分析化学
分析化學
분석화학
CHINESE JOURNAL OF ANALYTICAL CHEMISTRY
2009年
6期
835-839
,共5页
蔡从中%温玉锋%裴军芳%朱星键
蔡從中%溫玉鋒%裴軍芳%硃星鍵
채종중%온옥봉%배군방%주성건
二维色谱%柱效%支持向量回归%粒子群算法%回归分析%预测
二維色譜%柱效%支持嚮量迴歸%粒子群算法%迴歸分析%預測
이유색보%주효%지지향량회귀%입자군산법%회귀분석%예측
以有效塔板数作为二维色谱的柱效指标,根据二维色谱在不同影响因素(包括预柱柱温、主柱柱温、柱间压差和主柱间的放空量)下的有效塔板数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了二维色谱柱效的SVR预测模型,并与BP神经网络(BPNN)模型进行了比较.结果表明:基于相同的训练样本和检验样本,二维色谱的SVR模型的平均绝对百分误差(MAPE, 13.3%)比其BPNN模型的MAPE小4%;增加训练样本数有助于提高支持向量回归(SVR)模型的泛化性能;基于留一交叉验证法(LOOCV)的SVR模型预测的平均绝对误差(MAE, 196.79 m-1)和MAPE(1.6%)均为最小,明显优于BPNN模型(2397.98 m-1, 17.3%)或SVR模型(1849.95 m-1, 13.3%)的预测效果.因此,SVR是一种预测二维色谱柱效的有效方法.
以有效塔闆數作為二維色譜的柱效指標,根據二維色譜在不同影響因素(包括預柱柱溫、主柱柱溫、柱間壓差和主柱間的放空量)下的有效塔闆數實測數據集,應用基于粒子群算法(PSO)尋優的支持嚮量迴歸(SVR)方法,建立瞭二維色譜柱效的SVR預測模型,併與BP神經網絡(BPNN)模型進行瞭比較.結果錶明:基于相同的訓練樣本和檢驗樣本,二維色譜的SVR模型的平均絕對百分誤差(MAPE, 13.3%)比其BPNN模型的MAPE小4%;增加訓練樣本數有助于提高支持嚮量迴歸(SVR)模型的汎化性能;基于留一交扠驗證法(LOOCV)的SVR模型預測的平均絕對誤差(MAE, 196.79 m-1)和MAPE(1.6%)均為最小,明顯優于BPNN模型(2397.98 m-1, 17.3%)或SVR模型(1849.95 m-1, 13.3%)的預測效果.因此,SVR是一種預測二維色譜柱效的有效方法.
이유효탑판수작위이유색보적주효지표,근거이유색보재불동영향인소(포괄예주주온、주주주온、주간압차화주주간적방공량)하적유효탑판수실측수거집,응용기우입자군산법(PSO)심우적지지향량회귀(SVR)방법,건립료이유색보주효적SVR예측모형,병여BP신경망락(BPNN)모형진행료비교.결과표명:기우상동적훈련양본화검험양본,이유색보적SVR모형적평균절대백분오차(MAPE, 13.3%)비기BPNN모형적MAPE소4%;증가훈련양본수유조우제고지지향량회귀(SVR)모형적범화성능;기우류일교차험증법(LOOCV)적SVR모형예측적평균절대오차(MAE, 196.79 m-1)화MAPE(1.6%)균위최소,명현우우BPNN모형(2397.98 m-1, 17.3%)혹SVR모형(1849.95 m-1, 13.3%)적예측효과.인차,SVR시일충예측이유색보주효적유효방법.
