基于最小二乘支持向量机的油页岩含油率近红外光谱分析

摘要 为了提高油页岩含油率近红外光谱分析建模的预测精度和稳定性，开展了基于最小二乘支持向量机（LS-SVM）建模方法的对比研究. 采用主成分-马氏距离（PCA-MD）和基于蒙特卡洛采样（MCS）2种方法进行了奇异样本的检测，采用径向基核函数的LS-SVM、偏最小二乘（PLS）和反向传播神经网络（BPANN）3种方法进行建模方法对比. 结果表明，对于64个油页岩岩芯样本，与PCA-MD方法相比，采用MCS方法剔除奇异样本后所建PLS模型的预测精度提高了28%. 对于MCS方法剔除奇异样本后的58个样品，采用Kennard-Stone法划分了44个样品的校正集和14个样品的预测集，采用2阶导数和标准化预处理方法，建立了100个LS-SVM的校正模型，模型的预测决定系数R2平均值达到0.90以上，高于PLS和BPANN模型的对应值；且R2的变化量（0.02）小于BPANN模型的对应值（0.32）. 因此，MCS奇异样本检测结合LS-SVM方法可提高油页岩含油率样本建模的精度和稳定性