橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

引用本文

殷贤华, 王强, 莫玮, 陈涛, 宋爱国. 橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究[J]. 光谱学与光谱分析, 2018,38(11): 3385-3389.
YIN Xian-hua, WANG Qiang, MO Wei, CHEN Tao, SONG Ai-guo. A Quantitative Analysis Method for GCB as Rubber Additive by Terahertz Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2018,38(11): 3385-3389.
Doi:10.3964/j.issn.1000-0593(2018)11-3385-05 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

殷贤华^1,², 王强^1,², 莫玮¹, 陈涛^1,^2,^*, 宋爱国³

1. 桂林电子科技大学电子工程与自动化学院, 广西桂林 541004

2. 广西自动检测技术与仪器重点实验室, 广西桂林 541004

3. 东南大学仪器科学与工程学院, 江苏南京 210096

*通讯联系人 e-mail: ct63307@163.com

作者简介: 殷贤华, 1974年生, 桂林电子科技大学电子工程与自动化学院副教授 e-mail: yxh4417@guet.edu.cn

收稿日期: 2017-11-22

基金: 国家自然科学基金项目(11574059), 广西自然科学基金项目(2015GXNSFBA139252)资助

摘要

瓦斯炭黑是橡胶中重要的添加剂之一, 其含量对橡胶性能有重要的影响。丁腈橡胶是工业生产中应用比较广泛的合成橡胶, 研究丁腈橡胶中瓦斯炭黑的含量具有重要意义。利用太赫兹时域光谱技术, 对八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本中的瓦斯炭黑含量进行测试, 获取了混合物样本在0.3~1.4 THz频段的吸收光谱数据。分别利用偏最小二乘(PLS)和支持向量回归(SVR)建立混合物中瓦斯炭黑的定量分析模型, 使用均匀梯度法来选择模型的校正集和预测集, 获得瓦斯炭黑预测集的相关系数与均方根误差。偏最小二乘模型相关系数与均方根误差分别为0.985 8和2.098 9%, 支持向量回归模型相关系数与均方根误差分别为0.998 0和0.785 4%。实验结果表明, 支持向量回归定量分析模型的预测结果优于偏最小二乘模型。为进一步证明支持向量回归模型的稳定性, 多次使用随机选择法选择它的校正集和预测集, 并求得其相关系数与均方根误差。结果表明, 无论是利用均匀梯度法还是随机选择法对支持向量回归定量分析模型的校正集和预测集进行选择, 求得的相关系数和均方根误差均优于偏最小二乘模型。

关键词: 太赫兹时域光谱; 定量分析; 瓦斯炭黑; 支持向量回归; 均匀梯度法

中图分类号:O433.4 文献标志码:A

A Quantitative Analysis Method for GCB as Rubber Additive by Terahertz Spectroscopy

YIN Xian-hua^1,², WANG Qiang^1,², MO Wei¹, CHEN Tao^1,^2,^*, SONG Ai-guo³

1. School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China

2. Guangxi Key Laboratory of Automatic Detection Technology and Instruments, Guilin 541004, China

3. School of Instrument Science and Engineering, Southeast University, Nanjing 210096, China

Abstract

Gas carbon black (GCB) is one of the important additives in rubber. Its content has an important influence on the performance of rubber. Nitrile butadiene rubber (NBR) is a synthetic rubber used widely in industrial production. It is important to study the content of GCB in NBR. In this paper, the content of GCB in eight kinds of samples consisted of GCB and NBR with different proportion is detected via terahertz time-domain spectroscopy (THz-TDS). Absorption spectra data of these samples is obtained in the frequency ranging from 0.3 to 1.4 THz. Two quantitative analysis models of GCB are established respectively using partial least squares (PLS) method and support vector regression (SVR) method. The uniform gradient method is used to select the calibration set and the prediction set of two models. The correlation coefficient ( r) and the root mean square error (RMSE) of two models were calculated. The r and RMSE for the prediction set of PLS model were 0.985 8 and 2.098 9%. The r and RMSE for the prediction set of SVR model were 0.998 0 and 0.785 4%. Experimental results showed that the predictive result of SVR model was better than that of PLS model. In order to prove the stability of the SVR model, we used the random selection method several times to select its calibration set and prediction set, and got their r and RMSE. The results showed that all the r and RMSE of SVR model are better than that of PLS model, whether the uniform gradient method or the random selection method is used to select the calibration set and the prediction set of the SVR model.

