基于集成学习的燃料十六烷值预测

Diesel Cetane Number Prediction Based on Ensemble Learning

十六烷值(cetane number,CN)是衡量柴油燃烧性能的主要指标之一,由于实验测定方法成本高且耗时长,所以人们一直在研究燃料结构与其对应的十六烷值之间关系的方法,以期替代实验测定方法。文中提出一种基于定量结构-性质关系(quantitative structure-property relationship,QSPR)研究燃料结构与十六烷值之间关系的方法。该方法应用多种特征选择算法结合投票机制构成集成特征选择方法——从大量的结构参数中筛选出与燃料十六烷值最相关的15个分子描述符作为特征。然后对比人工神经网络算法和极端随机树算法建立的分子结构预测燃料十六烷值的模型。结果显示:(1)集成特征选择方法比单一特征选择方法更优;(2)极端随机树模型比人工神经网络模型对燃料的十六烷值预测精度更高。