基于SVM的传感器非线性特性校正新方法(精)
基于SVM的遥感图像校正算法研究
基于SVM的遥感图像校正算法研究摘要:遥感图像已经成为空间技术领域非常重要的数据源,针对遥感图像的几何变形情况,采用近似的几何校正方法对图像进行线形或非线性的控制调整。
为了提高遥感图像的精确度,本文采用支持向量机的方法进行校正,并在算法级别进行了改进,得到了较好的效果。
关键词:支持向量机遥感图像校正在遥感技术迅速发展的当今,获得高分辨率、大容量的遥感观测数据成为提高地理信息系统应用范围的关键技术,遥感图像在国土、森林资源调查、城市建设等领域起到非常重要的作用,为国民经济的发展起到巨大的促进作用。
但是由于遥感图像的获取收到多种因素的影响,例如天气、卫星姿态等条件的制约,使得获取的遥感图像存在某些偏差或扭曲等几何变形,如何对这些变形的区域进行修正,成为深入应用遥感技术的重要问题。
1 遥感图像几何校正遥感图像的几何变形是指遥感图像上的像元在既定的坐标系中出现参考点不一致的情况,通常指原点变动,这样就产生了像元坐标失真的现象,另一方面,由于辐射量的失真,也会造成传感器得到的光谱与实际光谱的物理量不相同的情况。
一般来说,遥感图像的失真和变形有动态和静态变形两种情况,其中静态变形的主要特征是以地面为参照物的物体发生形状变化,而动态变形是指在传感器取景的过程中由于传感器本身发生移动而造成的图像扭曲等。
根据传感器获取图像的方式不同,可以将遥感图像的几何变形分为如下几种情况:(1)全景投影与斜距投影的几何变形。
由于全景投影基于圆柱面成像,而斜距投影针对地物点在斜距投影平面上的坐标发生位移变化,造成成像的几何形状变化。
(2)传感器外方位元素引起几何变形。
由于传感器的外方位元素在成像时会发生姿态或未知的变化,造成地物点图像相对固定的地面参照坐标发生变化,引起图像几何变形。
(3)地表高度不一致引起的几何变形。
由于地表并不是在同一高度上的,因此在垂直高度上进行取象时会引起起伏点在平面上的位移。
(4)地球曲率导致图像几何变形。
传感器非线性误差的修正
传感器非线性误差的修正传感器非线性误差的修正摘要：传感器在采集数据时存在一定的非线性误差。
要使系统的性能达到最佳，必须对传感器的非线性误差进行分析和处理。
本文讨论了传感器非线性误差的几种处理方法，并对各种方法作了比较。
关键词：非线性误差，硬件电路校正，查表法，插值法，最小二乘法，频域修正法一、引言在工业过程控制中，由于传感器的非线性输出特性和同种传感器的输出存在一定的分散性，测量结果会产生一定的误差。
为此，我们需要对传感器的特性进行校正和补偿，以提高测量的精度，并且使传感器输出线性化和标准化。
对非线性误差的矫正和补偿可以采用硬件电路或者软件的方法来实现。
二、采用电路进行非线性误差的矫正采用硬件电路对非线性误差进行矫正，优点是速度快；缺点是价格高，拟合程度不好。
通常我们采用以下几种电路进行校正：1、 算术平均法算术平均法的基本原理是通过测量上下限的平均值，找到一条是原传感器输出非线性特性得以改善的拟合曲线。
对电阻传感器基本电路如作图所示。
设温度变化范围为a~c ，平均温度：b=(a+c)/2，传感器对应的输出阻值分别为R a ，R b ，R c ，由于传感器的非线性，R b ≠(R a +R c )/2。
为了使三个点的电路输出为线性，则应满足并联电阻R pb =(R pa +R pc )/2。
其中R pa ，R pb ，R pc 分别为温度在a,b,c 时的并联电阻。
通过计算可得： b R R 2R R R 2R -)R (R R c a ca c ab -++=2、 桥路补偿法该方法的基本原理是利用测量桥路的非线性来校正传感器的非线性。
电路如右图所示。
取R 1=R 2，桥路输出)//21(33t B R R R R V +-=ε 设于三个不同的温度点a,b,c 相适应的R t 与V 分别为R a 、V a 、R b 、V b 、R c 、V c ，代如上式得到方程组：)//21(33ab a R R R R V +-=ε )//21(33b b b R R R R V +-=ε)//21(33c b c R R R R V +-=ε解此方程组可得到满足要求的R3、R B 、ε。
非线性传感器的校正方法
(6)
3 折线逼近法
将传感器的特性曲线用连续有限的直线来代
替 ,然后根据各转折点和各段直线来设计硬件电路 ,
这就是最常用折线逼近法 。转折点越多 ,各段直线就
越逼近曲线 ,精度也就越高 ,但太多了就会因为线路
本身误差而影响精度 , 所以转折点的选取与要求的
精度和线路有密切的联系 ,在实际应用中 ,应采取具
2 选择与被测量成线性函数关系的量作为测量装
置输出量
例如采用电容传感器时 , 极板的位移和电容量
之间成非线性函数关系见式 (5) ,然而如果采用容抗
XC = 1/ ωC 作为传感器的输出 ,则 XC 与被测量位移
成线性关系了 , XC 可称为“校正函数”。
C
=
εS d0 2 △d
(5)
XC
=
d0 2 △d ωεS
总之 ,传感器的非线性处理方法应根据系统的 具体情况全面考虑再作决定 。
参 考 文 献 1 罗四维. 传感器应用电路详解. 北京 : 电子工业出版社 ,
用软件代替硬件进行线性化处理 ,它省去了复 杂的非线性硬件电路 ,降低了系统的成本 ;而且它能 发挥计算机智能作用 ,提高了检测的准确性和精度 ; 尤其 ,利用线性插值法 ,将实际曲线用直线段近似逼 近 ,通过近似公式计算 ,如果折线的段数取得合适 , 可以达到比较高的精确度 ,并且 ,计算方法也比较简 单 ;还有 ,适当改变软件的内容 ,就可以对不同传感 器或转换电路进行补偿 。
量与被测物理量之间的关系都存在一定的非线性 ,
这是数据采集系统产生非线性特性的主要原因 ,其
次是变换电路的非线性 ,现分别叙述如下 :
1 传感器变换原理的非线性 。
如用热敏电阻测量 ,热敏电阻 Rt 与 t 的关系是
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LS-SVM的传感器智能校正及温度补偿
