duì)甲醇汽油NIR光譜的處理效果，重點(diǎn)探究基于不同小波基函數(shù)與小波分解層數(shù)的小波變換光譜預(yù)處理效果，尋求最優(yōu)的光譜預(yù)處理方法; 再次，以小波變換處理后的光譜數(shù)據(jù)作為輸入變量，構(gòu)建隨機(jī)森林校正模型，并探究變量重要性閾值對(duì)RF校正模型預(yù)測(cè)性能的影響，得到最優(yōu)變量重要性閾值; 最后，基于優(yōu)化后的參數(shù)及輸入變量構(gòu)建了甲醇汽油近紅外光譜的WT-RF校正模型，為了進(jìn)一步驗(yàn)證此模型預(yù)測(cè)性能，將其與WT-PLS校正模型及WT-LSSVM校正模型的預(yù)測(cè)性能進(jìn)行對(duì)比，獲得一種適用于甲醇汽油中甲醇含量的快速定量分析模型。

2?實(shí)驗(yàn)部分

2.1?樣品制備

本實(shí)驗(yàn)共計(jì)有54個(gè)不同濃度的甲醇汽油樣品，其中1～49號(hào)樣品是將甲醇與汽油以一定比例進(jìn)行摻混制備而成的，50～52號(hào)樣品是將甲醇、乙醇及汽油以一定比例進(jìn)行摻混制備而成的，53和54號(hào)樣品分別為市售M10和M15甲醇汽油。所用汽油來(lái)自陜西西安某加油站，牌號(hào)為98#; 甲醇（分析純，>99.7%，天津市富宇精細(xì)化工有限公司）; 乙醇（分析純，>99.7%，天津天力化學(xué)試劑有限公司）。樣品中甲醇體積分?jǐn)?shù)如表1所示。由于甲醇可以很好地與汽油互溶，因此無(wú)需加入其它助溶劑促進(jìn)混合。將配制好的甲醇汽油樣品在4℃環(huán)境下保存待測(cè)。

2.2?光譜采集

使用傅里葉變換紅外光譜儀（VERTEX 70，德國(guó)Bruker公司）采集甲醇汽油樣品近紅外光譜，儀器配有OPUS 6.5光譜軟件。采集樣品光譜時(shí)，儀器參數(shù)設(shè)置：光譜范圍4000～12000 cm1，掃描次數(shù)32次，分辨率8 cm1，分束器選用CaF2，時(shí)間間隔設(shè)置為10 s。設(shè)置參數(shù)后，儀器預(yù)熱30 min，開(kāi)始檢測(cè)。環(huán)境溫度約為18℃，以空氣為參考，檢測(cè)并扣除背景光譜。使用5 mm石英比色皿進(jìn)行光譜檢測(cè)。為了減少光譜采集過(guò)程中的實(shí)驗(yàn)誤差，檢測(cè)時(shí)，每個(gè)樣品分別采集25條光譜，每5條光譜求平均值，54個(gè)甲醇汽油樣品共計(jì)獲得270條光譜（每個(gè)樣品收集5條光譜）。

