有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测（Matlab代码实现）

 ‍个人主页：研学社的博客 

欢迎来到本博客❤️❤️

博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

本文目录如下：

目录

1 概述

2 运行结果

3 参考文献

4 Matlab代码实现

---

1 概述

红外光谱法(IR)属于分子振动光谱技术，波数范围在4000cm-1～400cm-1之间,它的原理是基于分子中各类官能团的特征吸收，信号强度高，且对微量组分仍能检测出信号，具有灵敏度高、特征性强的优点,因此红外光谱法在材料、化工、食品、医药等多个领域均有应用。

辛烷值是反映汽油抗爆性的重要指标,也被作为划分汽油牌号的依据。现有的标准辛烷值测量方法为研究法辛烷值(RON)、马达法辛烷值(MON),它们的准确度高，但测量过程十分不易，不仅需要专用的试验发动机设备，而且还需要配备各种抗爆性等级的标准混合燃料，存在分析时间长、测试成本高等缺点，为此需寻求一种快速的辛烷值检测方法。近年来分子振动光谱技术迅速发展，近红外光谱技术由于具有快速、无损的分析特点，也开始应用于汽油辛烷值的快速测量。与红外光谱法相比，近红外光谱信号弱且灵敏度低，对于汽油中微量组分(如添加剂、非烃类组分等)响应较差，因此可能会导致对辛烷值具有贡献的一些组分不能被识别出来，从而使得汽油辛烷值测量不够准确，而红外光谱法由于灵敏度高，能够很好地解决这一问题。本研究利用了FTIR-ATR测定了各汽油样品的红外光谱，并结合偏最小二乘法建立了汽油RON辛烷值定量模型，实现了汽油辛烷值的快速预测，为汽油RON辛烷值的测定提供了方法。

2 运行结果

 

 部分代码：

%% 有监督学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测

%% 清空环境变量
clear all
clc

%% 训练集/测试集产生
load spectra_data.mat
% 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);

%% 有监督学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测

%% 清空环境变量
clear all
clc

%% 训练集/测试集产生
load spectra_data.mat
% 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);

%% 有监督学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测

%% 清空环境变量
clear all
clc

%% 训练集/测试集产生
load spectra_data.mat
% 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);

3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]丁怡曼,薛晓康,范宾,董学胜,舒耀皋.基于PLS-红外光谱的汽油辛烷值测定方法研究[J].化学研究与应用,2021,33(05):863-867.

4 Matlab代码实现