薄迎春 赵逸博 夏伯锴

(中国石油大学信息与控制工程学院，山东 青岛 266580)

近红外光谱(Near Infrared Spectroscopy，NIRS)测量技术是20世纪90年代产生的一种新型的光谱测量方法，具有快速、绿色环保、操作方便及可同时测量多种理化性质等特点[1，2]。目前，NIRS测量技术已经在石油石化[3，4]、食品工业[5]及生物制药[6]等多个产品质量检测和质量控制领域得到了广泛的应用。NIRS分析方法是一种间接测定方法，其利用氢基团化学键伸缩振动的倍频和合频在近红外区形成吸收光谱，并通过适当的化学计量学校正方法将吸收光谱信息与被测样品的性质数据进行关联，进而建立吸收光谱与被测样品性质之间的关系模型。

柴油性质测量对于保证柴油炼制过程的产品质量以及降低柴油燃烧过程的污染等方面均具有重要意义[7]。由于C-H基团对NIRS具有较强的吸收作用，因此NIRS非常适合于柴油性质的测量。

用化学计量学方法建立NIRS分析模型是NIRS测量的核心技术之一[8]。目前，常用的化学计量学方法主要有多元线性回归(Multiple Linear Regression，MLR)、主成分回归(Principal Components Regression，PCR)、偏最小二乘(Partial Least Squares，PLS)及人工神经网络(Artificial Neural Network，ANN)等[9]。与其他方法相比，ANN具有更强的非线性逼近能力，近年来，ANN已成为NIRS分析模型的研究热点之一[10，11]。然而，常规ANN学习速度缓慢，并且学习过程易陷入局部极小，同时由于初始参数选取的随机性，使得ANN的模型鲁棒性较弱，这极大地限制了ANN在NIRS测量中的应用。

笔者针对ANN在NIRS建模中的问题，提出了一种基于回声状态网络(Echo State Network，ESN)的NIRS分析模型建立方法，ESN是一种新型的ANN，是池计算的典型代表[12]。……