基于机器学习的生物质三组分含量预测

发布时间：2022-07-27 12:15

　　为解决生物质中纤维素、半纤维素和木质素测定时耗时耗力等问题,提出基于支持向量回归机（support vector regression machine,SVR）和热重分析法的生物质三组分含量预测模型。通过对4种不同类型核函数的SVR进行比较,利用K折交叉验证法结合网格搜索法,对SVR的参数进行寻优,以获得最优参数进而训练三组分含量的预测模型,并对该模型进行测试和验证。结果表明:该模型具有较好的预测效果,三组分含量预测模型的相关系数R2均在0.9532以上;经验证该模型对毛竹、玉米杆和稻草的三组分含量预测绝对误差控制在2.72%以内。 

【文章页数】：8 页

【文章目录】：
0 引言
1 SVR原理
2 实验
    2.1 实验原料
    2.2 实验装置及方案
3 三组分含量预测模型构建
    3.1 数据准备及预处理
    3.2 核函数类型选择
    3.3 模型参数寻优
    3.4 模型训练、测试和验证
4 结果与分析
    4.1 纤维素含量预测模型构建与测试
    4.2 木聚糖含量预测模型构建与测试
    4.3 木质素含量预测模型构建与测试
    4.4 生物质三组分含量预测模型验证
5 结论


【参考文献】：
期刊论文
[1]基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类[J]. 陈善静,胡以华,孙杜娟,徐世龙.  红外与毫米波学报. 2014(03)
[2]基于核函数支持向量回归机的耕地面积预测[J]. 王霞,王占岐,金贵,杨俊.  农业工程学报. 2014(04)
[3]高斯多峰拟合用于生物质热解三组分模型的研究[J]. 李睿,金保昇,仲兆平,傅旭峰.  太阳能学报. 2010(07)
[4]我国生物质能资源与利用[J]. 赵军,王述洋.  太阳能学报. 2008(01)



本文编号：3665438