第30卷，第10期 2010年10月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 30, No. 10, pp2654-2657
October，2010
基于近红外光谱技术成品汽油分类方法的研究张军，姜黎，陈哲，余谦，梁静秋”，王京华3 1暨南大学，光电信息与传感技术广东普通高校重点实验室，广东广州510632
2，中国科学院长春光学精密机械与物理研究所，吉林长春130033 3，中国石化总公司广州分公司，广东广州510726
摘要在研究成品汽油的分类方法过程中，首先采用判别式象类分析方法比较了700～1100和1100～ 1700nm两个波段范围判别模型的准确性，然后在识别模型准确性较高的波段(1100～1700nm)采用主成分分析法(PCA)结合白组织竞争神经网络方法，对90#，93#和97#成品汽油建立定性识别模型。在建立定性模型前先用PCA法对原始数据进行主成分压缩。主成分分析结果表明，前3个主成分的累积可信度已达97%，取前3个主成分的32个波长点的吸光度作为神经网络的输人，建立三层白组织竞争神经网络模型。神经网络模型的学习参数为0.01，网络训练选代次数为500。结果表明，基于主成分分析结合自组织竞争神经网络方法建立的近红外光谱鉴别成品汽油的模型鉴别准确率高、方法可行。
同近红外光谱；判别式聚类分析；主成分分析；自组织竞争神经网络；汽油
关键词
中图分类号：0657.3，0433.1
引言
文献标识码：A
随汽油市场的开放，汽油的进货渠道不同，其质量也有所不同。市场上出售的汽油辛烷值在很多时候监测不到位，这样不仪影响消费者的利益，同时也对环境造成影响。因此，研制便携式汽油制品品质监测仪器，用于现场监测汽油制品的品质，以确保汽油制品的标号与实际相符就显得十分有意义。
日前快速检测汽油标号的光学方法主要有以下两种方法：一种是采用折射率方法确定成品汽油的标号[]，但此法对于折射率相差很小的两种牌号油品（例如90号汽油、93号汽油)来说不能准确地做出判断；另一种是近红外光谱技术方法[2]，此法是一种间接分析方法，通过建立校正模型，实现对未知样本的定性或定最分析(35)。近红外光谱分析方法已广泛应用于石油产品的性质及组成分析(2)。在对成品汽油组成成分分析方面，很多单位(210)作了大量的工作。但研制便携式汽油制品品质监测仪器，需要建立成品汽油的定性校正分析模型。
在成品汽油近红外光谱建模中，由于不同牌号汽油的调合组分相差较大以及非线性等向题，采用线性偏最小二乘(PLS)方法往往不能建立一个须测准确性高的通用分析模
收日期：2010-01-11，修订日期：2010-04-26
基金项目：国家(863计划项日(2009AA04Z315)资助
作者简介：张军，女，1968年生，资南大学光电工程系副研究员万方数据
DOl; 10. 3964/j. issn. 1000-0593(2010)10-2654-04
型，而人工神经网络方法可以通近任何连续的非线性曲线是定性鉴别或定试测定的首选方法。另外由于白组织竞争神经网络采用竞争型的学习规则对样本空间进行仿真，在通近能力、分类能力和学习速度上有若较强的优势，即使在缺乏样本数据时，预测效果也比较好，所以本文首先采用判别式案类方法，在700～1100和1100~1700nm光谐范用内，建立了3种牌号成品汽油的定性识别模型并进行了比较。然后选择在分类错误率较低的1100～1700nm光谱范图内，采用主成分分析联合白组织竞争神经网络的方法建立3种牌号成品汽油的近红外光谱定性校正模型，并与判别式案类方法进行比较。结果表明，自组织竞争神经网络方法的预测能力优于判别式聚类方法，从而为成品汽油品质鉴定和在线监测提供了一种新的方法和手段。
自组织竞争人工神经网络原理
在建立近红外光谱定性校正模型的过程中，本文采用了主成分分析联合白组织竞争神经网络的方法。自组织竞争人工神经网络是一种以无教师示教的方式进行网络训练、具有自组织功能的神经网络。网络通过自身训练，自动对输人模式进行分类"。图1是自组织竞争神经网络的结构图，由输人层(input)和输出层(layer和output)组成，该网络结构中
e-mail; cedbys@163, com