一种基于贝叶斯支持向量回归的二噁英排放在线预测方法技术

本发明专利技术公开了一种基于贝叶斯支持向量回归的二噁英排放在线预测方法，涉及二噁英在线预测技术领域。包括以下步骤，构建训练集和测试集，将训练集输入支持向量回归模型进行训练，进行交叉验证和回归预测；对所述支持向量回归模型进行贝叶斯优化，寻找所述支持向量回归的最优超参数；根据测试集对训练好的支持向量回归模型的预测性能进行定量评价；采用支持向量回归模型预测焚烧过程中的二噁英排放。本发明专利技术基于贝叶斯对支持向量回归模型进行优化，优化后的模型对二噁英实现精准的预测，误差小，并且模型的泛化性能好，便于进一步指导焚烧工况用以限制二噁英排放。

【技术实现步骤摘要】
一种基于贝叶斯支持向量回归的二噁英排放在线预测方法
本专利技术涉及二噁英预测
，尤其涉及一种基于贝叶斯支持向量回归的二噁英排放在线预测方法。
技术介绍
标准二噁英采样是通过采样焚烧过程产生的烟气来检测二噁英排放的，需要一周多的专业实验室二噁英预处理和高分辨率气相色谱/高分辨率质谱法分析。传统方法包括索氏提取，纯化等实验步骤，导致检测成本高昂，因此现有焚烧过程二噁英检测周期是至少每年一次。传统的测量方法难以满足公众实时获取二噁英排放的要求。较长的检测时间无法控制焚烧过程的运行和所投加燃料的组成，以减少二噁英排放。快速，准确的二噁英排放在线检测技术提供了快速、连续的运行条件反馈，从而大大降低了二噁英检测的成本，并优化操作条件以抑制二噁英的生成。在过去的十年中，通过共振增强多光子电离耦合飞行质谱法检测焚烧过程中高浓度二噁英指示物是可行有效的方法，低氯苯(二氯苯，三氯苯)是与二噁英国际毒性当量有良好相关性的最合适指标。特别是，大量研究人员认为1,2,4-三氯苯与二噁英排放的相关性很好(R2>0.91)。长期焚烧过程中燃料的组成、热值本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯支持向量回归的二噁英排放在线预测方法，其特征在于，包括以下步骤，/nS1，构建训练集和测试集，/nS2，将训练集输入支持向量回归模型进行训练，进行交叉验证和回归预测；/nS3，对所述支持向量回归模型进行贝叶斯优化，寻找所述支持向量回归的最优超参数；/nS4，根据测试集对训练好的支持向量回归模型的预测性能进行定量评价；/nS5，采用支持向量回归模型预测焚烧过程中的二噁英排放。/n

【技术特征摘要】
1.一种基于贝叶斯支持向量回归的二噁英排放在线预测方法，其特征在于，包括以下步骤，
S1，构建训练集和测试集，
S2，将训练集输入支持向量回归模型进行训练，进行交叉验证和回归预测；
S3，对所述支持向量回归模型进行贝叶斯优化，寻找所述支持向量回归的最优超参数；
S4，根据测试集对训练好的支持向量回归模型的预测性能进行定量评价；
S5，采用支持向量回归模型预测焚烧过程中的二噁英排放。


2.根据权利要求1所述的基于贝叶斯支持向量回归的二噁英排放在线预测方法，其特征在于，所述S1中，训练集和测试集的构建过程如下：
S11，检测烟气系统后的氯苯、CO、NOx的浓度，并同步收集二噁英样品，检测二噁英浓度；以氯苯、CO、NOx、二噁英的浓度构建数组；
S12，重复S11得到若干数组；
S13，其中一部分数组构成训练集，另一部分数组构成测试集。


3.根据权利要求1所述的基于贝叶斯支持向量回归的二噁英排放在线预测方法，其特征在于，所述S2的具体步骤如下：
S21，对于训练集(xi,ti)，获取目标函数f(xi)：
ti≈f(xi)＝＜ω,xi＞＝ωTxi+b
其中，ti为目标值，包括训练集中二噁英的浓度；xi为输入特征向量矩阵，包括训练集中氯苯、CO、NOx的浓度；ω为法向量，ωT为法向量的转置矩阵，b为位移项。
S22，将目标函数转化为最优化问题：






其中，ξi，为松弛变量；C为惩罚因子；ε为容忍误差；i为样本索引；
S23，根据拉格朗日方程，将最优化问题转化为对偶优化问题：



其中，αi，βi，为拉格朗日乘子；
S24，另Llinear的偏导数等于零，得偏导数方程如下：

【专利技术属性】
技术研发人员：陆胜勇，熊世剑，李晓东，彭亚旗，严建华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33