克隆选择算法及其在汽油辛烷值预测中的应用

摘要：辛烷值是汽油品牌划分和汽油抗爆特征划分的重要参数，传统实验室分析方法具有费用高、操作复杂、操作时间长等问题。针对传统方法面临的诸多问题，该文在近红外光谱分析分析的基础上，采用基于克隆选择方法优化的SVM预测汽油辛烷值。仿真结果表明，该方法操作简单，预测准确，为汽油辛烷值预测提供了一种新的方法。

关键词： 光谱分析；支持向量机；克隆选择；预测

Abstract： Octane value is the important parameter in the divide of gasoline brands and gasoline antiknock character. Traditional experimental analysis method has the problems of high expenses， complex operation and long operation time. According the problems， the article employs SVM optimized by clonal selection algorithm to predict gasoline octane value on the basis of near infrared spectrum analysis. Experiment result shows that the method operates simplicity ， predicts precisely . It provides a new method for the prediction of gasoline octane value prediction.

Key words：spectral analysis； SVM ； clonal selection； prediction

汽油辛烷值是汽油抗爆性能的重要参数和汽油牌号划分的重要依据，也是决定汽油质量的关键指标。汽油辛烷值分析的传统方法是实验分析，该方法测得辛烷值较为准确，但是该方法具有测定费用高，操作复杂等问题。汽油近红外光谱方法是近年来出现一种汽油特征分析的新方法，通过该方法得到的汽油光谱代表了汽油的特征，因此可用光谱分析汽油辛烷值。基于光谱分析的汽油辛烷值方法具有检测方便、分析迅速、费用低廉的优势，并且可以用于汽油辛烷值的实时分析中。本文在汽油光谱值近红外分析的基础上，采用基于克隆选择算法参数优化的支持向量机预测汽油辛烷值，并且取得了良好的预测效果。

1 近红外光谱分析

近红外光（Near-infrared，NIR）指的是波长范围在700mm到2500mm的电磁波，该范围光谱区在含氢基团X-H的泛频和组频的作用下，在化学程序重叠的吸收带的作用下，可以从近红外光的吸收光谱中化学组分和组分浓度信息，进而可以分析含氢基团化合物的定量特征和定性特征。近红外光谱分析技术在发展的早期，由于化合物的化学组成复杂，近红外光谱特征谱带的相互重叠，造成该方法难以分析单个相关成分的属性，只能预测所有成分的整体属性。但是随着化学计量学的发展，近红外光谱仪器的不断改进，多元校正技术的日趋成熟，目前已经可以直接利用近红外光谱信息预测物质的属性，并且在湿度测量、石油产品质量评定、农产品鉴别等方面得到了良好的运用，取得了良好的社会价值和经济价值[1]。

2 支持向量机

支持向量机通过非线性核函数把数据从低维空间转化到高维Hilbert空间中，然后在空间H中计算出一个能够正确划分新训练集的超平面[（ω?x）+b=0]，并使超平面到样本的几何间隔达到最大，从而实现样本划分和预测的问题。

3 克隆选择算法

3.1 算法概述

克隆选择算法起源于Burnet在1958年提出的克隆选择学说，该学说认为生物免疫系统具有自适应的抗原刺激功能，其中抗体以受体的形式在细胞表面分布，抗原可以有选择性的同抗体反映，并且引起细胞克隆性增值，增值的细胞一部分转化为抗体生成细胞，一部分转化为免疫记忆细胞，并且进行第二次免疫反应。克隆选择算法是一种典型的仿生物特征种群寻优算法，该算法通过自身的不断进化得到最优结果，在每一次进化的过程中，算法都在候选解集的附近，根据个体亲和度的大小，产生含抗体变异解的群体，并且通过抗体和抗原亲和度来实现个体竞争，同时通过调节抗体抗原的关系保持抗体种群的多样性，进而不断逼近问题的最优解。

克隆选择算法同时具有局部搜索和全局搜索的功能，该算法相比较遗传算法的优势在于通过构造记忆单元，把遗传算法的记忆单个最优变化为记忆最优解群体，并且可以证明克隆选择算法具有较好的收敛特征，虽然目前还不能给出克隆选择算法由于遗传算法的完整证明，但是在标准测试函数分析中，已经证明克隆选择算法优于相应的遗传算法[3]。

3.2 克隆选择优化SVM

根据SVM核函数性质，选择高斯函数作为SVM核函数，此时SVM的预测精度和高斯核参数[γ]和超平面惩罚因子[C]有关，尤其是对于高斯核参数[γ]来说，参数[γ]值越小，SVM的学习能力越强，结构风险越小，推广能力下降，置信风险越大。因此采用克隆选择算法优化SVM参数，以训练误差预测值最小为优化目标，寻找最优的参数[γ]和[C]，并且把优化后的参数赋值给SVM，从而得到更好的预测结果[4]。整个优化预测过程如图1所示。

4 基于优化支持SVM的辛烷值预测

根据汽油的近红外光谱可以快速分析汽油辛烷值原理，本文采用采用克隆选择优化参数的SVM预测汽油辛烷值。针对光谱分析数据维数过多的问题，采用主成分分析方法降维，并用降维后的数据训练SVM，最后用训练好的SVM预测汽油辛烷值，整个算法的计算流程如下[4]。 Step1：对光谱值进行主成分分析，实现原始光谱数据降维；

Step2：从降维后的数据中随机选择训练样本和测试样本；

Step3：采用训练样本和 根据训练数据，采用克隆选择算法优化SVM参数；

Step4：把优化后参数参数赋给SVM并用训练数据训练；

Step5：训练好的SVM预测测试样本辛烷值并比较精度。

5 仿真实例

5.1 数据预处理

采用本文介绍的克隆选择优化的SVM预测汽油辛烷值，一共对60个汽油样本进行光谱分析，由于样本光谱特征较多，各维特征之间存在冗余，不利于样本预测，因此首先采用主成分分析（PCA）的方法对原始数据进行降维处理，数据经过PCA处理后得到的各个主成分的累计贡献率如图2所示。

从图2中可以看出，前10个成分的贡献率就接近100%，因此用前10个主成分所代表的信息量能够充分解释原始数据所代表的信息，损失信息量不到0.1%。

5.2 克隆选择算法优化

5.3 SVM预测

采用克隆选择优化过的SVM预测汽油辛烷值，首先把克隆选择得到的参数赋给SVM，并且用训练集合训练SVM，然后用训练好的SVM预测辛烷值，预测结果如图4所示。

从图4和表1中可以看出，经过克隆选择优化的SVM支持向量机能够更加准确的预测汽油样本辛烷值。

6 小结

本文针对汽油辛烷值难以预测的问题，提出了一种基于克隆选择优化的支持向量机辛烷值预测方法，该方法以经过PCA降维后的汽油光谱数据作为输入值，使用训练过的支持向量机预测汽油辛烷值。仿真实验表明，该方法能够比较准确的预测汽油辛烷值，从而为汽油辛烷值的分析开创了一个新的方法。

参考文献：

[2] PLATT J. Fast training of support vector machines using sequential minimal optimization[C].Advances in Kernel Methods： Support Vector Learning. Cambridge， MA： The MIT Press，1998.

[3] 杜海峰.免疫克隆计算与人工免疫网络研究与应用，博士后研究报告，西安电子科技大学， 2003.

[4] 陈治明. 改进的粒子群算法及其 SVM 参数优化应用[J]. 计算机工程与应用， 2011，47（10）.