Keyword: THz-TDS; Quantitative analysis; GCB; SVR; Uniform gradient method

文章图片

引言

丁腈橡胶(nitrile butadiene rubber, NBR)是由丁二烯与丙烯腈聚合而成的一种合成橡胶, 因其具有多种优良特性, 在石油、化工等行业中广泛应用。在橡胶的生产过程中, 瓦斯炭黑(gas carbon black, GCB)是丁腈橡胶重要的补强性填充剂, 其含量对橡胶胶料的物理机械性能和加工工艺都有重要影响(如耐老化性、耐油性和耐屈挠龟裂性等), 因此检测橡胶混合物中瓦斯炭黑的含量具有重要的意义。常用的橡胶混合物定量分析方法有傅里叶变换红外光谱法^[1]、高效液相色谱法^[2]、拉曼光谱法^[3]等。太赫兹波具有脉冲宽度窄、光子能量低、穿透性强等优良特性^[4], 大部分物质的太赫兹光谱中含有丰富的理化信息, 也具有反映物质结构的“ 指纹” 特征。因此, 利用太赫兹时域光谱技术可以分析物质在太赫兹波段的性质^{[5, 6]}, 可以实现对橡胶及添加剂的有效检测。近年来, Hirakawa等^[7]利用太赫兹时域光谱技术对橡胶化合物及炭黑分布的均匀性进行研究, 发现在太赫兹波段炭黑有很好的吸收, 并且证明了太赫兹吸收率与炭黑含量的正比关系。 Komatsu等^[9]利用太赫兹时域光谱技术对三元乙丙橡胶中滑石粉与氢氧化镁的含量进行了检测。

首先利用太赫兹时域光谱(Terahertz time-domain spectroscopy, THz-TDS)系统获得丁腈橡胶、瓦斯炭黑以及两者组成混合物的吸收光谱, 然后选取特征吸收峰进行分析, 使用偏最小二乘和支持向量回归模型, 对丁腈橡胶和瓦斯炭黑组成的混合物进行定量检测研究, 旨在准确地预测混合物中瓦斯炭黑的含量。

1 实验部分

1.1 装置

实验装置由Z-3透射式太赫兹时域光谱系统和超快飞秒光纤激光器组成, 如图1所示。超快飞秒光纤激光器的工作波长为780 nm, 脉冲重复频率为80 MHz, 脉冲宽度小于100 fs。激光束作为光源经过半波片(λ /2)后被分束镜(CBS)分为泵浦光和探测光, 泵浦光脉冲经过时间延迟装置后被短聚焦透镜L1汇聚到光电导天线LT-GaAs上产生THz脉冲。探测光是利用电光采样原理来探测太赫兹波的电场强度, 探测脉冲经过反射镜M5— M10和检偏器(P)后打在高阻硅片(Si)上, 由硅片反射后与太赫兹脉冲共线并通过ZnTe探测晶体。通过扫描探测光脉冲和太赫兹脉冲之间的相对时间延迟, 进而获得太赫兹脉冲在时域上的电场波形, 然后从电场波形中提取吸光度等光学参量。系统频谱分辨率为5 GHz, 信噪比大于70 dB, 实验时, 将装有太赫兹时域系统的密闭箱体内充满干燥的空气, 使箱体内湿度控制在2%以下, 温度保持室温, 数据采集时间约1 min。

	Figure Option View Download New Window
	图1 太赫兹时域光谱系统原理图Fig.1 Schematic diagram of THz-TDS system

1.2 样本

实验使用的样品是原生丁腈橡胶粉末(纯度93.75%)和瓦斯炭黑, 原生丁腈橡胶粉末购置于天津明基金泰橡塑制品加工有限公司, 瓦斯炭黑购置于天津天一世纪化工产品科技发展有限公司。先分别制作丁腈橡胶和瓦斯炭黑样本, 作为混合物样本的参考。然后再制作不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本。制作的样本厚度为1 mm左右, 半径为6.5 mm, 内部均匀, 表面相互平行, 呈圆形片状。根据瓦斯炭黑的含量, 共制作了八种样本, 每种样本制作三个样片。各种样本参数如表1所示。为减少橡胶样本中水分对太赫兹波的吸收, 在实验前先将已制备好的样本放于恒温干燥箱中干燥2~3 h, 箱内温度保持50 ℃。

