基于支持向量機的沼氣中CH4濃度預測
3.2 結果與分析
在獲得的693個樣本中,隨機選擇543個作為訓練樣本,150個作為檢驗樣本。將本文方法與線性插值法(Liner Interpolation,L-I)、多元回歸法(Multiple Regression,M-R)、BP神經網絡、RBF神經網絡、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)線性插值法:由已知點(x01,y01),(x02,y02),…,(xon,y0n),依照空間線性關系建立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(x01,y01),(x02,y02),…,(x0n,y0n),依照最小二乘原則建立y=f(x)多項式模型,進而求解x11,x12,…,x1n所對應的y11,y12,…,y1n;
(3)BP神經網絡法:基于誤差反向傳播算法的多層前向神經網絡,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神經網絡模型;
(4)RBF神經網絡法:即以函數逼近理論為基礎、傳遞函數為徑向基函數的一類前向神經網絡,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神經網絡模型;
(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,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行對比時,是以預測結果的最大誤差絕對值和誤差絕對平均來衡量的。六種方法的仿真結果對比如圖4所示。本文引用地址:http://butianyuan.cn/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,實現U1/Ur,U2/Ur,溫度T對CH4濃度值更好地非線性映射,具有更好的泛化能力。
4 結論
針對沼氣中CH4濃度的預測問題構建了實驗系統(tǒng),獲取了大量實驗數據,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五種方法進行對比。實驗結果表明,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良好的思路。
評論