[发明专利]异质多模型辛烷值与抗爆系数分级预测集成建模方法

权利要求书

1.一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，包括以下步骤：

采用K折交叉验证法对多个异质学习器进行参数调优和优选，分别建立多个辛烷值预测子模型和多个抗爆系数预测子模型；

分别对多个所述辛烷值预测子模型和多个所述抗爆系数预测子模型进行线性集成或非线性集成，建立辛烷值集成模型和抗爆系数集成模型；

基于所述辛烷值集成模型得到辛烷值的预测结果；基于所述抗爆系数集成模型得到抗爆系数的预测结果。

2.根据权利要求1所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，所述辛烷值预测子模型和所述抗爆系数预测子模型的建立过程包括：

确定与辛烷值和抗爆系数关联程度高、且易测的n种成品汽油指标，作为数据集一；

在所述数据集一上采用K折交叉验证法对多个异质学习器进行优选和参数调优，并基于最优参数利用数据集一对优选出的多个异质学习器进行训练，得到多个所述辛烷值预测子模型；

将所述辛烷值预测子模型预测输出的辛烷值和所述数据集一进行组合，得到数据集二；

基于所述数据集二对优选出的多个异质学习器进行训练，得到所述抗爆系数预测子模型。

3.根据权利要求2所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，对优选出的异质学习器进行训练之前，还包括：对所述数据集一进行缺失值删除、异常值删除和归一化处理。

4.根据权利要求1所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，对所述辛烷值预测子模型或所述抗爆系数预测子模型进行线性集成的过程包括：

确定目标函数，对目标函数最小化，确定各个所述辛烷值预测子模型或所述抗爆系数预测子模型的最优权重；

基于最优权重，采用加权平均集成算法对多个所述辛烷值预测子模型或所述抗爆系数预测子模型进行集成，得到所述辛烷值集成模型或所述抗爆系数集成模型。

5.根据权利要求4所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，对目标函数引入L1正则项、L2正则项或混合L1L2正则项，对通过最小化目标函数获得的最优权重进行调整。

6.根据权利要求4所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，所述目标函数的表达式为：

其中，J₀为目标函数，为实际测量值，为各辛烷值预测子模型或抗爆系数预测子模型的预测输出，i＝1…m，j＝1…T，m为样本个数，T为异质学习器的个数，w_j为各辛烷值预测子模型或抗爆系数预测子模型权重。

7.根据权利要求4所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，所述辛烷值集成模型或所述抗爆系数集成模型的表达式为：

其中，且w_j≥0。

8.根据权利要求1所述的一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，其特征在于，对所述辛烷值预测子模型或所述抗爆系数预测子模型进行非线性集成的过程包括：

将优选出的用于建立所述辛烷值预测子模型或所述抗爆系数预测子模型的异质学习器作为初级学习器，将最终建立的辛烷值预测子模型和抗爆系数预测子模型作为初级子模型；

采取非线性机器学习算法作为次级学习器；

将所述初级子模型的预测输出和实际测量值组合作为新样本，并利用所述新样本对所述次级学习器进行参数优化和训练，得到最终的基于堆叠的非线性辛烷值集成模型或抗爆系数集成模型。