表1 瓦斯炭黑样本的制备 Table 1 Preparation of GCB samples

1.3 光学参数提取

为了获得丁腈橡胶及瓦斯炭黑在太赫兹频段的光学参数, 首先, 不在样本架放测试样本, 获得太赫兹波穿透空气的时域参考信号, 然后, 在样本架放测试样本, 获得太赫兹波穿透样本的样本信号, 将两者进行快速傅里叶变换, 得到与之对应的频域信号, 即E_ref(ω )和E_sam(ω )。吸光度表示太赫兹波被材料吸收的程度, 它是一个相对量, 无量纲。使用吸光度来描述样品的吸收特性, 可以减小因样本厚度不均匀对光谱分析产生影响。吸光度计算公式^[10]为

$Absorbance = - \lg {[\frac{E_{sam} (ω)}{E_{ref} (ω)}]}^{2} (1)$

其中, Absorbance是吸光度, ω 是太赫兹波振动的角频率。

2 结果与讨论

2.1 光谱分析

本文使用太赫兹透射系统分别对丁腈橡胶和瓦斯炭黑样本以及两者组成的混合物样本进行检测, 由于实验仪器光谱两端信噪比较低, 选取包含吸收峰的0.3~1.4 THz波段进行分析。它们的太赫兹吸收光谱如图2和图3所示。

	Figure Option View Download New Window
	图2 丁腈橡胶和瓦斯炭黑样品THz吸收光谱Fig.2 THz absorbance spectra of NBR and GCB

	Figure Option View Download New Window
	图3 八种不同含量的瓦斯炭黑THz吸收光谱Fig.3 THz absorbance spectra of 8 different contents of GCB

由图2可知, 丁腈橡胶在0.3~1.4 THz频段没有明显的特征吸收峰, 瓦斯炭黑在1.00, 1.15和1.27 THz处有明显的特征吸收峰, 且随着频率的增加, 吸光度曲线呈递增趋势。据此, 可以检测出瓦斯炭黑和丁腈橡胶组成的混合物中的瓦斯炭黑。八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物吸收光谱如图3所示。图中的百分比是瓦斯炭黑的含量。从图中可以看到, 随着瓦斯炭黑含量的增加, 其吸收光谱呈现出递增趋势, 尤其是在1.00, 1.15和1.27 THz吸收峰位置附近, 递增趋势更加明显。因此, 利用太赫兹吸收光谱来预测混合物中瓦斯炭黑的含量是可行的。

2.2 定量分析

为了对混合物中瓦斯炭黑的含量进行准确地预测与分析, 分别利用偏最小二乘(PLS)^[10]和支持向量回归(SVR)^[11]来建立定量分析模型。偏最小二乘是一种常用的多元统计分析方法, 它通过同时对光谱矩阵和性质矩阵进行分解, 从而建立最优的分析模型。支持向量回归则是通过引入核函数来替代高维空间中的内积运算, 来解决一般的非线性拟合问题, 有效地克服了传统回归拟合方法的缺陷, 在校正集和预测集确定的情况下支持向量回归模型预测结果稳定性较高。

偏最小二乘和支持向量回归定量分析模型分别以相关系数(r)和均方根误差(RMSE)作为模型性能的评价指标, 相关系数衡量了样本校正集与预测集的相关程度, 均方根误差来评价定量分析模型的优劣和预测能力。计算公式如式(2)和式(3)

$\begin{array}{l} r = \sqrt[]{1 - \frac{\overset{n}{\sum_{i = 1}} (y_{i} - {\tilde{y}}_{i})^{2}}{\overset{n}{\sum_{i = 1}} (y_{i} {- \overset{̅}{y})}^{2}}} \times 100 % (2) \\ RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} (y_{i} - {\tilde{y}}_{i})^{2}} (3) \end{array}$

其中, n为样本数, y_i表示第i个样本的参考值, ${\tilde{y}}_{i}$ 是第i个样本的预测值。 $\overset{̅}{y}$ 是n个样本参考值的平均值。

