基于协同训练与LS-SVM的集成传感器在线温度补偿

合集下载

LS-SVM构造FLANN逆系统的传感器动态补偿方法

LS-SVM构造FLANN逆系统的传感器动态补偿方法
吴德会
【期刊名称】《数据采集与处理》
【年(卷),期】2007(22)3
【摘要】提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法.介绍了相关原理和具体算法,并给出了传
感器动态逆系统的数学模型.在该方法中,通过在传感器后串接逆系统模型来修正动
态测试误差、提高传感器的动态特性.通过典型的传感器动态标定实验数据,该逆系
统模型的传递函数可用LS-SVM-FLANN方法辨识得到.实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿
误差仅为后者的10%.用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单.
【总页数】6页(P378-383)
【作者】吴德会
【作者单位】九江学院电子工程系,江西,九江,332005;合肥工业大学仪器仪表学院,合肥,230009
【正文语种】中文
【中图分类】TP212
【相关文献】
1.LS-SVM构造FLANN的非线性自适应逆控制动态补偿研究 [J], 孟萍;张金敏;张绘敏
2.基于SVR构造FLANN的传感器动态补偿研究 [J], 吴德会
3.一种基于LS-SVM构造FLANN的热电偶非线性校正方法 [J], 吴德会;王晓红
4.基于FLANN的称重传感器动态补偿方法 [J], 黄杭美
5.基于FLANN的腕力传感器动态补偿方法 [J], 徐科军;殷铭
因版权原因，仅展示原文概要，查看原文内容请购买。

基于EEMD能量熵和LSSVM的传感器故障诊断

２２
传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
２０１３年第３２卷第７期
基于ＥＥＭＤ能量熵和ＬＳＳＶＭ的传感器故障诊断
ｓｈｏｒｔｃｏｍｉｎｇｏｆｍｏｄｅｍｉｘｉｎｇｏｆＥＭＤ，ａｎｄｔｈｅｄｅｃｏｍｐｏｓｅｄｉｎｔｉｒｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ（ＩＭＦｓ）ｐｒｏｍｉｎｅｎｔｔｈｅｌｏｃａｌ
故障识别和分类。同时采用粒子群优化算法对ＬＳＳＶＭ的结构参数进行择优。测试结果表明：该故障诊断模型对动车组ＡＳ压力传感器故障具有较高的正确分类率。关键词：传感器；集成经验模态分解；最小二乘支持向量机；粒子群优化算法；故障诊断
中图分类号：ＴＰ２０６文献标识码：Ａ文章编号：１０００－９７８７（２０１３）０７－－００２２－０４
丁国君，王立德，申萍，杨鹏
（北京交通大学电气工程学院。北京１０００４４）摘要：传感器作为动车组制动系统的关键部件，其能否正常工作直接影响动车组的安全稳定运行。集
成经验模态分解克服了经验模态分解的模态混叠现象，分解出的各个内禀模态函数突出了故障的局部特征，并求解其能量熵组成故障特征向量，然后把故障特征向量输入到最ｔｂ￣－乘支持向量机（ＬＳＳＶＭ）进行

LS-SVM构造FLANN逆系统的传感器动态补偿方法

２．ｈｏｏｆＩｔｕｍｅｉｎｅ，ＨｅｅｎｖｅｓｔｆＴｅｃＳｃｌｏｎｓｒｎｔＳｃｅｃｆｉＵｉｒｉｙｏｈｎｏｏｌｇｙ，Ｈｅｅ，２３００９。Ｃｈｎｆｉ０ｉａ）
Ａｂｓｒｃｔａｔ：Ａｄａｃｏｅａｉｍｅｈｄｆｒｒｎｄｃｒｉｐｅｅｔｄａｅｏｆｃｉｎａｙｎｍｉｃｍｐｎｓｔｎｇｔｏｏｔａｓｕｅｓｓｒｓｎｅｂｓｄｎｕｎｔｏｌｌｎｒｉｉｉｌｎｕｒｌｅｗｏｋｓ（ｉｋａｔｆｃａｅａｎｔｒＦＩＡＮＮ）ｉｖｅｓｙｔｍｏｔｕｃｅｅｓｑｕｒｓｓｐｏｔｎｒｅｓｓｅｃｎｓｒｔｄｂｙｌａｔｓａｅ — ｕｐｒｖｃｏｃｉｅｔｒｍａｈｎｅ（ＬＳ— ＶＭ）ＴｈｉｃｐｌｎｌｏｒｔＳ．ｅｐｒｎｉｅａｄａｇｉｈｍｓｒｉｒｄｕｅａｔｄｎａｃｎ— ａｅｎｔｏｃｄｎｄｈｅｙｍｉｉ
Ｄｅｕｉ。ｋ
（．ｐｒｍｅｔｏｅｔｏｉＥｎｉｅｒｎ１ＤｅａｔｎｆＥｌｃｒｎｃｇｎｅｉｇ，ＪｕｉｎｉｅｓｔｉｊｇＵｎｖｒｉａｙ，Ｊｕｉｎｉｊｇ，Ｊａｇｉ３０５，ｉａａｉｎｘ，３２０Ｃｈｎ：
中图分类号：ＴＰ２１２文献标识码：Ａ
ＤｙｍｉｍｐｎｓｔｎｇＭｅｈｄｆｒＴｒｎｓｕｅｓｄｏｎａｃＣｏｅａｉｔｏｏａｄｃｒＢａｅｎＦＬＡＮＮ

基于PSO优化SVM的MEMS加速度计温度补偿方法研究

基于PSO优化SVM的MEMS加速度计温度补偿方法研究作者：刘滔徐大诚赵鹤鸣来源：《现代电子技术》2018年第10期摘 ;要：温度对MEMS加速度计性能的影响至关重要。

结合扭摆式硅微加速度计的结构及温度特性，采用基于自适应权重的粒子群优化算法来优化支持向量机算法，创建MEMS加速度计温度补偿模型，并利用STM32F405RG64实现实时温度补偿系统。

实验结果表明，补偿后加速度计的标度因数温度系数、全温零偏极差、非线性度分别由补偿前的264 ppm/℃，71.98 mg，2.07%降低到105 ppm/℃，10.31 mg，0.25%，可见补偿后加速度计的性能得到比较明显的改进，能证明该方法的有效性和可行性。

