選用我國華北地區(qū)具有代表性的小麥、玉米、水稻秸稈樣品,對比研究了偏最小二乘(PLSR)和高斯核支持向量機(jī)(RBF-SVR)分別構(gòu)建單一和混合種類秸稈全波段定量分析模型的效果,探討了紅外光聲光譜耦合化學(xué)計(jì)量學(xué)方法構(gòu)建我國主要糧食作物秸稈導(dǎo)熱系數(shù)定量分析模型的可行性。研究發(fā)現(xiàn),小麥秸稈和水稻秸稈導(dǎo)熱系數(shù)RBF-SVR非線性模型,以及玉米秸稈、混合種類秸稈的PLSR線性模型效果較優(yōu)。進(jìn)一步應(yīng)用蟻群算法與上述最優(yōu)建模方法相結(jié)合,構(gòu)建了更加優(yōu)化的小麥秸稈、玉米秸稈、水稻秸稈和混合秸稈導(dǎo)熱系數(shù)模型,驗(yàn)證決定系數(shù)(R_p²)分別為0.77、0.83、0.96和0.79,驗(yàn)證均方差(RMSEP)分別為0.007 8、0.015、0.005 9、0.014 W/(m·K),驗(yàn)證相對分析誤差(RPD)分別為2.81、2.41、7.39和2.15。研究結(jié)果表明,紅外光聲光譜技術(shù)結(jié)合先進(jìn)適用的化學(xué)計(jì)量學(xué)方法可實(shí)現(xiàn)我國主要糧食作物秸稈導(dǎo)熱系數(shù)的快速定量分析,但混合秸稈模型預(yù)測精度仍需進(jìn)一步提升。

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 材料與方法
    1.1 樣品收集與制備
    1.2 導(dǎo)熱系數(shù)測定
    1.3 紅外光聲光譜采集
    1.4 數(shù)據(jù)處理與模型構(gòu)建
    1.5 模型效果評價(jià)
2 結(jié)果與討論
    2.1 樣品導(dǎo)熱系數(shù)分析
    2.2 紅外光聲光譜分析
    2.3 基于PLSR和RBF-SVR的全波段模型
    2.4 基于蟻群算法的模型優(yōu)化
3 結(jié)束語



本文編號：3785090