向量机算法视域的化学化工学论文

1对支持机器向量算法的分析

1.1支持向量机算法的作用

在化学化工领域，小样本统计课题较多，所以支持机器向量算法就能在此发挥作用。例如，在研究人工神经网络时，就常出现过拟合的弊病。有专家预测，支持机器向量算法会在未来的化学化工实验中占据越来越重要的地位。近年来，我国通过组建实验室，实现计算机专家和化学家“一条龙”研究之路，通过进行SVM计算机编程工作，对化学化工问题进行计算建模。此外，还配合化学化工实验的验证工作，采用支持向量机算法分析化学中的多变量校正、商品检验和数据处理等，完成了新化合物预报、药物设计以及环境污染的数学建模等一系列应用课题。

1.2支持向量机算法的发展劣势

虽然我国对于支持向量机算法已经进行了不少研究，但是它在化学化工领域的研究进展明显缓慢，出现这种情况的原因就是可用参考资料较少。目前，虽已有许多关于支持向量机算法的论文，但是，这些文章大部分由数学家撰写，其中数学术语较多，严重影响了化学行业专家的理解。

2支持向量机算法的改进及其在奶粉蛋白质含量检测中的应用

2.1基于支持向量机算法的红外光谱技术

检验奶粉中蛋白质的含量，是确保奶粉质量的重要工作，为了使检验工作既保证检验速度，又保障奶粉不被破坏，采用了近红外和中红外光谱技术，这项技术的核心就是运用最小二乘支持向量机算法，对蛋白质值与广谱透射率建模。红外光谱技术在实际应用之前，需要进行建模工作，通过建模有助于减少蛋白质检测时间。支持向量机（SVM），是由统计学理论推导出的一种学习偏执。它抛弃了原来统计学中经验风险最小化原则，开始使用结构风险最小化原则。通过改进经典支持向量机算法得到的最小二乘支持向量机算法，可以快速解决多元建模问题，完成非线性和线性的多元建模工作。最小二乘支持向量机通过求解线性方程来取代原来SVM的二次优化工作，并得到支持向量，这种改进可以缩短求解时间，降低计算的复杂度，并且能够在只有少量数据样本的情况下，完成高维特征空间学习。

2.1.1最小二乘支持向量机

最小二乘支持向量机在建立回归模型时使用非线性函数，把输入变量映射至高维特征空间，用等式约束条件取代优化问题。进行支持向量机或者最小二乘支持向量机计算时，需要解决以下问题：确定最佳输入特征子集；计算时，需要选择合适的核函数参数；通过使用RBF核函数能够降低计算机在训练过程中的复杂性。

2.1.2最小二乘支持向量机建模和预测

笔者通过了解奶粉蛋白质含量检测实验的数据，进行了最小二乘支持向量机建模。为了缩短建模的运算时间，缩减运算量。建模时，通过PCA降维压缩原始光谱的输入变量，选取了8个优化输入特征子集，它们的贡献率从最高依次降低。实验后得到的样本被随机分成2部分，其中一部分用于建立最小二乘支持向量机模型，另一部分则用作预测样本。在使用RBF核函数的最小二乘支持向量机模型中，要注重对参数ó2和γ的选择。在此次研究中，γ在2到210之间选择，ó2在2到215之间选择。在选择最优的参数时，需要把ó2和γ组合后训练集交叉验证平方根的最小值当做指标，搜索范围限于两参数确定的平面。选优过程由粗选与精选完成，粗选的格点数标准是10×10，因为搜索的步长大，所以需要使用误差等高线圈定最有参数选取范围。精选的格点数与粗选一样，但是它能够进行小歩长细致搜索。

2.1.3NIRS与MIRS的比较

分别检测NIRS与MIRS范围光谱透射率，得到以下结果：MIRS预测奶粉蛋白质含量的效果最佳，全波段的检查效果也不错，NIRS预测对奶粉蛋白质含量的效果最不好。

3支持向量机算法在硅酸盐分析仪中的应用

在使用硅酸盐分析仪进行实验时，获得的测定数据较少，解析这些数据属于小样本问题。改进经典的LSSSVM，通过粒子群优化算法对LSSVM超参数进行优化。粒子群优化算法优化LSSVM参数的步骤使用粒子群优化算法，把待优化的径向基核函数ó与参数惩罚因子γ用作搜索空间的坐标。

4支持向量机算法的多项应用

支持向量机算法的计算精确度远高于人工神经网络，应用面也较广。比如在检验飞机中炸药问题上，使用支持向量机算法可以准确计算微量元素的含量，从而判断乘客携带的物品中是否有炸药。通过多项实践可以证明，支持向量机算法计算时出错率很低，绝对没有超过Fisher法与人工神经网络检验法。支持向量机通过与元素分析设备配合工作，可以达到更好的炸药检测效果。在商品检验中，支持向量机算法具有强大的预报能力，应该重点发挥它的优势。此外还应结合支持向量机和微量元素分析仪，对于商品的微量元素进行检测，判断商品的质量。支持向量机算法在商品检验中具有很大的发展潜力，应该加大对它这方面功能的研究。支持向量机算法为研制新产品与新材料提供了计算保障。研究一种新的材料或者生产新的产品，都需要经过漫长的实验摸索，才能确定最佳的生产配方。为了缩短研究实践时间，就必须使用高效的实验设计算法。如此，才能争取通过少次实验获得最佳的数据，然后运用最佳的数据建造数学模型。试验次数少就决定了数据信息和条件信息样本少，要用较少的样本进行较为准确的预报，就必须采用支持向量机算法。随着支持向量机算法的不断发展，它的应用范围也会越来越宽广。在药品、食品、汽车尾气等等多个方面都已取得进展。例如，刘亮就曾经发表过一篇论文，它主要探讨的就是支持向量机算法在预报机动车综合排气性能方面的作用。

5结束语

由上可知，支持向量机算法在化学化工行业应用广泛，具有远大的发展前景。我国应该加大对它的科研力度，支持计算机与化学行业工作者联合进行SVM的分析探讨工作，实现科研与实践相结合，在化学化工实际生产应用中，不断改进支持向量机算法。此外，还要不断拓展支持向量机算法的应用范围，运用SVM解决小样本项目难题，发挥SVM的优势，为我国的化学研究和化工生产做出贡献。

作者：王艳芳 单位：辽宁省朝阳广播电视大学