关键词： MEMS加速度计; 扭摆式硅微加速度计; 粒子群优化算法; 自适应权重; 支持向量机; 温度补偿中图分类号： TN37+3⁃34; U666.1 ; ; ; ; ; ; ; ; 文献标识码： A ; ; ; ; ; ; ; ; ; 文章编号：1004⁃373X（2018）10⁃0058⁃05Abstract： Temperature has great influence on the performance of MEMS accelerometer. Combined with the structure and temperature characteristics of the pendulous siliconmicro⁃accelerometer， an adaptive weight based particle swarm optimization （AW⁃PSO）algorithm is adopted to optimize support vector machine algorithm and create the temperature compensation model for MEMS accelerometer. STM32F405RG64 is used to realize the real⁃time temperature compensation system. The experimental results show that after compensation， the scale factor temperature coefficient， full⁃temperature zero bias range and non⁃linearity of the accelerometer are reduced from 264 ppm/℃， 71.98 mg and 2.07% before compensation to 105 ppm/℃， 10.31 mg and 0.25% respectively， which indicates that after compensation， the accelerometer performance is obviously improved， and the effectiveness and feasibility of the method are demonstrated.Keywords： MEMS accelerometer; pendulous silicon micro⁃accelerometer; PSO; adaptive weight; SVM; temperature compensationMEMS（Micro Electronic Mechanical Systems）加速度计是用来测量运动物体加速度的传感器，被广泛应用于航空航天、智能手机、交通运输等领域[1]。

基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿

基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿杨婷;卢文科;左锋【摘要】For the temperature drift of the silicon pressure sensor,an least squares support vector machine(LSSVM)temper-ature compensation model was put forward,which was based on particle swarm optimization(PSO).Through the two-dimensional experiment on silicon pressure sensor, a PSO-LSSVM model was built and the integrated temperature sensor AD 590 was taken advantage to monitor the environment temperature.Because the penalty factor and kernel parameter of LSSVM can affect the pre-diction precision directly,the optimal penalty factor and kernel parameter can be selected by PSO,which improves the defect of time consuming parameter selection.Experiment results show that after the PSO-LSSVM model,both the zero temperature coeffi-cient and the sensitivity coefficient decrease in an order of magnitude and the mean square error of predicted values and the cali -bration values is up to 10-6.PSO-LSSVM model realizes the temperature compensation and improves the prediction precision.%针对扩散硅压力传感器温度漂移的问题,文中提出了一种基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的温度补偿模型.通过对扩散硅压力传感器做二维标定实验,利用AD590集成温度传感器监测实验环境温度,建立PSO-LSSVM模型.最小二乘支持向量机的惩罚因子和核函数的选取会直接影响到模型的预测精度,PSO-LSSVM模型利用粒子群算法优化最小二乘支持向量机模型的惩罚因子和核函数的参数,改善了传统的最小二乘支持向量机模型对参数选取耗时耗力且未必找到全局最优解的缺陷.实验结果表明,经该模型补偿后的零点温度系数和灵敏度温度系数都减小了一个数量级,且预测值与标定值的均方误差的数量级达到10-6,实现了温度补偿并改善了预测精度.【期刊名称】《仪表技术与传感器》【年(卷),期】2017(000)012【总页数】5页(P25-29)【关键词】扩散硅压力传感器;温度补偿;粒子群算法;最小二乘支持向量机【作者】杨婷;卢文科;左锋【作者单位】东华大学信息科学与技术学院,上海 201620;东华大学信息科学与技术学院,上海 201620;东华大学信息科学与技术学院,上海 201620【正文语种】中文【中图分类】TH765;TP212;TM9350 引言扩散硅压力传感器是一种以半导体硅膜片为核心的压阻式传感器。

基于LS-SVM的传感器智能校正及温度补偿

了相应的过程和算法。在该方法中，ＳＳＭ被用作构建逆模型，Ｌ —Ｖ并通过该模型映射传感器非线性特性，同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明：所提模型
建模速度比ＳＭ模型高１— Ｖ２个数量级，补偿误差仅为ＳＭ模型的２％左右。因此，Ｖ０该学习速度快、补偿
Ｉｔｌｅｔｌｃｒｅｔｏｎｅｐｒｔｅｃｍｐｎａｉｎｏｎｅｌｃｕａｏｒｃｉｎａｄｔｍｅａｕｒｏｅｓｔｏｆ
ｔａｓｕｅｓｄｏｒｎｄｃｒｂａｅｎＬＳ．ＶＭＳ
ＷＡＮＧａ — ｏｇ．ＷＵ — ｕ，ＸｉｏｈｎＤｅｈｉ１２
ｃｍｐｎａｉｎｅｏｓｉ２ｏｅｓｔｒｒｓ０％ｏＶＭｏｅ．ｅｕｔｔｅｍｅｈｓｆｔｒｉｅｒｉｇｓｅｄ，ｉｈｉｃｕａｙａｄｏｆＳｍｄ１Ａｓａｒｓｌ，ｈｔｏｉａｅｌａｎｎｐｅｈｇｎａｃｒｃｄｓｎｎｒｂｓｉｏｓｅｉａｃ，ｓｍｏｅｓｉｂｅｆｒｓｎｏ ’ ｏｅｔｎａｄｔｍｐｒｔｒｏｐｎａｉｎｏｕｔｎｎｉｅｒｓｓｎｅｉｉｔｔｒｕｔｌｅｓｒＳｃｒｃｉｅｅａｕｅｃｍａｏｏｎｅｓｔ．ｏ
（．ｅａｔｅｔｆｌｔｎｎｉｅｉ，ｉｉｇＵｖｒｔ，ｉｉｇ３０５Ｃｉａ１ＤｐｒｎｏＥｅｒｉＥｇｅｒｇＪｊｎｎｅｉＪｊｎ２０，ｈ；ｍｃｏｃｎｎｕａｉｓｙｕａ３ｎ