2.3?隨機(jī)森林校正模型構(gòu)建及輸入變量?jī)?yōu)化

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是由Leo Breiman和Adele Cutler開(kāi)發(fā)的一種對(duì)決策樹(shù)進(jìn)行集成，從而構(gòu)造一種統(tǒng)計(jì)學(xué)估計(jì)，用以構(gòu)建預(yù)測(cè)模型的統(tǒng)計(jì)學(xué)習(xí)理論[23]。 本研究將校正集甲醇汽油近紅外光譜強(qiáng)度與甲醇汽油樣品中甲醇含量結(jié)合起來(lái)，構(gòu)建隨機(jī)森林校正模型，將所有回歸樹(shù)輸出進(jìn)行收集，用于預(yù)測(cè)集甲醇含量的預(yù)測(cè)。通常，隨機(jī)森林校正模型的構(gòu)建可以概述為：（1）從甲醇汽油近紅外光譜校正集中使用Bootstraping方法有放回地選出m個(gè)樣本，共計(jì)進(jìn)行ntree次采樣，形成ntree個(gè)校正集，分別訓(xùn)練ntree個(gè)決策樹(shù)模型; （2）對(duì)于每個(gè)決策樹(shù)模型，從隨機(jī)選擇的mtry特征子集中選擇最佳分裂，分裂過(guò)程中不需要對(duì)決策樹(shù)修剪，當(dāng)每棵樹(shù)在相應(yīng)節(jié)點(diǎn)處所有訓(xùn)練樣本都屬于同一類(lèi)時(shí)停止分裂; （3）將ntree棵決策樹(shù)的結(jié)果組成隨機(jī)森林，用于新數(shù)據(jù)預(yù)測(cè)。ntree（決策樹(shù)數(shù)量）和mtry（決策樹(shù)節(jié)點(diǎn)樹(shù)數(shù)量）是隨機(jī)森林算法的兩個(gè)核心參數(shù)，本研究中ntree選擇模型默認(rèn)值500。假設(shè)校正集中有M個(gè)屬性值（波數(shù)），隨機(jī)選擇mtry作為決策樹(shù)中每個(gè)內(nèi)部節(jié)點(diǎn)之間的候選屬性值，最終以每棵單獨(dú)樹(shù)預(yù)測(cè)結(jié)果的平均值作為預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果。

通過(guò)隨機(jī)森林校正模型可以計(jì)算輸入變量的重要性，變量重要性越高，則隨機(jī)森林校正模型預(yù)測(cè)性能越好[31]?；谧兞恐匾缘碾S機(jī)森林校正模型構(gòu)建可概述為：（1）將甲醇汽油近紅外光譜劃分為預(yù)測(cè)集和校正集，構(gòu)建初始隨機(jī)森林校正模型; （2）計(jì)算輸入變量的變量重要性; （3）設(shè)置變量重要性閾值，若輸入變量中含有低于此閾值的變量則刪去這部分變量，然后使用剩余變量重新構(gòu)建隨機(jī)森林校正模型; （4）重復(fù)步驟3，直到獲得具有較好預(yù)測(cè)性能的模型。隨機(jī)森林校正模型構(gòu)建時(shí)，以表1中1～49號(hào)樣品中帶*號(hào)樣品作為預(yù)測(cè)集，其余樣品作為校正集，50～54號(hào)樣品用于此模型的外部驗(yàn)證; 以RF校正模型的交叉驗(yàn)證（通過(guò)袋外誤差估計(jì)計(jì)算）決定系數(shù)（Coefficient of determination of cross-validation，R2cv）和均方根誤差（Root mean square error of cross-validation，RMSECV）及預(yù)測(cè)集決定系數(shù)（Coefficient of determination of prediction set，R2p）和均方根誤差（Root mean square error of prediction set，RMSEP）作為模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)。

3?結(jié)果與討論

3.1?甲醇汽油近紅外光譜解析

圖1所示為54組甲醇汽油樣品的近紅外光譜。在7800～9000 cm1波數(shù)范圍內(nèi)吸收峰為大多數(shù)碳水化合物與醇類(lèi)中CH鍵的二階倍頻，在6500～7500 cm1波數(shù)范圍內(nèi)吸收峰為CH+CH鍵的一階倍頻及CH+CC鍵的一階倍頻的組合頻，6000～7200 cm1波數(shù)范圍內(nèi)的吸收峰為醇類(lèi)（甲醇）OH鍵的一階倍頻[32]。從圖1可見(jiàn)，甲醇汽油近紅外光譜存在較為明顯的基線漂移，及由于雜散光等因素干擾而引起的光譜不平滑等問(wèn)題，因此在進(jìn)行建模分析之前，需要使用光譜預(yù)處理方法解決甲醇汽油原始近紅外光譜存在的缺陷，才能確保定量分析的準(zhǔn)確性。

