基于CEEMD-MPGA-SVM的人造板家具甲醛釋放濃度預(yù)測＊

孫欽乾，劉萌萌，鄭煥祺，周玉成

(1.山東建筑大學(xué)，山東 濟南 250101；2.山東省產(chǎn)品質(zhì)量檢驗研究院)

0 引言

氣候艙法是應(yīng)用廣泛的建材及家具的甲醛釋放量檢測方法之一，因其具有檢測環(huán)境與待檢樣品實際使用環(huán)境類似的優(yōu)點，已經(jīng)逐漸主導(dǎo)未來檢測甲醛的發(fā)展方向[1-2]。但氣候艙法存在檢測時間長的問題，如，JIS A1911-2015《Determination of the emission of formaldehyde by building materials and building related products-Large chamber method》標(biāo)準(zhǔn)規(guī)定的測試時間最長可達(dá)28 天。而建立預(yù)測模型來預(yù)測艙內(nèi)甲醛濃度成為了節(jié)約時間成本、減少電力消耗的有效途徑。例如已有一階衰減模型[3]、灰色模型[4]及傳質(zhì)模型[5]等預(yù)測模型的應(yīng)用。但上述模型多應(yīng)用于建材的VOC釋放量預(yù)測，專用于人造板家具甲醛釋放量的預(yù)測模型較少。近年來,支持向量機因其性能的優(yōu)越性，已獲得諸多應(yīng)用。如使用SVM 解決液壓泵壽命預(yù)測問題[6]、衛(wèi)星熱平衡溫度預(yù)測問題[7]及巖體高邊坡位移預(yù)測問題[8]。上述文獻(xiàn)中所用數(shù)據(jù)與氣候艙內(nèi)甲醛濃度變化規(guī)律類似，都是具有單調(diào)趨勢的時間序列。基于上述因素，本文將SVM 應(yīng)用到甲醛濃度預(yù)測中來。

研究表明，采用降噪算法對數(shù)據(jù)進(jìn)行處理后再采用SVM 建模會取得更優(yōu)的預(yù)測結(jié)果[9]。互補集合經(jīng)驗?zāi)B(tài)分解[10]可以對非線性、非平穩(wěn)數(shù)據(jù)進(jìn)行自適應(yīng)分解，將噪聲與有效信息進(jìn)行分離，適用于甲醛濃度數(shù)據(jù)的降噪。采用智能優(yōu)化算法優(yōu)化SVM 參數(shù)也是提升模型預(yù)測精度的有效手段。遺傳算法、退火算法等智能優(yōu)化算法已被大量學(xué)者所采用。多種群遺傳算法在遺傳算法的基礎(chǔ)上進(jìn)行了優(yōu)化，降低了陷入局部最優(yōu)的可能性[11]，適合對SVM進(jìn)行參數(shù)尋優(yōu)。

本文采用CEEMD 算法對甲醛濃度數(shù)據(jù)進(jìn)行降噪處理，利用MPGA 優(yōu)化SVM 參數(shù)，建立CEEMDMPGA-SVM 預(yù)測模型，對氣候艙內(nèi)家具的甲醛濃度進(jìn)行預(yù)測。

1 CEEMD-MPGA-SVM預(yù)測模型

1.1 基于CEEMD算法的甲醛濃度數(shù)據(jù)降噪

理想條件下氣候艙內(nèi)甲醛濃度變化趨勢是一條會在短時間快速達(dá)到峰值，隨后開始逐漸衰減的曲線。但受艙內(nèi)溫濕度波動及檢測誤差等因素的影響，使得檢測數(shù)據(jù)會存在失真，呈現(xiàn)出一定的波動性。選用合適的濾波方法濾除干擾成分，有助于提高SVM模型的預(yù)測性能。CEEMD 算法對經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)進(jìn)行了優(yōu)化，在EMD 基礎(chǔ)上采用多次增添白噪聲的方法較好的解決了模態(tài)混疊問題，避免了噪聲和有效信息無法被正確的分離的問題。

本文采用CEEMD 算法對甲醛濃度數(shù)據(jù)進(jìn)行降噪，步驟如下。

⑴設(shè)某家具的甲醛濃度數(shù)據(jù)序列為C，將C中加入k次幅值相同但正負(fù)相反的隨機白噪聲+ni(t)及-ni(t)，可得

⑶通過公式⑵對分解后的第j個IMF分量IMFj進(jìn)行求解。

其中，IMFij與IMF-ij分別表示第i次加入正白噪分解后獲得第j個IMF分量與第i次加入負(fù)白噪聲后分解獲得的第j個IMF分量。分解后的趨勢項R可通過公式⑶進(jìn)行求解