基于GA优化LS-SVM的霍尔位移传感器的温度补偿

基于GA优化LS-SVM的霍尔位移传感器的温度补偿王娟;卢文科;左锋【期刊名称】《东华大学学报（自然科学版）》【年(卷),期】2017(043)005【摘要】Because the output voltage of Hall displacement sensor varies with temperature,this sensor is subjected to the temperature compensation.First,the functional relation among the measured displacement,the output voltage of the Hall displacement sensor and the temperature is established by the least squares support vector machine (LS-SVM)optimized with genetic algorithm(GA),then the fusion data is solved finally from this functional relation,the zero temperature coefficient,the temperature sensitivity coefficient and the relative error after temperature compensation are obtained from the fusiondata.Research results show that the zero temperature coefficient and the temperature sensitivity coefficients increase an order of magnitude after temperature compensation,and the relative error also gets very big improvement,so the purpose of the temperature compensation for the Hall displacement sensor is achieved.%由于霍尔位移传感器输出电压随温度变化,所以需要对该传感器进行温度补偿.首先采用遗传算法(GA)优化的最小二乘支持向量机算法(LS-SVM)建立被测位移与霍尔位移传感器系统的输出电压和温度之间的函数关系,其次从该函数关系求出融合后的数据,最后从该数据求出温度补偿后零位温度系数、灵敏度温度系数和相对误差.研究结果表明,温度补偿后零位温度系数和灵敏度温度系数均提高了一个数量级,相对误差也得到了很大的改善,从而达到了对霍尔位移传感器温度补偿的目的.【总页数】6页(P689-693,702)【作者】王娟;卢文科;左锋【作者单位】东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620【正文语种】中文【中图分类】TP86【相关文献】1.基于LS-SVM和GA-BP神经网络拟合的加速寿命仿真试验优化方案设计 [J], 潘刚;梁玉英;贾占强;张国龙2.基于BP-PSO的霍尔位移传感器的温度补偿研究 [J], 白倩倩;卢文科;左锋3.霍尔效应式位移传感器的温度补偿 [J], 钦志伟;卢文科;左锋;冯阳4.基于GA-WNN模型的差动螺管电感式位移传感器的温度补偿 [J], 乔岩; 卢文科; 左锋; 丁勇5.基于AGA-LSSVM的电容式位移传感器温度补偿 [J], 辜申;卢文科;冯阳;左锋因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

维普资讯
第１６卷
第９期
光学精密工程
ＯｐｔｃｎｅｉｉｉｓａｄＰｒｃｓｏｎＥｎｇｎｅｉｉｅｒｎｇ
Ｖｏ．Ｎｏ１１６．９
Ｓｅｐ．２０８０
２００８年９月
文章编号１０ — ２Ｘ２０）９１８ — ６０４９４（０８０ — ６２０
基于Ｌ－Ｖ与遗传算法的数控机床热ＳＳＭ误差辨识温度传感器优化策略
林伟青，傅建中，许亚洲陈子辰，
（．１浙江大学机械工程学系，浙江杭州３０２；．１０７２福建农林大学机电学院，福建福州３００）５０２
ａｓ．Ｔｈｅｕｔｈｌｏｅｒｓｌｓｓｏｗｈａｔｏｖｌｍｅｈｏｔｔｈｅｎｅｔｏｄｃｍｂｉｅｎｅｉｌｏｉｈｍｓａ－ｎｄｇｅｔｃａｇｒｔｎｄＬＳＳＶＭｌｖｄｓｗｅｌａｏｉｔｏｒｌｔｏｎｏｈｅｔｍｐｒｔｒｅｏｓａｎｕｅｈｅａｃｒｃｆｔｈｅｃｒｅａｉｆｔｅｅａｕｅｓｎｓｒｎｄｅｓｒｓｔｃｕａｙｏｈｅｍｏｄ１Ｉｈｅｅｐｅｉｅｓｅ．ｎｔｘｒｍｎｔ
ｍａｈｉｏｌｂｓｄｏ — ＶＭｎｅｅｉｌｏｉｈｃｎｅｔｏａｅｎＬＳＳａｄｇｎｔｃａｇｒｔｍ
ＩＩＷｅ— ｉｇ～，ＦＵｉｎｚｏｇ，ＸＵ —ｈｕ，ＣＨＥＮＺ —ｈｎＮｉｎｑＪａ～ｈｎＹａｚｏｉｅｅ

基于LSSVM的热偶规真空传感器非线性补偿方法

关键词：热偶规真空传感器，非线性特性，补偿模型，最小二乘支持向量机
Ａｂｓｔｒａｃｔ
Ａｎａｐｐｒｏａｃｈｔｏｃｏｍｐｅｎｓａｔｅｔｈｅｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｃｕｕｍｇａｕｇｅｉｓｄｅｖｅｌｏｐｅｄ，ｌｅａｓｔｓｑｕａｒｅｓ
件技术对传感器进｝线性补偿的常用方法有查表法、数值计算法等常规处理方法［２和基于人工神经网络和支持向量机等
的智能处理方法＿４］。后者具有很强的逼近任意非线性函数的能力，取得了较满意的补偿效果。但是神经网络要求足够的训练样
５２
基于ＬＳＳＶＭ的热偶规真空传感器非线性补偿方法
基于ＬＳＳＶＭ的热偶规真空传感器非线性补偿方法
ＬＳＳＶＭＢａｓｅｄＮｏｎ－ｌｉｎｅａｒｉｔｙＣｏｍｐｅｎｓａｔｉｏｎｆｏｒＴｈｅｒｍｏｃｏｕｐｌｅＶａｃｕｕｍＧａｕｇｅ
本以保证其泛化能力，网络结构也会影响其性能。支持向量机
式中， ‘ ｜）是权向量，ｂ是偏差量。 ‘ ｐ（ｘ；）是核空间的映射函数，
将输入数据映射到高维空间。为使补偿模型对样本数据拟合的
热偶规真空传感器稳定性好，可以连续和远距离测量，便于

