[发明专利]一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法

说明书

本发明提供了一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法，对汽油样品进行光谱数据采集；采用小波变换对汽油样品的拉曼光谱数据进行预处理，并对小波变换的小波基函数和分解层数进行优化；对光谱预处理方法的参数进行优化；构建随机森林分类模型，对其决策树数目和决策树节点数数目进行优化；建立基于拉曼光谱的随机森林分类模型，利用随机森林分类模型预测预测集的汽油样品与掺混物，实现对随机森林分类模型的训练；对待测未知汽油样品采集光谱数据以及预处理，利用训练好的随机森林分类模型进行鉴别。本发明能够为汽油掺假物鉴别提供有力的理论基础以及技术支持，同时，也为石油化工领域其他指标的分析检测提供一定的技术参考。

技术领域

本发明属于光谱分析技术领域，具体涉及一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法。

背景技术

化石燃料的品质严重影响着机动车的使用性能。但是不法商家为了能够从中牟取暴利，不断做出违法的举动。通过向正规厂家生产的汽油等燃料中掺入一些掺入物(如甲醇、乙醇、苯、甲苯、废机油)，从而降低了油品采购的资金消耗。通常汽油掺假根据其掺入物质的不同大致可以分为三类，高低牌号油品相互掺入，以次充好、正规汽油中掺入一些化工试剂以及正规汽油中掺入一些废弃油料。掺假汽油的使用会带来诸多问题，例如，增大发动机等部件的消耗，大大地缩短其使用年限；增大汽车尾气排放，严重破坏自然环境等。现如今市面上对于掺假汽油的辨别方法主要集中于经验法(观察法、燃烧法等)和色谱法等。这些方法普遍存在一些局限性，例如，经验法偏差较大，对于一些低掺入量的掺假汽油无法识别；色谱法检测样品前处理复杂且检测耗时长等。

发明内容

为解决现有技术中于针汽油掺假鉴别技术的不足之处，本发明的目的在于提供一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法，本发明过程简便、对汽油掺假物识别准确率高。

为解决上述技术问题，本发明采用的技术方案是：

一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法，包括以下步骤：

S1、对若干不同的汽油样品进行光谱数据采集，所述若干不同的汽油样品包括不同种类的汽油样品以及含有不同比例掺入物的汽油混合物样品；

S2、采用小波变换对不同汽油样品的拉曼光谱数据进行预处理，并对小波变换的小波基函数和分解层数进行优化；

S3、将经过预处理的拉曼光谱数据划分为训练集和测试集，采用训练集作为输入变量构建随机森林分类模型，对小波变换的参数进行优化；

S4、将经过优化的小波变换处理后的数据作为输入变量，构建随机森林分类模型，采用五折交叉验证对随机森林分类模型的决策树数目和决策树节点数数目进行优化，得到优化后的随机森林分类模型；

S5、利用S4中得到的优化后的随机森林分类模型的决策树数目和决策树节点数数目建立基于拉曼光谱的随机森林分类模型，利用随机森林分类模型预测S4中测试集的汽油样品与掺混物，实现对随机森林分类模型的训练，得到训练好的随机森林分类模型；

S6、对于待测未知汽油样品，先进行S1至S2，然后将得到的数据输入S5得到的训练好的随机森林分类模型进行鉴别。

S2中，采用小波变换对不同汽油样品的拉曼光谱数据进行预处理时，采用的小波基函数选用为Daubechies、Haar或Symlets，小波分解层数范围为1-7。

S3中，对经过预处理的光谱数据进行训练集和测试集划分时，采用Kennard-Stone算法。

S3中，训练集和测试集的样品光谱数据比例为(2-3)：1。

S3中，采用训练集作为输入变量构建随机森林分类模型对小波变换的参数进行优化时，以随机森林分类模型的准确率、否定率以及命中率作为模型预测性能的评价指标；