(1)將實驗系統(tǒng)按圖1結構組建好;

　　(2)設置溫箱溫度T1，等待2個小時，使得溫度恒定;

　　(3)將三個流量計的流速均設置為0，打開上位機數據獲取軟件，為數據獲取做準備;

　　(4)打開氣瓶減壓閥，使氣體流出;

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

　　(6)CH4濃度標定范圍為0%～100%(0%，1%，2%，…，100%，共19個標定點)，CO2為0%～100%(0%，0.5%，1%，…，100%，共23個標定點)。實際標定時，先固定CH4濃度，不斷改變CO2的濃度得到一組測量值;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量值;重復(5)，采集到不同氣體濃度組合的探測器輸出值;

　　(7)改變溫箱溫度Ti，重復(2)～(6)，得到不同溫度下的數據。

　　通過上述數據采集過程，最終得到0℃，25℃，40℃，50℃的試驗數據693組，為進行SVR做準備。實驗數據如表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濃度的預測算法

　　3.1 SVM預測模型的建立

　　上述分析可知，參考端(Ref探測端)最能體現光源信息;U1/Ur，U2/Ur與U1，U2相比，更能體現CH4和CO2對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，傳感器的幾個通道輸出不在同一數域。鑒于SVM善于解決小樣本、非線性問題，及其好的泛化能力，把溫度T，U1/Ur，U2/Ur，作為支持向量機的三維輸入，建立CH4濃度的SVM預測框圖，如圖3所示。SVM的輸出為CH4濃度的預測值。

SVM常用的核函數有多項式、徑向基函數(RBF)、Sigmoid等。其中，Gauss徑向基函數能比較好地模擬光譜信號的譜峰等特征信息，故選用RBF核函數。SVM的參數有σ2和γ，σ2取值過大，將使模型過早收斂;γ控制對超出誤差的樣本的懲罰程度。用反復試驗的方式選取(σ2，γ)，建立模型后，將測試樣本的T，U1/Ur，U2/Ur代入模型進行計算，比較模型預測值與試驗標定值，直到滿足模型預測精度要求。本文最終確定σ2=10 000，γ=1。

　　3.2 結果與分析

　　在獲得的693個樣本中，隨機選擇543個作為訓練樣本，150個作為檢驗樣本。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神經網絡、RBF神經網絡、未把溫度作為支持向量機(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(x01，y01)，(x02，y02)，…，(xon，y0n)，依照空間線性關系建立y=A·x模型(A為系數矩陣)，求解x11，x12，…，x1n所對應的y11，y12，…，y1n;

　　(2)多項式回歸法：由已知點(x01，y01)，(x02，y02)，…，(x0n，y0n)，依照最小二乘原則建立y=f(x)多項式模型，進而求解x11，x12，…，x1n所對應的y11，y12，…，y1n;

　　(3)BP神經網絡法：基于誤差反向傳播算法的多層前向神經網絡，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的預測濃度為輸出建立BP神經網絡模型;

　　(4)RBF神經網絡法：即以函數逼近理論為基礎、傳遞函數為徑向基函數的一類前向神經網絡，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的預測濃度為輸出建立RBF神經網絡模型;

　　(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。

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

　　為預測濃度。將本文考慮溫度的SVM方法與前五種方法進行對比時，是以預測結果的最大誤差絕對值和誤差絕對平均來衡量的。六種方法的仿真結果對比如圖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，取得了最好的預測精度。SVM模型的核函數能更好地模擬光譜信號的譜峰等特征信息，能充分考慮到沼氣中其他成分對CH4通道輸出的影響，實現U1/Ur，U2/Ur，溫度T對CH4濃度值更好地非線性映射，具有更好的泛化能力。

　　4 結論

　　針對沼氣中CH4濃度的預測問題構建了實驗系統(tǒng)，獲取了大量實驗數據，探討了將溫度T，CH4和CO2探測器的輸出作為SVM的輸入，預測CH4濃度的方法，將該方法與常用的L-I，M-R，BP，RBF，SVM-noT五種方法進行對比。實驗結果表明，本文方法具有較高的預測精度，為沼氣中CH4濃度的預測提供了一個良好的思路。