基于红外光谱与多种预处理组合的柴油纯度检测方法

利用红外光谱技术采集51种不同体积分数的柴油光谱数据,采用主成分马氏距离法剔除异常样本,通过71种预处理组合及偏最小二乘法建立了柴油纯度性质模型。结果表明:合理预处理后的建模效果明显优于未经预处理的效果,预测均方根误差(RMSEP)降到了0.0400以下,相关系数(R_(p))达到了0.9900以上,且预处理组合方法的顺序不同,其建模效果即模型评价指标RMSEP、R_(p)也不同;1stderivative+SNV、1^(st) derivative+SNV+center、1^(st) derivative+center+SNV、center+1stderivative+SNV这4种预处理组合方法的模型预测效果最好,RMSEP可达0.0187,R_(p)可达0.9978,可适用于柴油纯度光谱数据的处理,实现柴油纯度的检测。

基于红外光谱技术与变量选择算法的柴油纯度检测

为实现柴油纯度的快速检测,采用RS法、KS法和SPXY法对利用红外光谱技术所采集的柴油样本数据进行样本集划分,之后利用蒙特卡洛交叉验证法(MCCV)剔除异常样本,并采用无信息变量消除法(UVE)、竞争性自适应重加权采样法(CARS)、遗传算法(GA)和自举柔性收缩算法(BOSS)对全光谱变量进行优选,根据所选变量建立偏最小二乘(PLS)模型。结果表明:SPXY法划分样本后所建立的模型效果最好,其预测均方根误差RMSEP为0.0412,预测相关系数R_(P)为0.9921;经MCCV法剔除异常样本后,模型的RMSEP降低了4.85%,R_(P)提高了0.50%;经UVE法选择的变量所建立的PLS模型性能最好,其RMSEP可达0.0239,R_(P)可达0.9977,与全谱模型相比,RMSEP降低了39.03%,R_(P)提高了0.06%,变量减少率可达67.27%。