CN111833969A - 一种成品油辛烷值预测方法、设备及存储介质 - Google Patents
一种成品油辛烷值预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111833969A CN111833969A CN202010315950.9A CN202010315950A CN111833969A CN 111833969 A CN111833969 A CN 111833969A CN 202010315950 A CN202010315950 A CN 202010315950A CN 111833969 A CN111833969 A CN 111833969A
- Authority
- CN
- China
- Prior art keywords
- octane number
- sample
- oil
- model
- octane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000002156 mixing Methods 0.000 claims abstract description 12
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 150000001336 alkenes Chemical class 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 claims description 7
- 125000003118 aryl group Chemical group 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 125000001495 ethyl group Chemical group [H]C([H])([H])C([H])([H])* 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种成品油辛烷值预测方法、设备及存储介质，所述方法包括获取若干个样本的汽油历史调合配方，以构成第一训练集；获取需要进行预测的样本的组分油的性质以及配比；在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集；根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型；采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型；根据所述辛烷值训练模型以及所述需要进行预测的样本的组分油的性质以及配比预测出样本的成品油辛烷值。本发明适用于组分油辛烷值波动的情况下，无需繁琐的二元交互实验，运用更加广泛。
Description
技术领域
本发明涉及成品油辛烷值预测领域，特别涉及一种成品油辛烷值预测方法、设备及存储介质。
背景技术
目前，国内外常用的成品油辛烷值预测方法有Ethyl rt70模型、调和效应模型、虚拟组分模型、指数法模型等。其中Ethyl rt70模型计算复杂、需预先知道的条件较多；调和效应模型需要组分油的性质较为稳定，应用条件苛刻，并且不能更换调合组分油种类；虚拟组分模型需要组分油的性质较为稳定，并且需要大量的二元交互实验；指数法模型需要至少组分油数目三倍的样本数参与训练模型。因此，这些方法运用都不广泛。
因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种成品油辛烷值预测方法、设备及存储介质，以解决目前组分油辛烷值会波动，组分油种类会变化，辛烷值预测模型预测准确度较低，训练模型所需要样本过大的问题。
为了达到上述目的，本发明采取了以下技术方案：
一方面，本发明提供了一种成品油辛烷值预测方法，包括如下步骤：
S1、获取若干个样本的汽油历史调合配方，以构成第一训练集，并得到初始模型，其中，所述汽油历史调合配方包括组分油的配比、组分油的辛烷值、组分油烯烃含量、组分油芳烃含量以及成品油的辛烷值；
S2、获取需要进行预测的样本的组分油的性质以及配比；
S3、在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集，其中，4≤Nneig≤βN，0＜β＜1，N为第一训练集中的样本数量；
S4、根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型，其中，所述回归模型中的核函数为双核函数；
S5、采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型；
S6、根据所述辛烷值训练模型以及所述需要进行预测的样本的组分油的性质以及配比预测出样本的成品油辛烷值；
所述步骤S5具体包括：
建立辛烷值优化模型，并根据所述辛烷值优化模型，采用列队竞争算法求解出正则化参数和最优双核系数，以得到辛烷值训练模型，其中，所述辛烷值优化模型包括：
优化目标：K-交叉验证的均方根误差，
其中，yi为成品油辛烷值预测值，yt为成品油辛烷值实际值；
优化变量：正则化参数C，最优双核系数θ；
约束条件：10-8≤C≤108，0≤θ≤1；
列队竞争算法具体为：
S51、令k＝1,在自变量范围内采用随机的方法产生m个候选解代表m 个家族,组成该节点的初始子家族群，随机方法为：
式中，lbj为自变量下限，ubj为自变量上限，r为随机数；
S52、计算各家族的适应值；
S53、根据各家族的适应值，将m个家族排成一个列队；
S54、判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤S55；