基于LS-SVM软传感器的容错控制方法及应用

基于LS-SVM软传感器的容错控制方法及应用李炜;张婧瑜【摘要】针对一类非线性系统中传感器卡死、恒增益和恒偏差失效等易发故障,考虑控制系统多存在耦合、非线性、时变、滞后等难以建立精确的解析模型,基于数据驱动技术提出一种软传感器容错控制方法.基于LS-SVM构建了系统软传感器,并利用软传感器的预测输出与实际传感器输出之差获取残差信号;采用SPRT算法进行故障检测,当传感器发生故障时,用LS-SVM软传感器预测输出代替物理传感器的实际输出,从而以软闭环方式实现对传感器故障的容错控制.将所提出的方法应用于一阶水箱液位控制系统,实验结果表明,基于LS-SVM软传感器与SPRT的结合能够可靠及时检测非线性系统中各类传感器故障,而借助于软闭环切换还可对传感器故障实现安全容错.【期刊名称】《兰州理工大学学报》【年(卷),期】2014(040)005【总页数】5页(P77-81)【关键词】LS-SVM软传感器;SPRT故障检测;数据驱动;软闭环容错控制【作者】李炜;张婧瑜【作者单位】兰州理工大学电气工程与信息工程学院,甘肃兰州730050;兰州理工大学电气工程与信息工程学院,甘肃兰州730050;兰州石化职业技术学院电子电气工程系,甘肃兰州730060【正文语种】中文【中图分类】TP206.3随着工业生产规模的扩大和自动化程度的提高，人们对控制系统的安全性、可靠性要求也越来越高，传感器更是信息获取不可缺少的环节，但也是极易出现故障的部件.如果传感器在使用过程中出现性能蜕化或失效等故障，则故障传感器传来的反馈信号不仅会在闭环控制系统中迅速传播，而且可能导致系统性能下降，甚至陷入瘫痪［1］.传统硬件冗余法虽可保证其输出信号的可靠性，但要付出高昂的成本代价且系统复杂性增加.近年来，一种借助于软传感器进行故障检测的方法受到了业界的广泛关注［2-4］.基于软传感器故障检测的基础是建模，由于建模方法不一，可分为基于解析模型和基于数据驱动模型两类方法［5］.基于解析模型的原理是构建卡尔曼滤波器或自适应观测器等观测系统的输出，并与实际传感器之差产生残差信号进行故障诊断.此类方法研究相对较多也较深入，但必须充分了解过程的内部机理.实际工业系统大多较为复杂且又具有非线性，往往很难建立精确解析模型，因此研究对象只能针对线性系统或非线性系统在工作点附近的线性化模型［6-7］.随着信息科学技术的迅速发展及DCS的广泛应用，系统在运行过程中储存了大量数据，可基于这些数据建立系统预测模型，这类预测模型也称为软传感器，它只依赖于过程装置的运行数据，无需了解系统的内部机理，而且具有较高可靠性.构建软传感器的方法主要有主元分析（PCA）、部分最小二乘（PLS）、神经网络（ANN）和支持向量机（SVM）等［8］.文献［9］同时用ANN 和SVM 对一压力传感器进行故障检测，实验结果表明基于SVM构建的软传感器进行故障检测时间更短、精确度更高.上述方法虽可实现传感器故障的检测，但也仅仅限于检测到故障是否发生，而无实时应对措施.闭环控制系统中，传感器一旦发生故障，就会迅速通过反馈通道波及到操纵变量，并干扰其他过程变量，甚至影响生产.因此，本文针对一类非线性系统中传感器卡死、恒增益和恒偏差3种易发故障，基于数据驱动技术提出一种基于软传感器的容错控制方案.1 数据驱动LS-SVM软传感器容错控制1.1 控制方案基于数据驱动技术的LS-SVM软传感器容错控制系统结构如图1所示.系统主要包括：LS-SVM软传感器、故障检测与判决机制及软闭环切换容错机制等三个功能模块.其中，yr（k）为系统的期望输出，u（k）为控制器输出，z（k）为经软闭环切换后的系统反馈信号，y（k）为实际传感器测量输出，（k）、r（k）分别为系统LS-SVM模型，亦即软传感器在k时刻的预测输出及与实际输出产生的残差信号.图1 LS-SVM软传感器容错控制结构Fig.1 Structural diagram of LS-SVM soft sensor fault tolerant controlLS-SVM软传感器兼有传感器故障检测中残差信号的生成与故障切换时软传感器预测过程输出的双重功能.故障检测与判决机制利用历史及当前残差信号，基于SPRT算法进行传感器故障检测并输出故障指示信号.若传感器发生故障，容错机制将软传感器预测输出（k）切换至系统反馈信号z（k）；待故障排除，再将实际传感器输出y（k）切换至z（k），防止故障在闭环系统中传播.三者有机结合使系统实现对各种传感器故障的安全容错.其具体工作流程如图2所示.图2 软传感器容错控制工作流程Fig.2 Operational flow-chart of soft sensor fault tolerant control1.2 非线性系统LS-SVM软传感器的构建模型的精确建立是系统实现快速可靠检测传感器故障的基础.实际运行的工业系统大多具有耦合、非线性、时滞等特点，很难建立精确解析模型，然而现代工业控制系统却具有丰富的在线和离线测量数据，可基于数据驱动技术对其建模，亦即构建软传感器.在众多的支持向量机算法中，最小二乘支持向量机（LS-SVM）具有建模所需样本少、求解速度快且全局最优等优点，在非线性系统建模及故障检测中得到了广泛的应用［10-12］.因此，本文基于LS-SVM为非线性系统构建软传感器，其原理如下［13］：假设被控对象是一个MISO的非线性系统，其输入输出变量之间的关系由下式描述：其中：训练样本集Xki= （x1i，x2i，…，xn1i）T，Y=（y1，y2，…，yn1）T，P 为输入变量个数，n1 为样本数；测试样本集XC= （xc1，xc2，…，xcn2）T、YC=（yc1，yc2，…，ycn2）T 用于模型验证，n2 为其样本数.LS-SVM建模的目的是根据这n1个训练样本求解一个最优决策函数f（x）：式中：ω为Rp中的权向量，b为偏差量.其原理是通过一个非线性映射φ（·），将非线性估计函数转化为高维特征空间中的线性估计函数，求ω、b，使最小化：其中：R为优化目标函数，c为可调边界参数，Remp为不敏感损失函数，用误差变量ξi的二次项表示，则优化问题表示为利用拉格朗日乘子α构造拉格朗日函数：对L求ω、b、ξ、α的一次导数，令定义核函数 K（xi，xj）=φ（xi）φ（xj）是满足Mercer条件的对称函数，核函数选RBF函数，即则优化问题就转化为求解由此可得到非线性系统LS-SVM软传感器预测输出为用测试集XC测试所建模型的预测输出，根据式（10，11）计算其均方根误差RMSE和最大绝对误差MAXE：1.3 基于LS-SVM与SPRT的传感器故障检测根据1.2中所述原理，基于过程离线数据构建LS-SVM软传感器，并与实际传感器输出进行比较获取残差信号r（k）=（k）-y（k），即可进行故障检测.理想情况下，系统正常运行时，r（k）是一个零均值的白噪声序列；当传感器发生故障，残差均值会随之发生变化，不再为零.但实际运行时，由于系统受到建模误差和外部干扰等不确定因素的影响，残差不可能为零，而此值及检验样本数的选择，又是决定故障检测可靠与快速性的基础.考虑序贯概率比检验（SPRT）方法可根据要求的误报、漏报率设置阈值，在检验过程中会自适应地随故障大小增加观测样本的数目，直到预定的漏报率和误报率都达到要求时会自动停止检验［14］，在确保误报、漏报率满足需求的前提下所需样本最少.因此，本文采用SPRT算法进行故障检测，其原理如下：假设m 维残差序列r=［r1，r2，…，rm］T 服从正态分布 Nm（θ，σ），其概率分布密度为考虑如下假设检验模型：H0：rm～Nm（0，1），系统正常；H1：rm～Nm（θ0，1），θ0≠0，系统故障.建立k时刻的对数似然概率比判决函数：由式（13）可推导出判决函数λ的递推公式为SPRT检验门限：其中：PF表示允许的误报警概率，即H0成立反而被否定的概率；PM表示允许的漏报警概率，即H1成立反而接收H0的概率.确定判决函数λ和检验门限值ln T（H0）、ln T（H1）后，根据如下规则做出判决：λ（k）≤ln T（H0），接受H0，k 时刻之前系统正常；λ（k）≥ln T（H1），接受H1，k时刻系统发生故障；ln T（H0）≤λ（k）≤ln T（H1），增加样本继续检验.对数似然比λ在递推过程中，当H0为真时会附加一项负值，当H1为真时附加一项正值，这样λ可能很负.当故障发生时，必须积累一段正值项，才能使λ变正而达到门限值ln T（H1），造成检测延迟.为了消除检测延迟，需用补偿方法对式（14）所表示的判决函数λ进行修正［15］，修正后的判决函数为监控λ＊（k）的变化，若λ＊（k）≥ln T（H1），认为传感器发生故障.1.4 软闭环切换容错控制机制尽管PID控制对闭环系统中的微小故障或扰动具有一定的鲁棒性，但前提是准确获取偏差信号.对于传感器故障，则会即刻通过反馈通道在闭环系统中蔓延，首先恶化偏差信号，进而干扰操纵变量，造成系统性能下降，甚至演变为灾难性故障.因此，需对故障传感器进行及时切换.即当故障检测与判决机制判断出传感器发生故障后，应立刻屏蔽故障传感器的输出信号，将软传感器预测输出作为反馈信号送至控制器；待故障排除，再将实际传感器的输出恢复为反馈信号，防止故障在闭环系统中传播，保证系统能够安全、可靠地长期稳定运行.2 实验验证2.1 软传感器的构建本文选取德国FESTO公司过程控制系统实验装置（PCS）中的液位控制单元作为实验对象.