对八种不同含量瓦斯炭黑和丁腈橡胶的混合物样本进行测试, 每种样本有3个样片, 每个样片测试4次, 每种样本共获得12组数据, 每2组数据取平均, 从而获得6组平均值。随机选取其中3组作为预测集, 另外3组作为校正集, 八种样本的预测集与校正集均为24组数据。为了确定偏最小二乘和支持向量回归的建模频段, 分别将1.00, 1.15和1.27 THz处的吸光度数据与瓦斯炭黑含量进行线性拟合, 如图4(a), (b)和(c)所示, 求得线性拟合相关系数的平方分别为0.967 1, 0.972 0和0.837 9。可见, 在1.15 THz处的吸光度数据与瓦斯炭黑含量的拟合程度好于1.00和1.27 THz。因此选择在1.05 THz附近进行定量分析。经过反复测试发现, 选取1.05~1.25 THz频段对吸光度数据进行建模, 以得到最优的预测效果。

	Figure Option View Download New Window
	图4 不同吸收峰处的线性拟合Fig.4 Linear fitting at different absorption peaks

对八种不同含量的瓦斯炭黑与丁腈橡胶的混合物分别用偏最小二乘和支持向量回归建模, 得到的预测集线性拟合情况分别如图5(a)和(b)所示。从图中可以发现, 支持向量回归模型对混合物中瓦斯炭黑含量预测集线性拟合程度相比于偏最小二乘预测模型总体上都更接近零误差线, 而且支持向量回归模型预测结果波动也比较小, 说明支持向量回归模型的预测精度更高, 模型稳定性更好。因此, 支持向量回归模型预测结果优于偏最小二乘模型预测结果。

	Figure Option View Download New Window
	图5 PLS和SVR模型预测集线性拟合Fig.5 Linear fitting of prediction sets of PLS and SVR models

对瓦斯炭黑与丁腈橡胶组成的混合物中瓦斯炭黑含量进行定量分析, 求得校正集相关系数(R_c)、均方根误差(RMSEC)及预测集相关系数(R_p)、均方根误差(RMSEP), 如表2。偏最小二乘模型的校正集相关系数和均方根误差分别为0.987 4和1.975 0%, 预测集相关系数与均方根误差分别为0.985 8和2.098 9%。支持向量回归模型的校正集相关系数和均方根误差分别为0.999 5和0.388 9%, 预测集相关系数和均方根误差分别为0.998 0和0.785 4%。利用偏最小二乘和支持向量机回归模型能够准确地对瓦斯炭黑和丁腈橡胶组成的混合物中瓦斯炭黑含量进行检测。通过对比可以看出, 支持向量回归模型中校正集及预测集的相关系数和均方根均优于偏最小二乘模型, 所以支持向量回归模型预测效果优于偏最小二乘模型。

表2 PLS与SVR校正集与预测集比较 Table 2 Comparison of SVR and PLS calibration sets and prediction sets

为进一步验证支持向量回归定量分析模型的稳定性, 使用随机选择法在实验数据中选取校正集和预测集, 与前面使用的均匀梯度法进行比较。重复八次实验, 结果如表3所示。

表3 SVR验证结果 Table 3 SVR validation results

第1组结果是使用均匀梯度法选取校正集和预测集而得到的, 其余7组是使用随机选择法选取校正集和预测集而得到的, 实验结果表明, 支持向量回归模型使用均匀梯度法选取校正集和预测集而得到的预测效果优于随机选择法。同时发现, 无论使用均匀梯度法还是随机选择法选取校正集和预测集, 支持向量回归定量分析模型预测集相关系数和均方根误差均优于偏最小二乘模型。从而证明了支持向量回归定量分析模型的稳定性。