S55、根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间，其中，排在列队前面的家族分得最小的搜索空间,排在列队最后面的家族分得最大的搜索空间，分配方法为：
其中，
和
分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的上限与下限；
是第t代进化中,列队中第i个家族的第j个变量的值；
是第j个变量在第t代的取值区间长度；
S56、每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，其中，繁殖方法与步骤S51中类似；
S57、每个家族中的最优个体组成新的家族，并令k＝k+1后重新执行步骤S52。
另一方面，本发明还提供了一种成品油辛烷值预测设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的成品油辛烷值预测方法中的步骤。
又一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的成品油辛烷值预测方法中的步骤。
相较于现有技术，本发明提供的成品油辛烷值预测方法、设备及存储介质中，所述方法包括获取若干个样本的汽油历史调合配方，以构成第一训练集；获取需要进行预测的样本的组分油的性质以及配比；在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集；根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型，其中，所述回归模型中的核函数为双核函数；采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型；根据所述辛烷值训练模型以及所述需要进行预测的样本组分油的性质以及配比预测出样本的成品油辛烷值。本发明适用于组分油辛烷值波动的情况下，无需繁琐的二元交互实验，并且不需要大量的样本数据的情况下，运用更加广泛。此外，本发明采用相似输入产生相似输出的方法，预测效果更准确。
附图说明
图1为本发明提供的成品油辛烷值预测方法的一较佳实施例的流程图；
图2为本发明提供的成品油辛烷值预测方法中列队竞争算法的流程图；
图3为现有的成品油辛烷值预测方法与本发明提供的成品油辛烷值预测方法的预测结果对比图。
具体实施方式
本发明提供一种成品油辛烷值预测方法、设备及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的成品油辛烷值预测方法，包括如下步骤：
S1、获取若干个样本的汽油历史调合配方，以构成第一训练集，并得到初始模型，其中，所述汽油历史调合配方包括组分油的配比、组分油的辛烷值、组分油烯烃含量、组分油芳烃含量以及成品油的辛烷值。
具体来说，首先收集一定数量的汽油历史调合配方，得到第一训练集，并根据第一训练集得到初始模型，具体的，所述初始模型包括：
模型输入自变量：xi＝(ai,bi,ci)；以及
模型输出因变量：yi，
其中，
j为组分油编号，且取值为不小于1的自然数，n为组分油种类数，且取值为不小于1的自然数，rj为编号为j的组分油辛烷值，fj为编号为j的组分油的配比，hj为编号为j的组分油芳烃含量，oj为编号为j的组分油烯烃含量，i为样本编号且取值为不小于1的自然数，ai为样本编号为i的线性加和辛烷值，bi为样本编号为 i的线性加和芳烃含量，ci为样本编号为i的线性加和烯烃含量，yi为样本编号为i的成品油辛烷值。
S2、获取需要进行预测的样本的组分油的性质以及配比。
具体来说，当需要进行样本的成品油辛烷值预测时，获取样本，并得到样本的组分油的性质以及配比，以实现后续对模型的建立及优化。
S3、在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集，其中，4≤Nneig≤βN，0＜β＜1，N为第一训练集中的样本数量。
具体来说，为了保证模型的准确性，本实施例采取局部学习的思想，基于“相似输入产生相似输出”的原则,选取第一训练集中，距离需要预测样本最近的Nneig个样本训练模型，具体的，所述步骤S3具体包括：
计算出所述第一训练集中的各个样本与所述需要进行预测的样本的欧氏距离，并选取出其中欧氏距离最短的Nneig个样本。
其中，各个样本与所述需要进行预测的样本的欧氏距离的计算公式为：
ρi(xi,xq)＝||xi-xq||，
其中，ρi为第i个样本距离需要预测的第q个样本的欧氏距离，
S4、根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型，其中，所述回归模型中的核函数为双核函数。
具体来说，选取了合适的样本后，即可采用最小二乘支持向量机回归的方法建模，具体的，所述回归模型包括：
优化目标：
约束条件：yi＝<w,Φ(xi)>+b+ei
其中，w为权重向量，b为偏置，ei为误差，C为正则化参数。
经过求解后，可得：
其中：
K<xi,xj>：核函数；
i＝1,2,3,4,...,N；
j＝1,2,3,4,...,N；
最后，成品油辛烷值预测函数为：
进一步来说，由于单核函数最小二乘支持向量机容易陷入局部最优值，因此本发明采用双核函数最小二乘支持向量机的建模算法。具体的，所述双核函数的计算公式为：
K<xi,xj>＝θKrbf+(1-θ)Ksigmoid
其中，θ为双核系数，Krbf为径向基核函数，Ksigmoid为sigmoid核函数， p为径向基宽度参数，κ为比例系数，ν为偏移量。
S5、采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型。
本实施例中，针对同一个核函数，核参数取值对核函数的性能影响较大，本发明采用列队竞争算法对正则化参数C，最优双核系数θ进行优选。具体的，所述步骤S5具体包括：
建立辛烷值优化模型，并根据所述辛烷值优化模型，采用列队竞争算法求解出正则化参数和最优双核系数，以得到辛烷值训练模型，其中，所述辛烷值优化模型包括：