考虑到该液位控制系统由于受到水泵震动、网络传输时延、外部干扰及各环节非线性特性等因素的影响，使系统具有一定的时滞、非线性特性，首先基于过程离线数据构建其LS-SVM软传感器.采集电动调节阀的开度信号作为模型输入变量、液位变化量作为模型训练目标，进行预处理后以1 200组数据作为训练集，188组数据作为测试集，构建系统的LS-SVM软传感器.核函数采用RBF核函数，优化后的可调边界参数c=97，径向基核宽度σ=4.5，偏差量b=0.010 3.经测试样本集测试，表1给出了LS-SVM软传感器预测精度评价结果.表1 LS-SVM软传感器预测精度评价Tab.1 Evaluation of predicted precision with LS-SVM soft sensor性能指标模型MAXE RMSE LS-SVM 9.409 8×10-60.002 1从表1可以看出，LS-SVM软传感器具有较好的预测精度，完全满足水箱液位的测量精度要求.2.2 数据驱动LS-SVM软传感器容错控制在闭环控制系统中，传感器故障作为输出型故障，表2给出了几种常见故障的具体表现形式.表中：y（k）和y～（k）分别表示故障情况和正常情况下传感器的实际输出，A、Δε为恒定的常数，β是一个比例系数，分别取A=10，β=2，Δε=0.5.表2 传感器故障类型Tab.2 Type of sensor faults故障类型故障描述恒定阶跃信号f2：恒增益 y（k）=β~y（k）斜坡信号f3：恒偏差 y（k）=~y（k）+Δε数学表达式施加仿真信号f1：卡死 y（k）=A恒定阶跃信号为验证本文所述方法能够快速可靠地检测传感器故障，且对故障能够有效容错，分别针对表2中3种易发故障，基于前述方法在Matlab2010b环境下，对PCS液位控制实验平台的超声波液位传感器进行故障检测及容错控制的实验验证.取漏报率PM=0.1、误报率PF=0.1，则统计量λ＊（k）的故障检测阈值ln T（H1）=2.197；文中控制器采用常规PID控制算法，参数优化整定结果为KP=5，KI=0.034.实验设计在t=0时刻对系统施加10%的阶跃信号，并在第158个样本点（t=79s）处发生故障f1（卡死故障），在第318个样本点（t=159s）处排除故障系统恢复正常；在第380个样本点（t=190s）处发生故障f2（恒增益故障），在第542个样本点（t=271 s）处排除故障系统恢复正常；在第600个样本点（t=300s）处发生故障f3（恒偏差故障），在第760个样本点（t=380s）处排除故障系统恢复正常.不同故障下的残差均值见表3，故障检测与容错控制曲线如图3和图4所示.由图3可知，当系统分别在第158、380、600个样本点处发生故障f1、f2及f3时，残差信号的均值均发生相应变化，SPRT统计量λ＊（k）也超过故障检验门限值ln T（H1），判决传感器发生故障，输出故障指示量5；待系统恢复正常，残差均值接近0，λ＊（k）低于故障检验门限值，则认为传感器没有发生故障，输出故障指示量0.说明文中所设计的基于数据驱动的软传感器与SPRT结合的故障检测方法，能够快速、可靠地检测传感器故障.表3 不同故障情形下的残差均值Tab.3 Mean value of residual error in case ofdifferent faults模型运行模式残差均值正常LS-SVM-0.002 5卡死 9.780 6恒增益 100.213 3恒偏差0.498 2图3 基于LS-SVM软传感器的故障残差及故障检测Fig.3 Fault residual error and fault detection based on LS-SVM soft sensor图4 不同故障情形下软闭环容错效果验证Fig.4 Verification of effects of soft close-loop fault-tolerant control in case different faults由图4可知，针对前述3类传感器故障，当故障检测与判决机制指示传感器发生故障时，物理传感器输出已偏离实际系统的输出，但借助于软闭环切换将所构建的软传感器预测输出作为系统反馈信号，系统在原PID控制器作用下液位高度仍保持在100±0.2mm，且无明显切换抖动；待故障排除，系统恢复正常，又将传感器的实际输出切换至系统反馈信号送至控制器.说明文中所构建的软闭环机制可对各类传感器故障进行安全容错.3 结论本文针对一类非线性系统中传感器卡死、恒增益、恒偏差3种常见故障，综合考虑了非线性系统较难建立精确解析模型，而生产过程每天产生的大量运行数据，提出了一种数据驱动LS-SVM软传感器故障检测与容错控制方法.基于历史数据构建非线性系统的LS-SVM软传感器与实际传感器输出比较产生残差信号，辅以SPRT 算法在确保期望误报、漏报率的同时使故障检测及时性得以提高.当传感器发生故障时，设计的软闭环切换容错控制机制以软传感器预测输出代替物理传感器的实际输出，防止了故障在闭环系统中的传播，确保了系统在故障情形的高性能运行.将所提出的方法应用于PCS液位控制系统中，实验结果表明LS-SVM软传感器与SPRT的结合能够及时可靠地检测传感器故障，而故障期间借助于软闭环切换将软传感器预测输出代替物理传感器实际输出作为闭环反馈信号能够实现控制系统对故障的安全容错，确保控制系统长期稳定的安全运行.参考文献：［1］WANG Yiming，YE Hao.Data-driven diagnosis of sensor precision degradation in the presence of control［J］.Journal of Process Control，2012，22：26-40.［2］赵劲松，李元，邱彤.一种基于小波变换与神经网络的传感器故障诊断方法［J］.清华大学学报：自然科学版，2013，53（2）：120-122.［3］王通，高宪文，蔺雪.SWE-IPCA方法在传感器故障诊断中的应用［J］.仪器仪表学报，2013，34（8）：1841-1846.［4］孙毅刚，王雷，薛仲瑞.基于BP网络的航空发动机传感器硬故障检测［J］.传感器与微系统，2013，32（7）：120-122.［5］KADLEC P，GABRYS B，STRANDT S.Data-driven Soft Sensors in the process industry［J］.Computers and Chemical Engineering，2009，33：795-814.［6］WEI Xiukun，VERHAEGEN M，VAN ENGELEN T.Sensor fault detection and isolation for wind turbines based on subspace identification and Kalman filter techniques［J］.Adaptive Control and Signal Processing，2010，24（8）：687-707.［7］MID E C.Application of model based sensor fault tolerant control system ［C］//IEEE International Conference on Control System.Penang：［s.n.］，2011：150-155.［8］周东华，胡艳艳.动态系统的故障诊断技术［J］.自动化学报，2009，35（6）：748-752.［9］YU Yaojun.The research on sensor fault diagnosis based on the SVM prediction model［C］//Cross Strait Quad-Regional Radio Science andWireless Technology Conference（CSQRWC）.Harbin：［s.n.］，2011：990-992.［10］史岩，李小民，连光耀.基于在线增量小波LS-SVM的垂直陀螺仪残差故障检测研究［J］.计算机测量与控制，2013，21（1）：14-17，26.［11］许允之，方磊，张建文.基于最小二乘支持向量机的电机故障鉴别［J］.电力系统保护与控制，2012，40（14）：63-68.［12］李炜，王凤达，马克.基于LS-SVM的多模型非线性主动预测容错控制［J］.兰州理工大学学报，2009，35（2）：70-75.［13］GANG Fengzhi，KATSUNORI S，WANG Qi.Sensor fault detection and data recovery based on LS-SVM predictor［J］.仪器仪表学报，2007，28（2）：193-197.［14］闻新，张洪铖，周露.控制系统的故障诊断与容错控制［M］.第3版.北京：机械工业出版社，1998：37-69.［15］李炜，李阳.优化M-SPRT法在管道泄漏检测中的应用［J］.天然气工业，2009，29（4）：93-95.。