3.2?甲醇汽油近紅外光譜預(yù)處理方法對(duì)比

目前，應(yīng)用于近紅外光譜預(yù)處理的方法有多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、歸一化（Normalization）、一階導(dǎo)數(shù)法（First derivative，D1st）及小波變換（WT）等。多元散射校正常用于改善樣品光譜的基線漂移現(xiàn)象; 標(biāo)準(zhǔn)正態(tài)變換常用于校正因散射而引發(fā)的光譜誤差; 歸一化常用于改善因光程變化或樣品稀釋給光譜帶來(lái)的影響; 一階導(dǎo)數(shù)法常用于消除背景的常數(shù)平移; 小波變換具有多分辨特征，選擇適當(dāng)?shù)男〔ɑ瘮?shù)可以實(shí)現(xiàn)對(duì)高頻非穩(wěn)定信號(hào)的時(shí)域和頻域同時(shí)表征。本研究將上述5種光譜預(yù)處理方法分別應(yīng)用于甲醇汽油近紅外光譜的預(yù)處理，以預(yù)處理后的光譜數(shù)據(jù)作為輸入變量構(gòu)建RF校正模型。表2所示為不同光譜預(yù)處理方法的RF校正模型預(yù)測(cè)性能（最佳參數(shù)設(shè)置時(shí)模型預(yù)測(cè)性能）。由表2可知，直接使用甲醇汽油原始近紅外光譜進(jìn)行RF校正模型構(gòu)建，其交叉驗(yàn)證R2cv和RMSECV分別為0.9899和0.0136%，預(yù)測(cè)集R2p和RMSEP分別為0.9608和0.0281%; 使用歸一化（Normalization）處理后的光譜構(gòu)建RF校正模型時(shí)，其交叉驗(yàn)證和預(yù)測(cè)集預(yù)測(cè)的結(jié)果都下降; 使用多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）及一階導(dǎo)數(shù)法（D1st）處理后的近紅外光譜構(gòu)建RF校正模型時(shí)，交叉驗(yàn)證結(jié)果都獲得了一定的提升，但是預(yù)測(cè)集的預(yù)測(cè)性能下降; 使用小波變換（WT）處理后的光譜構(gòu)建RF模型時(shí)，其模型的交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%，預(yù)測(cè)集R2p和RMSEP分別為0.9879和0.0196%。結(jié)果表明，小波變換作為一種甲醇汽油近紅外光譜預(yù)處理方法非常有效。

當(dāng)小波變換用作甲醇汽油近紅外光譜數(shù)據(jù)預(yù)處理時(shí)，為了獲得更好的預(yù)處理效果，需要選擇合適的小波基函數(shù)和小波分解層數(shù)。常用的小波基函數(shù)有Haar、Symlets（symN）及Daubechies（dbN）等[33]，dbN小波基函數(shù)是由Lurid Daubechies構(gòu)造的小波函數(shù)，可提供更有效的分析效果。因此，重點(diǎn)探究了基于不同db小波基函數(shù)（db1、db2、db3、db4和db5）和小波分解層數(shù)（1～7）的小波變換對(duì)甲醇汽油近紅外光譜的預(yù)處理效果。圖2為不同小波基函數(shù)（db1、db2、db3、db4和db5）和小波分解層數(shù)（1～7）與WT-RF校正模型預(yù)測(cè)性能（預(yù)測(cè)集R2p和RMSEP）之間的關(guān)系。從圖2可見(jiàn)，當(dāng)小波基函數(shù)為db5且小波分解層數(shù)為4時(shí)，WT-RF校正模型可獲得最佳的分析效果，其預(yù)測(cè)集R2p和RMSEP分別為0.9879和0.0196%。因此，本研究以優(yōu)化后的小波變換（小波基函數(shù)為db5，小波分解層數(shù)為4）作為甲醇汽油原始近紅外光譜的預(yù)處理方法。

3.3?甲醇汽油近紅外光譜WT-RF校正模型輸入變量的選擇與優(yōu)化

使用甲醇汽油近紅外光譜結(jié)合WT-RF算法對(duì)甲醇汽油進(jìn)行定量分析時(shí)，變量過(guò)多，會(huì)導(dǎo)致建模數(shù)據(jù)量過(guò)大，從而增加運(yùn)算時(shí)間，同時(shí)有可能帶入無(wú)效信息，降低模型分析準(zhǔn)確度; 變量過(guò)少，會(huì)導(dǎo)致甲醇汽油樣品光譜有效信息無(wú)法充分利用，也會(huì)降低模型定量分析準(zhǔn)確度。因此，建模時(shí)對(duì)輸入變量進(jìn)行篩選是必不可少的步驟。