优化目标：K-交叉验证的均方根误差，
其中，yi为预测值，yt为实际值；
优化变量：正则化参数C，最优双核系数θ；
约束条件：10-8≤C≤108，0≤θ≤1。
进一步来说，请参阅图2，列队竞争算法具体为：
S51、令k＝1,在自变量范围内采用随机的方法产生m个候选解代表m 个家族,组成该节点的初始子家族群，随机方法为：
式中，lbj为自变量下限，ubj为自变量上限，r为随机数；
S52、计算各家族的适应值；
S53、根据各家族的适应值，将m个家族排成一个列队；
S54、判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤S55；
S55、根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间，其中，排在列队前面的家族分得最小的搜索空间,排在列队最后面的家族分得最大的搜索空间，分配方法为：
其中，
和
分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的上限与下限；
是第t代进化中,列队中第i个家族的第j个变量的值；
是第j个变量在第t代的取值区间长度；
S56、每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，其中，繁殖方法与步骤S51中类似；
S57、每个家族中的最优个体组成新的家族，并令k＝k+1后重新执行步骤S52。
进一步来说，通过优选后的C，θ，采用最小二乘支持向量机回归得到ω，b，即可完成模型的训练，同时也可以进行成品油辛烷值预测。
S6、根据所述辛烷值训练模型以及所述需要进行预测的样本的组分油的性质以及配比预测出样本的成品油辛烷值。
在具体应用时，收集某炼化企业100天的汽油调合数据，其中80天的数据作为训练集，20天的数据作为测试集，分别对比Ethyl rt70模型和本发明的预测模型(为方便标注，在图3和表1中称为SVR-LCA模型)，结果如图3和表1所示。经过比较可知，本发明的预测效果更加准确。
表1
综上所述，本实施例提出的新型的成品油辛烷值预测方法，适用于组分油辛烷值波动的情况下，无需繁琐的二元交互实验，并且不需要大量的样本数据的情况下，运用更加广泛。此外，本方法采用相似输入产生相似输出的方法，预测效果更准确。
基于上述成品油辛烷值预测方法，本发明还相应的提供了一种成品油辛烷值预测设备，包括处理器以及存储器，所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如上述实施例所述的成品油辛烷值预测方法中的步骤。
本发明提供的成品油辛烷值预测设备，用于实现成品油辛烷值预测方法，因此，上述成品油辛烷值预测方法所具备的技术效果，成品油辛烷值预测设备同样具备，在此不再赘述。
综上所述，本发明提供的成品油辛烷值预测方法、设备及存储介质中，所述方法包括获取若干个样本的汽油历史调合配方，以构成第一训练集；获取需要进行预测的样本的组分油的性质以及配比；在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集；根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型，其中，所述回归模型中的核函数为双核函数；采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型；根据所述辛烷值训练模型以及所述需要进行预测的样本的组分油的性质以及配比预测出样本的成品油辛烷值。本发明适用于组分油辛烷值波动的情况下，无需繁琐的二元交互实验，并且不需要大量的样本数据的情况下，运用更加广泛。此外，本发明采用相似输入产生相似输出的方法，预测效果更准确。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等) 来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种成品油辛烷值预测方法，其特征在于，包括如下步骤：
S1、获取若干个样本的汽油历史调合配方，以构成第一训练集，并得到初始模型，其中，所述汽油历史调合配方包括组分油的配比、组分油的辛烷值、组分油烯烃含量、组分油芳烃含量以及成品油的辛烷值；
S2、获取需要进行预测的样本的组分油的性质以及配比；
S3、在所述第一训练集中选取与所述需要进行预测的样本最接近的Nneig个样本，以构成第二训练集，其中，4≤Nneig≤βN，0＜β＜1，N为第一训练集中的样本数量；
S4、根据所述第二训练集和初始模型，采用最小二乘支持向量机建立回归模型，其中，所述回归模型中的核函数为双核函数；
S5、采用列队竞争算法优选出所述回归模型中的正则化参数和最优双核系数，以得到辛烷值训练模型；
S6、根据所述辛烷值训练模型以及所述需要进行预测的样本的组分油的性质以及配比预测出样本的成品油辛烷值；
所述步骤S5具体包括：
建立辛烷值优化模型，并根据所述辛烷值优化模型，采用列队竞争算法求解出正则化参数和最优双核系数，以得到辛烷值训练模型，其中，所述辛烷值优化模型包括：
优化目标：K-交叉验证的均方根误差，
其中，yi为成品油辛烷值预测值，yt为成品油辛烷值实际值；
优化变量：正则化参数C，最优双核系数θ；
约束条件：10-8≤C≤108，0≤θ≤1；
列队竞争算法具体为：
S51、令k＝1,在自变量范围内采用随机的方法产生m个候选解代表m个家族,组成该节点的初始子家族群，随机方法为：
式中，lbj为自变量下限，ubj为自变量上限，r为随机数；
S52、计算各家族的适应值；
S53、根据各家族的适应值，将m个家族排成一个列队；
S54、判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤S55；