基于QPSO—SVM算法的PDS变送器温度补偿方法

基于QPSO—SVM算法的PDS变送器温度补偿方法谢先伟;田英明;张进【摘要】由于PDS压力变送器[1]的测量数据会随着温度的变化而发生温度漂移,文中提出了量子粒子群[2](QPSO)算法和支持向量机[3] (SVM)算法相结合的方法对压力变送器的输出数据进行补偿处理,通过QPSO算法优化SVM参数C、δ2,然后利用SVM的函数拟合建立补偿模型;通过分析工程实验结果,该方法在全局收敛性、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性.【期刊名称】《计算机测量与控制》【年(卷),期】2015(023)008【总页数】4页(P2915-2917,2935)【关键词】量子粒子群(QPSO)算法;支持向量机(SVM)算法;压力变送器;函数拟合【作者】谢先伟;田英明;张进【作者单位】重庆工程职业技术学院信息工程学院,重庆400050;重庆川仪自动化股份有限公司技术中心,重庆401121;重庆川仪自动化股份有限公司技术中心,重庆401121【正文语种】中文【中图分类】TP273在工业自动化仪表领域，数字智能型PDS型压力／差压变送器有着十分广大的应用背景，此类变送器由于受到生产工艺和传感器自身机械特性的影响，会随着环境温度的变化而导致测试结果出现非线性、温度漂移的现象发生；因此，为了减小温度变化对于测量数据的误差影响，应该使用合理有效的算法来提高输出精度。

