[發明專利]基于極限梯度提升樹模型的原料油品分子表征方法及系統

在審

• 申請號: 202210456463.3
• 申請日: 2022-04-27
• 公開（公告）號: CN114841065A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 鐘偉民;杜文莉;錢鋒;彭鑫;田洲;段兆陽
• 申請（專利權）人: 華東理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G01N33/28;G06F119/02
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 陶玉龍;陸嘉

1.一種基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，包括以下步驟：

步驟S1、根據制備工藝特性從宏觀物性參數中選取輸入特征向量，從物相組分中選取輸出特征向量；

步驟S2、對初始的制備工藝數據集進行預處理；

步驟S3、將步驟S2得到的數據集按照指定比例劃分為訓練集、驗證集和測試集；

步驟S4、構建基于極限梯度提升樹模型的原料油品分子表征模型，采用訓練集訓練模型，采用驗證集驗證模型的性能，調整模型參數以得到局部最優的模型；

步驟S5、采用測試集測試步驟S4所得的模型，得到符合評價指標的原料油品分子表征模型；

步驟S6、采用步驟S5所得的模型，對制備工藝過程中的原料油品進行分子表征。

2.根據權利要求1所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S1中：

所述輸入特征向量包括平均相對分子質量、相對密度、族組成數據、恩氏餾程、烷烴比重、芳烴比重；

所述輸出特征向量包括C₄～C₁₂的鏈烴、烯烴、環烷烴和芳香烴的摩爾分數。

3.根據權利要求1所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S2，進一步包括以下步驟：

步驟S21、對初始的制備工藝數據集的數據，剔除數據中的缺失值；

步驟S22、去除數據中的異常值；

步驟S23、去除數據中的噪聲；

步驟S24、對數據進行歸一化處理。

4.根據權利要求1所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S3，進一步包括以下步驟：

采用K折交叉驗證法劃分的訓練集、驗證集和測試集。

5.根據權利要求1所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S4，進一步包括以下步驟：

步驟S41、選擇基于極限梯度提升模型的弱分類器；

步驟S42、構建自定義模型迭代參數的目標函數；

步驟S43、調整模型對應的超參數，直至獲得局部最優的模型。

6.根據權利要求5所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S41，進一步包括

選擇基于極限梯度提升樹模型的的弱分類器。

7.根據權利要求5所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S42的目標函數，Obj對應的表達式為：

其中，i為數據集的樣本，m為樣本總數，K為迭代總次數，y_i為實際值，為模型的預測值，l為損失函數，Ω為結構函數，f為葉子權重。

8.根據權利要求7所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S42的目標函數，對應的表達式為：

其中，g_i和h_i分別是在損失函數上對所求的一階和二階導數，T為葉節點的數量，λ為L2正則化系數，γ為最小目標減少量，I_j為索引為j的葉子所含樣本集合。

9.根據權利要求7所述的基于極限梯度提升樹模型的原料油品分子表征方法，其特征在于，所述步驟S43的超參數，進一步包括：

測試學習率、最小目標減少量、最大深度、L2正則化系數、放回隨機抽樣比例和弱評估器數量。

10.一種基于極限梯度提升樹模型的原料油品分子表征系統，包括：

存儲器，用于存儲可由處理器執行的指令；

處理器，用于執行所述指令以實現如權利要求1-9任一項所述的方法。

11.一種計算機可讀介質，其上存儲有計算機指令，其中當計算機指令被處理器執行時，執行如權利要求1-9任一項所述的方法。