S55、根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间，其中，排在列队前面的家族分得最小的搜索空间,排在列队最后面的家族分得最大的搜索空间，分配方法为：
其中，
和
分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的上限与下限；
是第t代进化中,列队中第i个家族的第j个变量的值；
是第j个变量在第t代的取值区间长度；
S56、每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，其中，繁殖方法与步骤S51中类似；
S57、每个家族中的最优个体组成新的家族，并令k＝k+1后重新执行步骤S52。
2.根据权利要求1所述的成品油辛烷值预测方法，其特征在于，所述初始模型包括：
模型输入自变量：xi＝(ai,bi,ci)；以及
模型输出因变量：yi，
其中，
j为组分油编号，且取值为不小于1的自然数，n为组分油种类数，且取值为不小于1的自然数，rj为编号为j的组分油辛烷值，fj为编号为j的组分油的配比，hj为编号为j的组分油芳烃含量，oj为编号为j的组分油烯烃含量，i为样本编号且取值为不小于1的自然数，ai为样本编号为i的线性加和辛烷值，bi为样本编号为i的线性加和芳烃含量，ci为样本编号为i的线性加和烯烃含量，yi为样本编号为i的成品油辛烷值。
3.根据权利要求2所述的成品油辛烷值预测方法，其特征在于，所述步骤S3具体包括：
计算出所述第一训练集中的各个样本与所述需要进行预测的样本的欧氏距离，并选取出其中欧氏距离最短的Nneig个样本。
4.根据权利要求3所述的成品油辛烷值预测方法，其特征在于，各个样本与所述需要进行预测的样本的欧氏距离的计算公式为：
ρi(xi,xq)＝||xi-xq||，
其中，ρi为第i个样本距离需要预测的第q个样本的欧氏距离。
5.根据权利要求4所述的成品油辛烷值预测方法，其特征在于，所述回归模型包括：
优化目标：
约束条件：yi＝<w,Φ(xi)>+b+ei
其中，w为权重向量，b为偏置，ei为误差，C为正则化参数；
求解所述回归模型得到成品油辛烷值预测函数为：
6.根据权利要求5所述的成品油辛烷值预测方法，其特征在于，所述双核函数的计算公式为：
K<xi,xj>＝θKrbf+(1-θ)Ksigmoid
其中，θ为双核系数，Krbf为径向基核函数，Ksigmoid为sigmoid核函数，p为径向基宽度参数，κ为比例系数，ν为偏移量。
7.一种成品油辛烷值预测设备，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的成品油辛烷值预测方法中的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任意一项所述的成品油辛烷值预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315950.9A CN111833969B (zh) | 2020-04-21 | 2020-04-21 | 一种成品油辛烷值预测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315950.9A CN111833969B (zh) | 2020-04-21 | 2020-04-21 | 一种成品油辛烷值预测方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111833969A true CN111833969A (zh) | 2020-10-27 |
| CN111833969B CN111833969B (zh) | 2022-08-19 |
Family
ID=72913991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010315950.9A Active CN111833969B (zh) | 2020-04-21 | 2020-04-21 | 一种成品油辛烷值预测方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833969B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560930A (zh) * | 2020-12-09 | 2021-03-26 | 上海海事大学 | 基于生产数据的汽油辛烷值预测方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698012A (zh) * | 2017-10-23 | 2019-04-30 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
| CN110021384A (zh) * | 2017-10-23 | 2019-07-16 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
| CN110070921A (zh) * | 2017-10-23 | 2019-07-30 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
-
2020
- 2020-04-21 CN CN202010315950.9A patent/CN111833969B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698012A (zh) * | 2017-10-23 | 2019-04-30 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
