二维色谱柱效的支持向量回归预测

以有效塔板数作为二维色谱的柱效指标，根据二维色谱在不同影响因素(包括预柱柱温、主柱柱温、柱问压差和主柱间的放空量)下的有效塔板数实测数据集，应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法，建立了二维色谱柱效的SVR预测模型，并与BP神经网络(BPNN)模型进行了比较。结果表明：基于相同的训练样本和检验样本，二维色谱的SVR模型的平均绝对百分误差(MAPE，13．3％ )比其BPNN模型的MAPE小4％ ；增加训练样本数有助于提高支持向量回归(SVR)模型的泛化性能；基于留一交叉验证法(LOOCV)的SVR模型预测的平均绝对误差(MAE，196.79 m-1 )和MAPE(1.6％ )均为最小，明显优于BPNN模型(2397.98 m-1，17.3％)或SVR模型(1849.95 m-1 ，13.3％ )的预测效果。因此，SVR是一种预测二维色谱柱效的有效方法。