.246 北京科技大学学报 第35卷 1所示，原始数据波形如图3所示 本总数60%)和验证集（占样本总数40%）.因为压 从表1和图3中可以看出：各变量的变化范围 差、电导率与亚铁离子质量浓度、氢离子质量浓度 很大，数据中含有大量的异常点，这些异常点并不 的相关性达到0.9左右，所以在建立每个数据集对 是因为测量或记录误差引起的，更多是真实情况的 应的酸浓度模型时采用线性的方法，最后分别建立 反应，若去除这部分异常点则同时也去除了部分有 亚铁离子质量浓度预测模型和氢离子质量浓度预测 用信息.因此，本文建模数据保留了其中的异常点. 模型. 首先将样本集按照时间顺序分为建模集（占样 表1酸浓度建模数据统计值 Table 1 Statistics of acid concentration data 自变量 因变量 数据 压差/kPa 温度/℃ 电导率/(uS.cm-I) 亚铁离子质量浓度/(gL1）氢离子质量浓度/(gL1) 变化范围9.99211.20011.78585.241 321.5431306.800 48.720≈139.700 28.327138.759 平均值 10.847 76.273 448.703 114.871 58.677 标准差 0.215 12.743 92.418 14.584 17.944 11.5 100 1500 11.0 1000 10.5 50 500 10.0 9.50 0 500 0 500 500 样本编号 样本编号 样本编号 150 150 100 100 50 50 LAWw 500 500 样本综号 样本编号 图3酸浓度建模数据图形 Fig.3 Graphics of acid concentration data 3.2实验结果对比 MLR模型，从1.82%降低到1.52%；而IRLS模型的 为了验证正交信号校正和迭代加权最小二乘 复测定系数R2低于MLR,从0.9557降到了0.9461， 算法相结合的有效性，对比MLR、IRLS、OSC-MLR 说明MLR模型在回归时存在过拟合现象；对比交 和OSC-IRLS的预测结果.对于进行正交信号校正 叉验证中拟合直线的斜率a和截距b,IRIS模型均 处理的模型，采用交叉验证方法确定OSC去除的 优于MLR模型的结果，说明IRLS模型预测值和真 成分数选择为1，Tx分别达到0.5659（氯化亚铁预 值更接近，氢离子模型满足同样的规律.因此，在酸 测模型)和0.5576（氯化氢预测模型），说明酸浓度 浓度模型中，IRLS模型的预测能力明显高于MLR 自变量数据中存在大量与因变量无关的成分：IRLS 模型 中的权重函数选择为双权数权重函数.实验结果如 (2)OSC处理对RLS预测结果的影响.为了 表2所示. 验证OSC处理对IRLS预测模型的影响，对比表 (I)RLS模型与MLR模型预测结果对比，从 2中OSC-IRLS和IRLS模型预测结果可以看出： 表2中可以看出，亚铁离子质量浓度的ILS模型 在模型相对预测误差中，OSC处理后的模型的相对 和MLR模型相比，IRLS模型相对预测误差低于 预测误差均降低，亚铁离子模型的预测相对误差从