目前，较为常见的温度补偿方法有两种：1）硬件补偿方式；2）软件算法补偿。

使用硬件方法进行温度补偿生产成本较高，且补偿效果不是很明显，而使用较多的软件补偿算法有三阶样条插入法［4］、RBF神经网络算法和最小二乘算法等。

这些算法虽然有很好的函数逼近效果，但是其面对输入变量为非线性集合时，存在算法较为复杂、拟合精度不高、收敛速度较慢、容易陷入局部极小等缺点。

本文结合QPSO算法具有全局优化能力的特点，使其对支持向量机［5］的参数C、δ2进行非线性回归处理，然后建立起SVM的线性回归函数温度补偿模型，来对压力变送器的输出数据进行温度补偿。

霍尔效应式位移传感器的温度补偿

霍尔效应式位移传感器的温度补偿钦志伟;卢文科;左锋;冯阳【摘要】针对霍尔位移传感器温度漂移的问题,提出了一种基于粒子群优化算法与遗传算法优化最小二乘支持向量机(PSO-GA-LSSVM)的温度补偿新模型.该模型利用粒子群优化算法对最小二乘支持向量机中的惩罚因子和核函数进行优化选取,提高了模型的训练速度与准确度;并引入遗传算法中的变异思想,拓展模型的群搜索空间,提高了寻取更优值的概率.研究结果表明,补偿后该传感器的零位温度系数由1.25×10-2/℃减小到6.33×10-4/℃,其灵敏度系数由4.55×10-3/℃减小到4.22×10-4/℃,均提升了一个数量级,实现了对该传感器的温度补偿.【期刊名称】《传感技术学报》【年(卷),期】2019(032)007【总页数】5页(P1040-1044)【关键词】霍尔位移传感器;最小二乘支持向量机;粒子群优化算法;遗传算法;温度补偿【作者】钦志伟;卢文科;左锋;冯阳【作者单位】东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620【正文语种】中文【中图分类】TP393霍尔效应式位移传感器是基于霍尔效应把测量值转变为电学测量值的传感器,其频响快,工作可靠,寿命长,便于集成微型化[1]。

由于霍尔元件对温度敏感,其特性参数如输出霍尔电势、电路等效电阻等都会随之改变,导致传感器产生温度漂移。

因此必须对其进行温度补偿。

传统的温度补偿方法是硬件补偿,包括内补偿法与拼凑补偿法[2],但是存在电路复杂、精度低、效率低等缺点。

本文建立粒子群优化算法与遗传算法优化最小二乘支持向量机(PSO-GA-LSSVM)模型对该传感器进行温度补偿。

1 霍尔效应式位移传感器的工作原理如图1所示,霍尔效应产生的霍尔电动势方向与磁场和电流方向都相互垂直,前提是将半导体器件悬置于磁场内,且导通电流。

基于 PSO-LSSVM 的振弦传感器温度补偿

基于 PSO-LSSVM 的振弦传感器温度补偿王久平;廖迎新【期刊名称】《数字技术与应用》【年(卷),期】2012(000)011【摘要】针对振弦传感器测量精度受环境温度影响的问题，本文提出基于粒子群-最小二乘支持向量机的温度补偿方法。

采用泛化能力好、收敛速度快、全局最优的最小二乘支持向量机，并引入粒子群算法对最小二乘支持向量机的两个参数进行优化，建立预测模型，进行温度补偿。

实验表明：与BP 神经网络算法相比，该方法提高了传感器的精度。

% Considering measurement accuracy influenced by ambient temperature for vibrating wire sensors, this paper proposes a temperature compensation method based on least squares support vector machine(LSSVM) with particle swarm optimization(PSO). Using LSSVM with good generalization capability, fast convergence speed and global optimum, and employing PSO to optimize two parameters of LSSVM, set up a prediction model for temperature compensation. The experimental show that the method improves the accuracy of the sensor compared with BP neural network algorithm.【总页数】2页(P91-92)【作者】王久平;廖迎新【作者单位】中南林业科技大学计算机与信息工程学院湖南长沙 410004;中南林业科技大学计算机与信息工程学院湖南长沙 410004【正文语种】中文【中图分类】TP212.1【相关文献】1.一种振弦式传感器温度补偿新方法及其实现 [J], 郑凌蔚;宁康红;吴晨曦2.基于LMBP神经网络的振弦式传感器温度补偿 [J], 吴康雄;刘杨3.基于PSO—LSSVM的振弦传感器温度补偿 [J], 王久平;廖迎新;4.基于RBF神经网络的振弦式传感器在矿压测量中的温度补偿 [J], 赵国材;谭晓静;王昊轶5.振弦式传感器温度补偿的探讨 [J], 佟仕忠因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM的高压加热器运行经济性能评价方法

基于LS-SVM的高压加热器运行经济性能评价方法李勇;刘哲【期刊名称】《化工机械》【年(卷),期】2013(040)003【摘要】Based on the relationship among the terminal temperature difference and the running factors and the structural parameters of the steam turbine high-pressure heater,the least square support vector machine-supported calculation model for the target value of the high-pressure heater's terminal temperature difference was proposed so as to avoid the complex calculation of structural parameters.Taking a 660-MW-steam turbine as an example,the high pressure heater' s operating data at normal operation were taken to examine this calculationmodel,meanwhile,the calculated target value of the heater terminal temperature difference was compared with the measured value so as to evaluate the heater' s economical situation through their deviation extent.The calculation results show that the proposed calculation model can satisfy the required precision.%为了避免常规算法中对高压加热器结构参数的复杂计算,在研究加热器端差和运行影响因素以及加热器结构参数之间关系的基础上,提出基于最小二乘支持向量机的高压加热嚣端差应达值的计算模型.以某660MW汽轮机为例,用其正常运行状态下的高压加热器的运行数据对模型进行了校验,然后利用该模型计算出的端差应达值与实测值进行对比,利用二者的偏差程度对加热器的运行经济状态进行了评价.【总页数】5页(P280-284)【作者】李勇;刘哲【作者单位】东北电力大学能源与动力工程学院;东北电力大学能源与动力工程学院【正文语种】中文【中图分类】TQ052.4【相关文献】1.大柳塔热电厂高压加热器的运行经济性分析 [J], 陈秀萍;贺军全;张金良;乔正瑜2.基于LS-SVM的汽轮机组加热器运行经济性评价方法 [J], 李勇;刘哲3.300 MW机组高压加热器运行经济性分析与改进措施 [J], 陈庆辉4.基于LS-SVM的信用评价方法 [J], 钟波;肖智;刘朝林;陈玲5.基于粒子群优化算法的LS-SVM高压隔离开关故障诊断 [J], 刘永康;王慧因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-LSSVM的差动变压器式位移传感器的温度补偿