圖3所示為WT-RF校正模型的變量重要性與近紅外光譜之間的關(guān)系。變量重要性是評(píng)價(jià)WT-RF校正模型構(gòu)建時(shí)不同輸入變量的貢獻(xiàn)度，其值越高，表明這部分變量在構(gòu)建WT-RF校正模型時(shí)貢獻(xiàn)度越高，反之表明這部分變量在模型構(gòu)建時(shí)貢獻(xiàn)度越低。從圖3可見(jiàn)，構(gòu)建甲醇汽油近紅外光譜的WT-RF校正模型，有許多變量的重要性均為0，表明這些變量對(duì)于WT-RF校正模型的貢獻(xiàn)度為0。因此，可以通過(guò)對(duì)這些變量進(jìn)行篩選從而優(yōu)化WT-RF校正模型的預(yù)測(cè)性能。表3和圖4所示為不同變量重要性閾值條件時(shí)WT-RF校正模型的預(yù)測(cè)性能。結(jié)合表3和圖4可知，隨著變量重要性閾值的不斷增大，WT-RF校正模型的交叉驗(yàn)證結(jié)果變化較小，而對(duì)于預(yù)測(cè)集的預(yù)測(cè)結(jié)果呈現(xiàn)出一種先上升后降低的趨勢(shì)，mtry值及建模時(shí)間在不斷減小。由此可得，當(dāng)閾值設(shè)置為0.0002時(shí)，WT-RF校正模型對(duì)于甲醇汽油中甲醇含量具有最佳的分析性能。此時(shí)，WT-RF校正模型的特征子集mtry數(shù)從734減少為133; 建模時(shí)間從15.73 s縮短為3.38 s; 交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%; 預(yù)測(cè)集R2p從0.9879增加至0.9885; RMSEP從0.0196%減少到0.0191%。因此，本研究以0.0002作為變量重要性閾值進(jìn)行甲醇汽油近紅外光譜WT-RF校正模型的構(gòu)建。

3.4?3種校正模型預(yù)測(cè)性能比較

為了驗(yàn)證WT-RF校正模型的預(yù)測(cè)性能與其它校正模型之間的差異，分別構(gòu)建了甲醇汽油近紅外光譜的小波變換-偏最小二乘校正模型（Wavelet transform-Partial least squares，WT-PLS）和小波變換-最小二乘支持向量機(jī)校正模型（Wavelet transform-Least square support vector machine，WT-LSSVM）。在構(gòu)建WT-PLS校正模型時(shí)，采用五折交叉驗(yàn)證對(duì)其潛變量進(jìn)行優(yōu)化，確定最優(yōu)潛變量為10。在構(gòu)建WT-LSSVM校正模型時(shí)，選擇RBF函數(shù)為核函數(shù)，采用五折交叉驗(yàn)證和網(wǎng)格搜索對(duì)γ和2進(jìn)行優(yōu)化，重復(fù)迭代50次，優(yōu)化后的γ和2分別為3135.4523和826.3216。

表4、表5及圖5為3種不同校正模型對(duì)甲醇汽油的甲醇含量預(yù)測(cè)性能的對(duì)比。結(jié)合表4和圖5可知3種模型對(duì)校正集和預(yù)測(cè)集的預(yù)測(cè)結(jié)果，其中WT-RF模型的預(yù)測(cè)性能最好，其交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%，預(yù)測(cè)集R2p和RMSEP分別為0.9885和0.0191%。通過(guò)對(duì)比表5中3種模型對(duì)于樣品9和50、22和51、38和52的預(yù)測(cè)性能可知，乙醇的摻入導(dǎo)致3種模型對(duì)于甲醇含量的預(yù)測(cè)性能下降。通過(guò)對(duì)比表5中3種模型對(duì)于甲醇汽油、摻入乙醇的甲醇汽油及兩種實(shí)際甲醇汽油樣品中甲醇含量的預(yù)測(cè)結(jié)果，其中WT-RF校正模型預(yù)測(cè)性能均優(yōu)于WT-PLS和WT-LSSVM校正模型，其預(yù)測(cè)平均相對(duì)誤差（MRE）為0.34，此結(jié)果優(yōu)于國(guó)家標(biāo)準(zhǔn)[6]中的允許誤差（0.4）。由此可見(jiàn)，近紅外光譜結(jié)合WT-RF算法可以很好地實(shí)現(xiàn)甲醇汽油中甲醇含量的定量分析。

4?結(jié) 論

將小波變換結(jié)合隨機(jī)森林算法應(yīng)用于甲醇汽油中甲醇含量的快速定量分析。采用傅里葉變換紅外光譜儀對(duì)54組甲醇汽油的NIR光譜進(jìn)行采集; 比較了五種不同光譜預(yù)處理方法（MSC、SNV、D1st、Normolization、WT）對(duì)甲醇汽油樣品NIR光譜進(jìn)行處理，最終選擇小波變換（WT）作為甲醇汽油NIR光譜預(yù)處理方法; 然后，對(duì)甲醇汽油NIR光譜的WT-RF校正模型進(jìn)行輸入變量?jī)?yōu)化，比較了不同變量重要性閾值對(duì)模型預(yù)測(cè)性能的影響; 為了進(jìn)一步探究WT-RF校正模型的預(yù)測(cè)性能，將甲醇汽油近紅外光譜的WT-RF校正模型與WT-PLS校正模型、WT-LSSVM校正模型進(jìn)行比較，結(jié)果表明，WT-RF校正模型具有最好的預(yù)測(cè)性能，其交叉驗(yàn)證R2cv和RMSECV分別為0.9990和0.0044%，預(yù)測(cè)集R2p和RMSEP分別為0.9885和0.0191%。研究表明，WT-RF可準(zhǔn)確快速地對(duì)甲醇汽油中甲醇含量進(jìn)行定量分析，本方法為甲醇汽油品質(zhì)檢測(cè)及石油化工等領(lǐng)域中其它指標(biāo)分析提供了理論基礎(chǔ)與技術(shù)支撐。

References

1?Shan Y L，Guan D B，Meng J，Liu Z，Schroeder H，Liu J H，Mi Z F. Appl. Energ.，2018，226： 494-502

2?Masum B M，Masjuki H H，Kalam M A，Rizwanul Fattah I M. Rene. Sust. Energ. Rev.，2013，24： 209-222

3?Maldonado M，Barreiro P，Gutierrez R，Vergara G. Fuel Processing Technol.，2018，171： 287-292

4?Jeczmionek L，Danek B，Paluchowska M，Krasodomski W. Energ. Fuel，2017，31（1）： 504-513

5?Sharma N，Agarwal A K. Energ. Fuel.，2017，31（4）： 4155-4164

6?GB/T 31776-2015，Determination Method of Methanol Content in Methanol Gasoline for Motor Vehicles. National Standards of the?People's Republic of China

車(chē)用甲醇汽油中甲醇含量檢測(cè)方法. 中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn). GB/T 31776-2015

7?Agarwal A K，Shukla P C，Gupta J G，Patel C，Prasad R K，Sharma N. Appl. Energ.，2015，154： 732-741

8?Pasquini C. Anal. Chim. Acta，2018：?1062： 8-36

9?CHU Xiao-Li，LU Wan-Zhen. Spectrosc. Spect. Anal.，?2014，34（10）： 2595-2605

褚小立，陸婉珍. 光譜學(xué)與光譜分析，2014，34（10）： 2595-2605

10?Sajdak M，Kotyczka-Moranska M. Biomass Bioenerg.，2018，112： 99-109

11?Maria-Teresa S，Torres I，Maria-Jose D，Chamorro A，Varo A G，Marin D P. J. Sci. Food Agric.，2019，99： 1613-1622

12?MO Xin-Xin，SUN Tong，LIU Mu-Hua，YE Zhen-Nan. Chinese J. Anal. Chem.，2017，45（11）： 1694-1702

莫欣欣，孫 通，劉木華，葉振南. 分析化學(xué)，2017，45（11）： 1694-1702

13?Braz C E M，Jacinto M A C，Pereira-Filho E R，Souza G B，Nogueira A R A. Spectrochim. Acta A，2018，202： 182-186

