(1)將實(shí)驗(yàn)系統(tǒng)按圖1結(jié)構(gòu)組建好;

　　(2)設(shè)置溫箱溫度T1，等待2個(gè)小時(shí)，使得溫度恒定;

　　(3)將三個(gè)流量計(jì)的流速均設(shè)置為0，打開(kāi)上位機(jī)數(shù)據(jù)獲取軟件，為數(shù)據(jù)獲取做準(zhǔn)備;

　　(4)打開(kāi)氣瓶減壓閥，使氣體流出;

　　(5)按所要配置的氣體濃度Ci，分別設(shè)置流量計(jì)1，2，3的流速;待傳感器輸出穩(wěn)定時(shí)，獲取CH4，CO2，參考端的輸出值并保存;

　　(6)CH4濃度標(biāo)定范圍為0%～100%(0%，1%，2%，…，100%，共19個(gè)標(biāo)定點(diǎn))，CO2為0%～100%(0%，0.5%，1%，…，100%，共23個(gè)標(biāo)定點(diǎn))。實(shí)際標(biāo)定時(shí)，先固定CH4濃度，不斷改變CO2的濃度得到一組測(cè)量值;然后改變CH4濃度到另一固定值，再不斷改變CO2的濃度得到另一組測(cè)量值;重復(fù)(5)，采集到不同氣體濃度組合的探測(cè)器輸出值;

　　(7)改變溫箱溫度Ti，重復(fù)(2)～(6)，得到不同溫度下的數(shù)據(jù)。

　　通過(guò)上述數(shù)據(jù)采集過(guò)程，最終得到0℃，25℃，40℃，50℃的試驗(yàn)數(shù)據(jù)693組，為進(jìn)行SVR做準(zhǔn)備。實(shí)驗(yàn)數(shù)據(jù)如表1所示，U1，U2，Ur行分別代表CH4，CO2，參考端的A/D值。

　　3 基于SVM的CH4濃度的預(yù)測(cè)算法

　　3.1 SVM預(yù)測(cè)模型的建立

　　上述分析可知，參考端(Ref探測(cè)端)最能體現(xiàn)光源信息;U1/Ur，U2/Ur與U1，U2相比，更能體現(xiàn)CH4和CO2對(duì)其特征光子吸收的程度;同樣組分的沼氣混合氣，溫度不同時(shí)，傳感器的幾個(gè)通道輸出不在同一數(shù)域。鑒于SVM善于解決小樣本、非線性問(wèn)題，及其好的泛化能力，把溫度T，U1/Ur，U2/Ur，作為支持向量機(jī)的三維輸入，建立CH4濃度的SVM預(yù)測(cè)框圖，如圖3所示。SVM的輸出為CH4濃度的預(yù)測(cè)值。

SVM常用的核函數(shù)有多項(xiàng)式、徑向基函數(shù)(RBF)、Sigmoid等。其中，Gauss徑向基函數(shù)能比較好地模擬光譜信號(hào)的譜峰等特征信息，故選用RBF核函數(shù)。SVM的參數(shù)有σ2和γ，σ2取值過(guò)大，將使模型過(guò)早收斂;γ控制對(duì)超出誤差的樣本的懲罰程度。用反復(fù)試驗(yàn)的方式選取(σ2，γ)，建立模型后，將測(cè)試樣本的T，U1/Ur，U2/Ur代入模型進(jìn)行計(jì)算，比較模型預(yù)測(cè)值與試驗(yàn)標(biāo)定值，直到滿足模型預(yù)測(cè)精度要求。本文最終確定σ2=10 000，γ=1。

　　3.2 結(jié)果與分析

　　在獲得的693個(gè)樣本中，隨機(jī)選擇543個(gè)作為訓(xùn)練樣本，150個(gè)作為檢驗(yàn)樣本。將本文方法與線性插值法(Liner Interpolation，L-I)、多元回歸法(Multiple Regression，M-R)、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、未把溫度作為支持向量機(jī)(SVM-noT)輸入幾種方法做比較，這些方法具體如下：

　　(1)線性插值法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(xon，y0n)，依照空間線性關(guān)系建立y=A·x模型(A為系數(shù)矩陣)，求解x11，x12，…，x1n所對(duì)應(yīng)的y11，y12，…，y1n;

　　(2)多項(xiàng)式回歸法：由已知點(diǎn)(x01，y01)，(x02，y02)，…，(x0n，y0n)，依照最小二乘原則建立y=f(x)多項(xiàng)式模型，進(jìn)而求解x11，x12，…，x1n所對(duì)應(yīng)的y11，y12，…，y1n;

　　(3)BP神經(jīng)網(wǎng)絡(luò)法：基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，建立已知樣本的輸入、輸出模型。本文以溫度T，U1/Ur，U2/Ur為輸入，CH4的預(yù)測(cè)濃度為輸出建立BP神經(jīng)網(wǎng)絡(luò)模型;

　　(4)RBF神經(jīng)網(wǎng)絡(luò)法：即以函數(shù)逼近理論為基礎(chǔ)、傳遞函數(shù)為徑向基函數(shù)的一類前向神經(jīng)網(wǎng)絡(luò)，可以在多維空間中擬合最佳模型。本文以溫度T，U1/Ur，U2/Ur為輸入，CH4的預(yù)測(cè)濃度為輸出建立RBF神經(jīng)網(wǎng)絡(luò)模型;

　　(5)SVM-noT法：不考慮溫度因素的影響，即在圖3中去掉“SVM模塊”前端的“溫度T”輸入，只保留U1/Ur，U2/Ur兩元輸入，建立輸入、輸出模型。

　　測(cè)試時(shí)，把x1j作為上述五種方法建立模型的輸入，輸出為CH4的預(yù)測(cè)濃度，可以檢驗(yàn)這些模型的精度，其中向量xij=[T，U1/Ur，U2/Ur]，i=0，1;j=1，2，…，n;x0j為訓(xùn)練樣本，x1j為測(cè)試樣本，

　　為預(yù)測(cè)濃度。將本文考慮溫度的SVM方法與前五種方法進(jìn)行對(duì)比時(shí)，是以預(yù)測(cè)結(jié)果的最大誤差絕對(duì)值和誤差絕對(duì)平均來(lái)衡量的。六種方法的仿真結(jié)果對(duì)比如圖4所示。

　　從圖中可以看出：SVM優(yōu)于M-R，RBF，BP，L-I和SVM-noT法，誤差最小，取得了最好的預(yù)測(cè)精度。SVM模型的核函數(shù)能更好地模擬光譜信號(hào)的譜峰等特征信息，能充分考慮到沼氣中其他成分對(duì)CH4通道輸出的影響，實(shí)現(xiàn)U1/Ur，U2/Ur，溫度T對(duì)CH4濃度值更好地非線性映射，具有更好的泛化能力。

　　4 結(jié)論

　　針對(duì)沼氣中CH4濃度的預(yù)測(cè)問(wèn)題構(gòu)建了實(shí)驗(yàn)系統(tǒng)，獲取了大量實(shí)驗(yàn)數(shù)據(jù)，探討了將溫度T，CH4和CO2探測(cè)器的輸出作為SVM的輸入，預(yù)測(cè)CH4濃度的方法，將該方法與常用的L-I，M-R，BP，RBF，SVM-noT五種方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文方法具有較高的預(yù)測(cè)精度，為沼氣中CH4濃度的預(yù)測(cè)提供了一個(gè)良好的思路。