1、支持向量机原理

     支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性之间寻求更佳折哀，以期获得更好的推广能力。统计学习理论是一种小样本统计理论，着生研究在小样本情况下的统计学习问题。以此为基础的支持向量机方法与神经网络方法相比，前者具有更强的理论依据和更好的水泛化能力。更好地适用于解决小样本的机器学习问题。支持向量机方法的几个主要优点有：它是专门针对有限样本，目标是得到现有信息下的优越解而不仅是样本数趋于无穷大时的优越值；算法将转化成为一个二次寻优问题，从理论上说，得到的将是全局的优越点，解决了神经网络方法中的局部极值问题；算法将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造性判别函数来实现原空间中的非线性判别函数，能保证机器学习有较好的推广能力，同时巧妙地解决了维数“灾难”问题，算法复杂度与样本维数无关。

  对于非线性问题，支持向量机回归方法的主要是将原始问题通过非线性变换转化为某高维空间的线性问题，并在高空间中进行线性求解。

  2、仪器与样品

    （1）实验样品

       共收集62个石脑油样品，其中45个作为校正集，其余17个作为验证集。

    （2）仪器及光谱测量条件

       傅里叶变换红外光谱仪（FT-NIR）：加拿大Bomem公司生产，MB-160型，InGaAs检测器，光谱采集范围4000至10000cm-¹，分辨率4cm-¹，5mm石英样品池，光谱测量条件：空气为参比，室温为（22±5）℃。

   （3）裂解炉

     齐鲁乙烯装置BA1102：美国ABB Lummus SRT-IV型裂解炉。

   （4）裂解气测定仪器

      美国ABB公司的PYGAS3000系列110型在线色谱。

  3、结论与展望

    可以看出，对于石脑油密度、终馏点、正构烷烃、异构烷烃、烯烃、芳烃和环烷和环烷烃会含量的预测，红外方法能够得到与参考方法相当的结果。通过支持向量机方法初步建立模型的探索性研究表明，该模型能够很好比较好地预测乙烯、丙烯产率以及裂解深度。接下来的工作将通过进一步考察模型的适用性，从而可能达到通过模型选取优越的操作参安，利用优化的操作参娄实际装置进行操作，提高蒸汽裂解的效率。