| CN110021384A (zh) * | 2017-10-23 | 2019-07-16 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
| CN110070921A (zh) * | 2017-10-23 | 2019-07-30 | 中国石油化工股份有限公司 | 一种用于预测汽油辛烷值的方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560930A (zh) * | 2020-12-09 | 2021-03-26 | 上海海事大学 | 基于生产数据的汽油辛烷值预测方法 |
| CN112560930B (zh) * | 2020-12-09 | 2024-01-19 | 上海海事大学 | 基于生产数据的汽油辛烷值预测方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111833969B (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Williams et al. | How evolution modifies the variability of range expansion | |
| Kuhn | Variable selection using the caret package | |
| CN111833969B (zh) | 一种成品油辛烷值预测方法、设备及存储介质 | |
| Long et al. | Radial basis function regression methods for predicting quantitative traits using SNP markers | |
| Lu et al. | Balancing multiple criteria incorporating cost using Pareto front optimization for split‐plot designed experiments | |
| Khor et al. | Using a genetic algorithm and formal concept analysis to generate branch coverage test data automatically | |
| CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
| Long et al. | Marker-assisted prediction of non-additive genetic values | |
| JP2003058582A (ja) | 設計・配合のシミュレーションシステム | |
| CN110378513A (zh) | 一种用于工程规划的最优解确定方法及系统、设备、介质 | |
| CN113642667B (zh) | 一种图片增强策略确定方法、装置、电子设备及存储介质 | |
| Faber et al. | Systematic adoption of genetic programming for deriving software performance curves | |
| Stinstra et al. | Metamodeling by symbolic regression and Pareto simulated annealing | |
| CN108776810A (zh) | 一种基于Universum学习的多经验核分类器 | |
| CN113125377B (zh) | 一种基于近红外光谱检测柴油性质的方法及装置 | |
| JP2003058579A (ja) | 設計・配合の最適化方法 | |
| Eliseussen et al. | Rank‐based Bayesian variable selection for genome‐wide transcriptomic analyses | |
| CN111274119B (zh) | 一种基于多种群协同进化的变异测试数据生成方法 | |
| Pu et al. | Parallelizing Bayesian knowledge tracing tool for large-scale online learning analytics | |
| Shrote et al. | PyBrOpS: a Python package for breeding program simulation and optimization for multi-objective breeding | |
| ADAMS | AN IMPROVED SPLINE SMOOTHING METHOD FOR ESTIMATION IN THE PRESENCE OF AUTOCORRELATED ERRORS | |
| Ross | Determining feasibility resilience: Set based design iteration evaluation through permutation stability analysis | |
| CN118364729B (zh) | 一种基于决策树的计算机化自适应诊断测试生成方法 | |
| Kirsner | Nonstationary Models for Large Spatial Datasets Using Multi-resolution Process Convolutions | |
| Shin | Priors for bayesian shrinkage and high-dimensional model selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |