基于支持向量機的沼氣中CH4濃度預測
加入技術(shù)交流群
3．2 結果與分析
在獲得的693個(gè)樣本中，隨機選擇543個(gè)作為訓練樣本，150個(gè)作為檢驗樣本。將本文方法與線(xiàn)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(SVM-noT)輸入幾種方法做比較，這些方法具體如下：
(1)線(xiàn)性插值法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(xon，y0n)，依照空間線(xiàn)性關(guān)系建立y=A·x模型(A為系數矩陣)，求解x11，x12，…，x1n所對應的y11，y12，…，y1n；
(2)多項式回歸法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(x0n，y0n)，依照最小二乘原則建立y=f(x)多項式模型，進(jìn)而求解x11，x12，…，x1n所對應的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：即以函數逼近理論為基礎、傳遞函數為徑向基函數的一類(lèi)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的預測濃度，可以檢驗這些模型的精度，其中向量xij=[T，U1／Ur，U2／Ur]，i=0，1；j=1，2，…，n；x0j為訓練樣本，x1j為測試樣本，為預測濃度。將本文考慮溫度的SVM方法與前五種方法進(jìn)行對比時(shí)，是以預測結果的最大誤差絕對值和誤差絕對平均來(lái)衡量的。六種方法的仿真結果對比如圖4所示。本文引用地址：http://dyxdggzs.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，取得了最好的預測精度。SVM模型的核函數能更好地模擬光譜信號的譜峰等特征信息，能充分考慮到沼氣中其他成分對CH4通道輸出的影響，實(shí)現U1／Ur，U2／Ur，溫度T對CH4濃度值更好地非線(xiàn)性映射，具有更好的泛化能力。
4 結論
針對沼氣中CH4濃度的預測問(wèn)題構建了實(shí)驗系統，獲取了大量實(shí)驗數據，探討了將溫度T，CH4和CO2探測器的輸出作為SVM的輸入，預測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)行對比。實(shí)驗結果表明，本文方法具有較高的預測精度，為沼氣中CH4濃度的預測提供了一個(gè)良好的思路。
評論