3 结论

以瓦斯炭黑和丁腈橡胶组成的混合物为研究对象, 以偏最小二乘模型和支持向量回归模型对瓦斯炭黑含量进行预测, 对8种不同含量瓦斯炭黑和丁腈橡胶组成的混合物在0.3~1.4 THz频段吸收光谱进行研究。通过实验, 得到了八种不同含量瓦斯炭黑和丁腈橡胶混合物的吸收谱, 3个吸收峰分别位于1.00, 1.15和1.27 THz。根据吸收峰位置处吸光度数据与瓦斯炭黑含量的拟合程度, 选取1.05~1.25 THz为建模频段。分别建立了偏最小二乘定量分析模型和支持向量回归定量分析模型。实验结果表明, 后者对瓦斯炭黑含量的预测优于前者。为了证明支持向量回归定量分析模型预测集和校正集的选取方法对模型稳定性的影响, 分别使用随机选择法和均匀梯度法选择预测集和校正集, 并进行了多次验证。结果表明, 支持向量回归定量分析模型不仅高效, 而且稳定。从而为橡胶添加剂定量分析提供了一种新方法。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	Rolere S, Liengprayoon S, Vaysse L, et al. Polymer Testing, 2015, 43: 83. [本文引用:1]
[2]	Witkowski B, Szabłowska A, Malesa M, et al. Analytical Methods, 2015, 7(24): 10376. [本文引用:1]
[3]	Brun N, Bourson P, Margueron S. Vibrational Spectroscopy, 2013, 67: 55. [本文引用:1]
[4]	QIAO Yu-long, ZHAO Yuan-meng, ZHANG Cun-lin, et al(乔玉龙, 赵源萌, 张存林, 等). Acta Optica Sinica(光学学报), 2015, 35(2): 0211005. [本文引用:1]
[5]	Zhang H, Li Z, Hu F R, et al. Opt. Quant. Electron. , 2017, 49: 258. [本文引用:1]
[6]	Qin B Y, Li Z, Chen T, et al. Optik, 2017, 142: 576. [本文引用:1]
[7]	Hirakawa Y, Ohno Y, Gondoh T, et al. Journal of Infrared Millimeter and Terahertz Waves, 2011, 32: 1457. [本文引用:1]
[8]	Komatsu M, Izutsu T, Ohki Y, et al. Conference Proceedings of ISEIM 2014, 2014: 338. [本文引用:1]
[9]	TU Shan, ZHANG Wen-tao, XIONG Xian-ming, et al(涂闪, 张文涛, 熊显名, 等). Acta Photonica Sinica(光子学报), 2015, 44(4): 0430001. [本文引用:1]
[10]	Chen Z, Zhang Z, Zhu R, et al. Journal of Quantitative Spectroscopy and Radiative Transfer, 2015, 167: 1. [本文引用:2]
[11]	WANG Xia, WANG Zhan-qi, JIN Gui, et al(王霞, 王占岐, 金贵, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(4): 204. [本文引用:1]

2015

0.0

... 常用的橡胶混合物定量分析方法有傅里叶变换红外光谱法^[1]、高效液相色谱法^[2]、拉曼光谱法^[3]等 ...

2015

0.0

... 常用的橡胶混合物定量分析方法有傅里叶变换红外光谱法^[1]、高效液相色谱法^[2]、拉曼光谱法^[3]等 ...

2013

0.0

... 常用的橡胶混合物定量分析方法有傅里叶变换红外光谱法^[1]、高效液相色谱法^[2]、拉曼光谱法^[3]等 ...

2015

0.0

... 太赫兹波具有脉冲宽度窄、光子能量低、穿透性强等优良特性^[4], 大部分物质的太赫兹光谱中含有丰富的理化信息, 也具有反映物质结构的#cod#x0201c ...

2017

0.0

... 因此, 利用太赫兹时域光谱技术可以分析物质在太赫兹波段的性质^[5,6], 可以实现对橡胶及添加剂的有效检测 ...

2017

0.0

... 因此, 利用太赫兹时域光谱技术可以分析物质在太赫兹波段的性质^[5,6], 可以实现对橡胶及添加剂的有效检测 ...

2011

0.0

... 近年来, Hirakawa等^[7]利用太赫兹时域光谱技术对橡胶化合物及炭黑分布的均匀性进行研究, 发现在太赫兹波段炭黑有很好的吸收, 并且证明了太赫兹吸收率与炭黑含量的正比关系 ...

2014

0.0

2015

0.0

Shan

, ZHANG

Wen-tao

, XIONG

Xian-ming

, et al(涂闪, 张文涛, 熊显名, 等). Acta Photonica Sinica(光子学报), 2015, 44(4): 0430001.

Terahertz time-domain spectroscopy system was used to measure the characteristic absorption spectra of 8 transgenic cotton seeds in the frequency range from 0.3 to 1.5 THz. Comparing the similarities and differences of THz absorption spectrum of 8 kinds of transgenic cotton seeds, which based on spectral analysis, and used principal component analysis to perform qualitative analysis,the relevant data of spectral analysis was obtained. Three principal component factors were extracted in this paper, of which the cumulative percentage variance reached 71.537%. Therefore, different categories of transgenic cotton seeds were clearly distinguished according to principal component analysis score chart. The experimental results indicated that nondestructive testing of transgenic cotton seeds could be achieved by using Terahertz time-domain spectroscopy system technology, which could be widely applied in the fields of agricultural seed selection, agricultural security and so on.