基于PSO-LSSVM的差动变压器式位移传感器的温度补偿陆腾云;卢文科;左锋;冯阳;吴子恒【摘要】温度对于差动变压器式位移传感器的灵敏度有很大的影响,必须对其采取温度补偿措施.文中采用粒子群优化最小二乘支持向量机(PSO-LSSVM)算法进行温度补偿;利用PSO算法良好的寻优能力对LSSVM算法的惩罚因子和核函数参数进行优化选取,弥补了传统的最小二乘支持向量机手动选取参数的缺陷.由二维标定试验得到不同温度下差动变压器式位移传感器的输入输出数据,且由此可知该传感器受温度的影响比较大.利用PSO-LSSVM算法对该传感器进行优化并得到补偿后的结果.试验证明,PSO-LSSVM算法使灵敏度温度系数减小了2个数量级,温度附加误差减小了1个数量级,从而减小了温度对该传感器的影响.【期刊名称】《自动化与仪表》【年(卷),期】2018(033)012【总页数】6页(P59-63,82)【关键词】位移传感器;差动变压器式;温度补偿;粒子群优化算法;最小二乘支持向量机【作者】陆腾云;卢文科;左锋;冯阳;吴子恒【作者单位】东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620;东华大学信息科学与技术学院,上海201620【正文语种】中文【中图分类】TH761;TP212.1变压器式传感器作为一种互感式的传感器，是一种机电转换装置。

由于采用差动形式来连接次级绕组，同时又与变压器的制作有着相同的原理，因此被称为差动变压器式传感器[1]。

差动变压器由铁芯、初级绕组、次级绕组等组成，这些组成部分都容易受到温度的影响，包括绕组的阻值以及铁芯的磁性。

目前主要的温度补偿方法有硬件补偿和软件补偿2种。

传统的传感器多采用硬件补偿的办法，但该方法存在补偿效果不好、成本过高、生产效果不稳定、精度难以提高等缺点[2]，因此软件补偿成为当前比较热门的温度补偿方法。

基于 PSO-LSSVM 逆建模的光学电流互感器补偿

基于 PSO-LSSVM 逆建模的光学电流互感器补偿刘林【期刊名称】《广东电力》【年(卷),期】2015(000)012【摘要】Linear birefringence effect is a main factor to impede practicability of optical current transformer (CT),in order to reduce its affect on measuring precision on optical CT,least square support vector machine (LSSVM)algorithm using par-ticle swarm optimization (PSO)is proposed for inverse modeling on optical CT. LSSVM algorithm is used for modeling on optical CT and compensating affect of linear birefringence effect,and PSO is used for optimizing LSSVM learning parame-ters as well as improving modeling precision and speed. Simulation results indicate that this method has obvious effects and could effectively compensate linear birefringence effect of optical CT,which has higher measuring precision than neural net-work model.%线性双折射效应是阻碍光学电流互感器实用化的主要因素,为了减少其对光学电流互感器测量精度的影响,提出采用经粒子群优化(partical swarm optimization,PSO)的最小二乘支持向量机(least squares support vector machines,LSSVM)算法对光学电流互感器进行逆建模,通过采用 LSSVM 算法对光学电流互感器进行逆建模来补偿线性双折射效应的影响,并用 PSO 算法优化 LSSVM 学习参数,提高建模精度和速度。

基于粒子群支持向量机的湿度传感器温度补偿

基于粒子群支持向量机的湿度传感器温度补偿叶小岭;廖俊玲;高大惟;王飞帆【期刊名称】《仪表技术与传感器》【年(卷),期】2013(000)011【摘要】针对高分子湿敏电容感应元件容易受温度影响的问题,提出了运用改进的基于非线性递减惯性权重和自适应变异的粒子群优化支持向量机(AMPSO-SVM)方法对湿度传感器进行温度补偿,并与遗传支持向量机(GA-SVM)和标准粒子群支持向量机(PSO-SVM)优化方法进行了比较.结果表明:经过改进的粒子群优化支持向量机方法补偿后,湿度数据的相对误差绝对值均在3％之内,同时仅在25步迭代之后就达到了最优值.因此AMPSO-SVM相比于其他方法有抗早熟能力强,搜索精度高,收敛速度快的优点,用于湿度传感器温度补偿是有效可行的.【总页数】4页(P14-16,30)【作者】叶小岭;廖俊玲;高大惟;王飞帆【作者单位】南京信息工程大学信息与控制学院,江苏南京210044;南京信息工程大学信息与控制学院,江苏南京210044;河北省玉田县气象局,河北唐山064100;南京信息工程大学信息与控制学院,江苏南京210044【正文语种】中文【中图分类】TP212【相关文献】1.基于AFSA-BP神经网络的湿度传感器温度补偿 [J], 郭敏;行鸿彦;张冬冬;张兰2.基于最小二乘支持向量机的硅压阻式传感器温度补偿 [J], 杨遂军;康国炼;叶树亮3.基于P SO-BP神经网络的湿度传感器温度补偿∗ [J], 行鸿彦;邹水平;徐伟;张强4.基于云粒子群-最小二乘支持向量机的传感器温度补偿 [J], 张朝龙;江巨浪;李彦梅;陈世军;查长礼;王陈宁5.基于改进GA-BP神经网络的湿度传感器的温度补偿 [J], 彭基伟;吕文华;行鸿彦;武向娟因版权原因，仅展示原文概要，查看原文内容请购买。