14?XIE Yue，LI Fei-Yue，F(xiàn)AN Xing-Jun，HU Shui-Jin，XIAO Xin，WANG Jian-Fei. Chinese J. Anal. Chem.，2018，46（4）： 609-615

謝 越，李飛躍，范行軍，胡水金，肖 新，汪建飛. 分析化學(xué)，2018，46（4）： 609-615

15?ZENG Yun-Long，ZHAO Min，ZHANG Min，YIShou-Jun，TANG Chun-Ran，XIA Xiao-Dong，HE Chao-Cai. Chin. J. Lumin.，2019，40（1）： 115-121

曾云龍，趙 敏，張 敏，易守軍，唐春然，夏曉東，賀超才. 發(fā)光學(xué)報(bào)，2019，40（1）： 115-121

16?ZHU Xue-Wei，CUI Xiao-Yu，CAI Wen-Sheng，SHAO Xue-Guang. Acta Chim. Sinica，2018，76（4）： 69-73

朱雪薇，崔曉宇，蔡文生，邵學(xué)廣. 化學(xué)學(xué)報(bào)，2018，76（4）： 69-73

17?OUYANG Ai-Guo，HUANG Zhi-Hong，LIU Yan-De. Spectrosc. Spect. Anal.，2017，37（04）： 1118-1122

歐陽(yáng)愛(ài)國(guó)，黃志鴻，劉燕德. 光譜學(xué)與光譜分析，2017，37（04）： 1118-1122

18?Borin A，F(xiàn)errao M F，Mello C，Maretto D A，Poppi R J. Anal. Chim. Acta，2006，579（1）： 25-32

19?YUAN Jing-Ze，LU Qi-Peng，WANG Jing-Li，DING Hai-Quan，GAO Hong-Zhi，WU Chun-Yang，LI Wan-Xia. Chinese J. Anal. Chem.，2017，45（9）： 1291-1296

袁境澤，盧啟鵬，王靜麗，丁海泉，高洪智，吳春陽(yáng)，李晚俠. 分析化學(xué)，2017，45（9）： 1291-1296

20?Clegg S M，Sklute E，Dyar M D，Barefield J E，Wiens R C. Spectrochim. Acta B，2009，64（1）： 79-88

21?Lei M，Yu X H，Li M，Zhu W X. Infrared Phys. Technol.，2018，92： 177-182

22?Xi W，Huang J H，F(xiàn)an W，Lu H M. Anal. Methods，2015，7： 787-792

23?Lee S，Choi H，Cha K，Chung H. Microchem. J.，2013，110： 739-748

24?LI Sheng-Fang，JIA Min-Zhi，DONG Da-Ming. Spectrosc. Spect. Anal.，2018，38（6）： 1766-1771

李盛芳，賈敏智，董大明. 光譜學(xué)與光譜分析，2018，38（6）： 1766-1771

25?Matsumoto S，Ishikawa A，Kume H，Takeuchi T，Homma Y. Int. J. Urol.，2010，16（9）： 760-764

26?Guo H X，Huang F R，Li Y P，F(xiàn)ang T，Zhu S Q. Anal. Lett.，2016，49（18）： 2964-2976

27?YAO Dan，ZHENG Kai-Yuan，LIU Zi-Di，LI Jun-Hao，ZHENG Chuan-Tao，WANG Yi-Ding. Acta Optica Sinica.，2019，39（9）： 0930006

姚 丹，鄭凱元，劉梓迪，李俊豪，鄭傳濤，王一丁. 光學(xué)學(xué)報(bào)，2019，39（9）： 0930006

28?Biswas S，Mallik B S. Phys. Chem. Chem. Phys.，2017，19（15）： 9912-9922

29?Bin J，Li X，F(xiàn)an W，Zhou J H，Wang C W. Analyst，2017，142： 2229-2238

30?Chalus P，Walter S，Ulmschneider M. Anal. Chim. Acta，2007，591（2）： 219-224

31?Tang H S，Zhang T L，Yang X F，Li H. Anal. Methods，2015，7（21）： 9171-9176

32?Fernandes H L，Raimundo I M，Pasquini C，Rohwedder J J R. Talanta，2008，75（3）： 804-810

33?Leung A K M，Chau F T，Gao J B. Anal. Chem.，1998，70（24）： 5222-5229