柴油是人们日常生活中的一种不可缺少的燃料,也是国家各种重型运输车辆、轮船、军舰、坦克、常规潜艇等的必需燃料。不同用途的柴油有不同的规格,相同用途的柴油也有不同的性能指标。因此,在柴油的生产过程中,我们必须准确测量它的各项性能指标以用于不同用途。针对标准测量方法复杂耗时长的缺点,本文通过对近红外光谱理论和支持向量机(SVM)的研究,利用近红外光谱法结合支持向量机建立了柴油的十六烷值和黏度模型。在建模过程中,本文采用了不同的数据处理方式。首先用欧式距离法对校正集光谱样本数据进行了筛选,剔除了部分光谱异常点;再利用数据平滑和一阶微分,克服了高频噪声和温度、颜色等对校正精度的影响;然后使用主成分分析法(PCA),将原本401维光谱数据压缩到7维或18维,大大简化了校正模型,提高了模型校正效率和预测精度。经多次建模分析比较,得到了针对实验样本的柴油十六烷值和黏度的最佳模型参数,并对模型进行了验证。在此基础上,研究了SVM和BP神经网络模型的预测效果。仿真结果显示SVM的预测精度及预测可靠性要高于BP神经网络。通过对比SVM与BP神经网络的校正集标准偏差SEC和预测集标准偏差SEP,结果表明, BP神经网络在建模过程中有过拟合现象,其预测可靠性不如SVM好。总体上, SVM柴油性质预测模型的有效性要优于BP神经网络模型。