其中，Ri與R-i分別代表第i次加正白噪聲、負(fù)白噪后分解后獲得相應(yīng)的趨勢項。經(jīng)公式⑵與公式⑶的集總平均后，添加的正負(fù)白噪聲被相互抵消。

⑷C經(jīng)過CEEMD 分解后，波動項與趨勢項實現(xiàn)了大致分離。得到若干個IMF分量及趨勢項R。通過極值點數(shù)量的多少可判斷該分量波動性的強弱，將極值點數(shù)量與數(shù)據(jù)總量之比大于0.2 的IMF分量進(jìn)行剔除。而對于波動較小的IMF分量不做處理，以免因造成有效信息的損失。將剩余IMF分量與趨勢項R進(jìn)行重組即可得到降噪后的甲醛濃度數(shù)據(jù)序列。

1.2 基于MAGA優(yōu)化的SVM預(yù)測模型

支持向量機的回歸預(yù)測算法被稱為支持向量回歸，SVM 的基本原理是將訓(xùn)練數(shù)據(jù)轉(zhuǎn)化到一個高維度的空間中。建立一個超平面ωTx+b=0，使樣本xi滿足公式⑷的約束條件

其中，ωT代表該超平面的法向量，b是常數(shù)項，ε是容忍偏差，ξ與是松弛變量。

超平面兩側(cè)間距ε之間的范圍被稱為間隔帶，SVM 的目地是使樣本數(shù)據(jù)全部落入間隔帶內(nèi)，但這往往難以實現(xiàn)，因此引入松弛變量ξ與，容許少量樣本數(shù)據(jù)不在間隔帶內(nèi)。SVM 要求使間樣本點盡可能在間隔帶內(nèi)的同時，還要求總體損失最小，這就變成了一個如公式⑸所示的最優(yōu)化問題。

其中，c為懲罰系數(shù)，決定了SVM對不在間隔帶內(nèi)的樣本數(shù)據(jù)的敏感程度，由人工設(shè)定。

對式⑸中相關(guān)參數(shù)可采用拉格朗日乘子法求解。參數(shù)確定后，即可獲得SVM模型函數(shù)：

其中，?表示將數(shù)據(jù)轉(zhuǎn)化到到高維度空間的操作。

將數(shù)據(jù)轉(zhuǎn)換到高維度空間可能會極大的增加計算量。為解決這一問題，SVM 引入核函數(shù)的概念，避免在高維空間中進(jìn)行計算。高斯核函數(shù)是泛化性最好應(yīng)用最廣泛地核函數(shù)，其表達(dá)式如公式⑺所示。

其中，g值由人工設(shè)定。

本文使用MPGA 算法對c，g進(jìn)行尋優(yōu)，計算SVM對訓(xùn)練集的均方誤差（Mean Square Error，MSE）。將MSE作為MPGA算法的尋優(yōu)標(biāo)準(zhǔn)，MSE定義如下：

其中，m為訓(xùn)練集數(shù)據(jù)總量，yi為第i個數(shù)據(jù)的實際值，f(xi)為SVM 擬合值。通過MPGA 算法選擇使MSE最小的c，g值，并以此訓(xùn)練SVM，提高SVM 模型的預(yù)測性能。使用SVM預(yù)測甲醛濃度的過程如下。

⑴ 設(shè)濾波后的甲醛濃度序列為Cw，Cw=[c(1),c(2),…,c(t),…,c(T)]。c(t)為t時刻測得的甲醛濃度。對Cw進(jìn)行重構(gòu)，如公式⑼所示

其中，n是嵌入維數(shù)，其值可根據(jù)公式（8）進(jìn)行確定，選擇使MSE最小的n。

⑵將X的每一行做為SVM的一個輸入，Y與之相對應(yīng)的每一行做為其標(biāo)簽。訓(xùn)練SVM，建立甲醛歷史濃度值與將來濃度值間的映射關(guān)系。

⑶通過T和之前時刻的歷史濃度數(shù)據(jù)預(yù)測T +1時刻的甲醛濃度值。即，=f(c(T),c(T-1),...,c(T-n+1))。作為輸入數(shù)據(jù)可實現(xiàn)對c(T+2)的預(yù)測。即,c(T),...,c(T-n+2))，以此類推，最終可獲得T+l時刻的甲醛濃度預(yù)測值，實現(xiàn)l步預(yù)測。

