二维色谱柱效的支持向量回归预测

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,196.79m-1)和MAPE(1.6%)均为最小,明显优于BPNN模型(2397.98m-1,17.3%)或SVR模型(1849.95m-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。