Guangxi Colleges and Universities Key Laboratory of Optoelectronic Information Processing, Institute of Electrical Engineering and Automation, Guilin university of Electronic Technology, Guilin, Guangxi 541004, China

运用太赫兹时域光谱技术对8种转基因棉花种子进行了探测研究.测量了转基因棉花种子在0.3～1.5 THz频率范围的特征吸收谱,基于光谱分析,对比了8种转基因棉花种子吸收光谱的异同,并采用主成分分析法对其做了定性分析,得到了光谱分析的相关数据.提取了三种主成分因子,前三种主成分的累计方差贡献率达到了71.537%,从主成分得分图中可以明显区分不同类别的转基因棉花种子.太赫兹时域光谱技术能够实现对转基因棉花种子的无损检测,在农业选种、农业安全等领域将有广阔的应用价值.

... Komatsu等^[9]利用太赫兹时域光谱技术对三元乙丙橡胶中滑石粉与氢氧化镁的含量进行了检测 ...

2015

0.0

... 吸光度计算公式^[10]为 ...

... 2 定量分析为了对混合物中瓦斯炭黑的含量进行准确地预测与分析, 分别利用偏最小二乘(PLS)^[10]和支持向量回归(SVR)^[11]来建立定量分析模型 ...

2014

0.0

WANG

Xia

, WANG

Zhan-qi

, JIN

Gui

, et al(王霞, 王占岐, 金贵, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(4): 204.

Abstract: Scientific prediction of cultivated land reserved quantity is important for cultivated land protection. Moreover, it provides guiding significance for relieving the contradictions of land use and ensuring food security. The purpose of this paper is to compare the prediction accuracy of different kernel based support vector regression (SVR), and provide a guideline for cultivated land area prediction. Taking Huizhou city for example, we apply different kernel based SVR to simulate the relationships between cultivated land area and impact factors of land use change. Seven impact factors, including population, socio-economics, industrial structure, living level, agricultural technique and policy, were selected by using the grey correlation method. With the socio-economic statistics of Huizhou city from the statistical yearbook and the policies which have been enacted during 1991 to 2010, corresponding cultivated land areas and influence factors were generated. Using data from 1991 to 2005 as training, SVR based on different kernel functions were employed to build the prediction model for cultivated land areas from 2006―2010. Finally, we apply multiple regressions, BP neural network and SVR based on different kernel functions to predict the cultivated land areas of 2006―2010. According to the predicted values and corresponding actual values, the average relative error and correlation coefficient and the root mean square error were used to validate the performance of different models. The analysis of prediction accuracies showed that the correlation coefficient of multiple regressions stayed at a high level, which reached to 0.970. But the average relative error (13.17%) and the root mean square error (0.173) were biggest. The accuracy of SVR based on polynomial kernel was greatly improved, especially for the average relative error and the root mean square error by comparison with that of multiple regressions. The accuracy of BP neural networks is between that of SVR based on polynomial kernel and SVR based on sigmoid kernel. However, for the BP neural networks based cultivated land area prediction model, the predicted value is difficult to ascertain and is prone to over fitting. The average relative error, the root mean square error and the correlation coefficient of SVR based on RBF kernel is 0.54%, 0.963 and 0.007, respectively. Therefore, it is obvious to find that the model of SVR based on RBF kernel can obtain best accuracy in predicting the cultivated land area, the predicting model of SVR based on sigmoid kernel follows. It is concluded that, in the existing three widely used kernel based SVR models, SVR based on RBF kernel is most suitable to be applied to predict the cultivated land areas, and SVR based on sigmoid kernel follows, while SVR based on polynomial kernels is worst.

科学预测耕地保有量是耕地保护的基础，对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机（support vector regression，SVR）对耕地面积预测的影响，该文以惠州市为例，分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示，RBF核函数SVR预测结果平均相对误差为0.54%，均方根误差为0.007，精度最高；Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012，精度次之；多项式核函数SVR预测结果对应误差为分别为2.71%及0.032，高于BP神经网络模型，但低于多元回归模型。研究表明，在现有3种常用核函数SVR耕地面积预测模型中，基于RBF核函数SVR模型预测能力最强，其次是sigmoid核函数；而多项式核函数则效果较差。

... 2 定量分析为了对混合物中瓦斯炭黑的含量进行准确地预测与分析, 分别利用偏最小二乘(PLS)^[10]和支持向量回归(SVR)^[11]来建立定量分析模型 ...