2 CEEMD-MPGA-SVM建模結(jié)果與分析

2.1 甲醛濃度數(shù)據(jù)采集

主要實驗設(shè)備：30m3氣候艙。紫外分光光度計。雙路大氣采樣器。

實驗樣品 家具1：人造板衣柜；家具2：人造板儲物柜。

實驗步驟①預(yù)處理：將待測樣品在接近實際檢測要求的溫濕度環(huán)境中環(huán)境下放置120小時。②啟動氣候艙，設(shè)置艙內(nèi)溫度為（23.0±2）℃，濕度為45%±10%，換氣率為1h-1。③將預(yù)處理完成試樣轉(zhuǎn)移至氣候艙內(nèi)中心位置，以實驗樣品放入氣候艙時為0時刻，第一天在1、3、5、6、7、8、10、13、15、19 小時抽取試樣，此后每日取樣三次，本文實驗持續(xù)時間為七天。④使用酚試劑分光光度法對試樣的甲醛濃度進(jìn)行測定。⑤重復(fù)上述步驟，繼續(xù)新樣品檢測。

2.2 結(jié)果分析

使用家具1 的甲醛濃度數(shù)據(jù)進(jìn)行建模，前四天甲醛濃度數(shù)據(jù)為訓(xùn)練集，后三天數(shù)據(jù)為測試集。實驗初期，艙內(nèi)甲醛濃度存在較短暫的上升期，該部分?jǐn)?shù)據(jù)并未參與建模。采用CEEMD 對訓(xùn)練集數(shù)據(jù)進(jìn)行分解，對缺失的夜間檢測數(shù)據(jù)，采用三次Hermite 插值進(jìn)行補齊。將極值點數(shù)量與數(shù)據(jù)總量之比大于0.2 的分量IMF1及IMF2剔除后重組剩余IMF分量及趨勢項R。圖1展示了濾波后的甲醛濃度數(shù)據(jù)序列與原始數(shù)據(jù)序列的對比，其中，“o”為原始數(shù)據(jù)，“*”為濾波后數(shù)據(jù)。

圖1 濾波數(shù)據(jù)與原始數(shù)據(jù)對比圖

再次對濾波后數(shù)據(jù)進(jìn)行三次Hermite 插值，將其變?yōu)榈乳g距序列，并進(jìn)行歸一化。利用MPGA 優(yōu)化SVM參數(shù)。參數(shù)值如表1所示。

表1 參數(shù)取值表

用上述參數(shù)訓(xùn)練CEEEMD-MPGA-SVM，模型的預(yù)測效果如圖2所示。

圖2 CEEMD-MPGA-SVM模型預(yù)測結(jié)果圖（家具1）

圖2中“*”為原始數(shù)據(jù)，“◇”為本文模型為對訓(xùn)練集的擬合結(jié)果，“o”表示對測試集的預(yù)測結(jié)果。從圖2可以觀察到預(yù)測結(jié)果與實際數(shù)據(jù)基本吻合。為了進(jìn)一步證明CEEMD-MPGA-SVM 的泛化能力及預(yù)測效果，分別采用該模型與MPGA-SVM、SVM 及應(yīng)用較廣的一階衰減模型對家具1 及家具2 甲醛釋放濃度進(jìn)行預(yù)測。預(yù)測結(jié)果如表2所示。

表2 CEEMD-MPGA-SVM、MPGA-SVM、SVM及一階衰減模型預(yù)測結(jié)果對比

從表2 可以看出CEEMD-MPGA-SVM 對預(yù)測效果最佳，證明了本模型的優(yōu)越性。MPGA-SVM 模型預(yù)測結(jié)果遜于本文模型，這是因為訓(xùn)練集中包含噪聲，使得SVM 在訓(xùn)練時對噪聲進(jìn)行了擬合，影響了預(yù)測效果。單一SVM 模型預(yù)測同樣不佳，不加選擇的采用默認(rèn)參數(shù)進(jìn)行建模具有一定盲目性。一階衰減模型的預(yù)測效果最差，該模型嚴(yán)重了低估甲醛濃度值。

3 結(jié)論

針對氣候艙法存在檢測周期長，耗能大的問題，本文提出了CEEMD-MPGA-SVM 甲醛濃度預(yù)測模型。采用CEEMD 算法對采集的甲醛濃度數(shù)據(jù)中的噪聲和有效信息進(jìn)行了充分的分離，降低了噪聲對SVM的干擾，提高了模型的抗干擾性能。為驗證CEEMDSVM 模型的泛化能力及預(yù)測性能，使用本模型及現(xiàn)有模型分別對兩種不同家具的甲醛濃度進(jìn)行預(yù)測，本文提出的預(yù)測模型預(yù)測效果最佳，預(yù)測誤差在6%以內(nèi)，這對縮短氣候艙法檢測周期及節(jié)能減排具有一定積極意義。本研究僅對氣候艙內(nèi)甲醛濃度進(jìn)行了預(yù)測，在未來可進(jìn)一步研究，將其推廣到室內(nèi)環(huán)境的甲醛預(yù)測中來。