【技术实现步骤摘要】
基于支持向量机的生物质炭身份判别方法、系统及设备
[0001]本专利技术涉及生物质炭检测
，特别是涉及一种基于支持向量机的生物质炭身份判别方法、系统及设备。
技术介绍
[0002]生物质炭是将生物质在限氧和相对低温(300℃～700℃)条件下通过热裂解产生的一种富炭多孔的固体材料，具有高度羧酸酯化和芳香化结构、较大的孔隙度和比表面积、极低的可溶性等特点，蕴含植物所需的营养元素以及强吸附力、抗氧化力和抗生物分解能力，使其在原位碳储存、烟气净化、污染物固定、废水处理和提高土壤肥力等方面存在潜在优势。
[0003]生物质炭技术已经趋于成熟，但其社会效益不仅取决于生物质资源的丰富程度，还取决于生物质炭固碳潜力和经济可行性。将废弃生物质转化为生物质炭，是一条废物循环利用和固碳减排的绿色发展道路。
[0004]由于原料种类、技术方法、热解工艺等差异，生物质炭在结构、成分、孔容、比表面积等物理化学性质上表现出较大的差异性，进而使其拥有不同的环境效应。而在生物质炭应用领域不断拓展的同时，对碳储存值、肥力价值、石灰当量值...
【技术保护点】
【技术特征摘要】
1.一种基于支持向量机的生物质炭身份判别方法，其特征在于，包括：将采集的多个生物质炭样本的理化特性参数构成输入变量矩阵，并编码各生物质炭样本的身份类别标签；多个所述生物质炭样本包括不同来源废弃生物质以及不同来源废弃生物质在不同炭化温度下制备的生物质炭；采用主成分分析法对输入变量矩阵中的理化特性参数进行主成分分析，获得载荷系数矩阵和主元矩阵；将主元矩阵和所述身份类别标签构成生物质炭样本的特征数据集；根据所述身份类别标签，在所述生物质炭样本的特征数据集中任意两类生物质炭样本之间建立一个SVM分类器，并将所有建立的SVM分类器构成生物质炭身份判别模型；获取待预测生物质炭样本个体的理化特性参数，并经过载荷系数矩阵变换获得主元；将所述主元输入生物质炭身份判别模型中的所有SVM分类器，获得每个SVM分类器的身份类别预测结果；采用一对一分类策略统计得票最多的身份类别预测结果，并作为待预测生物质炭样本个体的生物质炭身份类别。2.根据权利要求1所述的基于支持向量机的生物质炭身份判别方法，其特征在于，所述将采集的多个生物质炭样本的理化特性参数构成输入变量矩阵，并编码各生物质炭样本的身份类别标签，具体包括：筛选碳储存价值、肥力价值、酸碱度、粒度分布作为初始理化特性参数；具体界定每种初始理化特性参数的指标，并将所有指标作为生物质炭样本的理化特性参数；实验测定每个生物质炭样本的理化特性参数数据，并将理化特性参数数据以行向量形式编列成每个生物质炭样本的输入向量，再将各个生物质炭样本的输入向量以行为序编列，构成输入变量矩阵；以数字符号编码每个生物质炭样本的身份类别标签。3.根据权利要求1所述的基于支持向量机的生物质炭身份判别方法，其特征在于，所述将采集的多个生物质炭样本的理化特性参数构成输入变量矩阵，并编码各生物质炭样本的身份类别标签，之后还包括：计算输入变量矩阵中各个理化特性参数列向量的均值和标准差；根据各个理化特性参数列向量的均值和标准差，利用公式对输入变量矩阵中各个理化性质参数列向量进行标准化处理，获得标准化后的输入变量矩阵；式中，表示标准化后的第l个理化性质参数列向量，x
l
表示第l个理化性质参数列向量，和s
l
分别表示第l个理化性质参数列向量的均值和标准差，l＝1,2,
…
,p，p表示输入变量矩阵中理化性质参数的数量。4.根据权利要求3所述的基于支持向量机的生物质炭身份判别方法，其特征在于，所述采用主成分分析法对输入变量矩阵中的理化特性参数进行主成分分析，获得载荷系数矩阵和主元矩阵，具体包括：根据输入变量矩阵X和标准化后的输入变量矩阵利用公式计算相关矩阵
R；计算相关矩阵R的特征值及特征列向量；根据相关矩阵R的特征值及特征列向量，利用公式计算各个特征主元的贡献率；式中，γ
q
为第q个特征主元的贡献率，λ
q
为第q个特征值，λ
i
为第i个特征值，p'为特征值的数量；将各个特征主元的贡献率从大到小排序，自特征主元个数h＝1出发，逐个增加特征主元个数，并通过公式计算相应的累计主元贡献率，直至累计主元贡献率增至大于或等于95％时，确定此时累计的特征主元个数m为主元理化特性参数的个数；式中，p
″
为特征主元的数量，p
″
的数值与p'的数值相等；将各个特征主元对应的载荷系数列向量组成载荷系数矩阵U＝[u1,u2,
…
,u
m
]；根据标准化后的输入变量矩阵X～和载荷系数矩阵U＝[u1,u2,
…
,u
m
]，利用公式确定主元矩阵T。5.根据权利要求1所述的基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。