建立了一种基于近红外光谱(Near infrared spectroscopy,NIR)结合小波变换-随机森林(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。采用傅里叶变换红外光谱仪采集54个甲醇汽油样品的光谱,并进行光谱解析;探究不同光谱预处理方法对样品NIR光谱的处理效果,重点探究基于不同小波基函数与小波分解层数的小波变换(Wavelet transform,WT)光谱预处理效果,并通过优化变量重要性阈值筛选随机森林RF校正模型的输入变量;基于优化后的参数及输入变量,构建了甲醇汽油NIR光谱的WT-RF模型。为了进一步验证此模型的预测性能,将其与小波变换-偏最小二乘校正模型(Wavelet transform-Partial least squares,WT-PLS)和小波变换-最小二乘支持向量机校正模型(Wavelet transform-Least square support vector machine,WT-LSSVM)进行对比。结果表明,WT-RF校正模型具有最佳的预测性能,其交叉验证决定系数(Coefficient of determination of cross-validation,Rcv2)和均方根误差(Root mean square error of cross-validation,RMSECV)分别是0. 9990和0. 0044%,预测集决定系数(Coefficient of determination of prediction set,Rp2)和均方根误差(Root mean square error of prediction set,RMSEP)分别为0.9885和0.0191%。研究结果表明,NIR光谱结合WT-RF算法是一种快速准确定量分析甲醇汽油中甲醇含量的方法。
前期研究工作提出了以预测均方根相对误差最小为回归目标的方法(Minimization of prediction relative error,MPRE),它能使得预测结果的均方根相对误差更小。偏最小二乘法(Partial least squares,PLS)是以预测均方根误差为回归目标,能使得预测结果的均方根误差更小。基于多模型结合的思想,提出将MPRE与PLS相结合的双模型结合多元校正方法。本方法步骤为:(1)分别采用MPRE与PLS法对校正集建模;(2)计算阈值;(3)分别采用已建立好的MPRE与PLS模型进行预测;(4)将预测结果与阈值进行比较,得到预测结果。通过对酒精的近红外光谱与汽油紫外光谱进行定量分析结果表明,本方法可进一步减小预测均方根误差与相对误差。