基于LS-SVM的传感器智能校正及温度补偿
王晓红;吴德会
【期刊名称】《传感器与微系统》
【年(卷),期】2007(026)003
【摘要】提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法.在该方法中,LS-SVM被用作构建逆模型,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SVM模型高1-2个数量级,补偿误差仅为SVM模型的20%左右.因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正.
【总页数】4页(P76-79)
【作者】王晓红;吴德会
【作者单位】九江学院电子工程系,江西,九江,332005;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,安徽,合肥,230009
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于LS-SVM的温度传感器非线性关系拟合及参考端温度补偿 [J], 孙林;杨世元
2.基于RBF神经网络和LS-SVM组合模型的磁浮车间隙传感器温度补偿 [J], 靖永志;何飞;张昆仑
3.基于LS-SVM及嵌入式技术的力敏传感器温度补偿 [J], 乔爱民;何博侠;张炜
4.基于GA优化LS-SVM的霍尔位移传感器的温度补偿 [J], 王娟;卢文科;左锋
5.基于协同训练与LS-SVM的集成传感器在线温度补偿 [J], 刘继华;金敏
因版权原因，仅展示原文概要，查看原文内容请购买。
基于支持向量机的传感器的非线性校正
基于支持向量机的传感器的非线性校正彭继慎;于精哲;夏乃钦【摘要】铜热电限的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向A机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向f机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为± 0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法.%The copper thermal resistance' s nonlinearity affects its measurement accuracy and temperature measurement range, in order to resolve this problem , support vector machine has been applied to the development of the nonlinear calibration inverse model of copper thermal resistance sensor , this method is compared with some commonly used calibration methods, such as BP neural network and Least square method. The result of experiment shows that the maximum error of the nonlinear calibration method based on SVM is about ±0. 0287％ . It has higher precision than the methods based on BP (the maximum error is about ±0. 0523％ ) and LS (the maximum error is about ±0. 0865％). At the same time, SVM correction model offers good generalization capability. It improves the linearity of the sensor and the compensation curve is smoother, more predictable. It provides a new method for the nonlinear calibration of copper thermal resistance sensor.【期刊名称】《计算机测量与控制》【年(卷),期】2011(019)001【总页数】3页(P243-245)【关键词】铜热电阻传感器;支持向量机;非线性校正【作者】彭继慎;于精哲;夏乃钦【作者单位】辽宁工程技术大学电气与控制工程学院,辽宁,葫芦岛,125105;辽宁工程技术大学电气与控制工程学院,辽宁,葫芦岛,125105;辽宁工程技术大学电气与控制工程学院,辽宁,葫芦岛,125105【正文语种】中文【中图分类】TP3020 引言在瓦斯爆炸事故处理和救护过程中时常发生再次爆炸, 致使救护人员伤亡。
基于神经网络的传感器非线性误差校正方法
基于神经网络的传感器非线性误差校正方法樊润洁;朱亚男【摘要】为对传感器进行非线性校正以进一步提高其测量精度，提出了基于神经网络的校正办法。
理论分析了传感器非线性误差的复杂性，并以位移传感器标定为例，详细介绍了传感器非线性校正的过程和方法。
采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正，设计并实现了RBF网络的校正模型。
实验结果证明，RBF网络的校正方法比BP网络校正方法精度提高了约44%，其补偿效果更优，且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。
%In order to further improve measurement accuracy of sensor, a non-linear errors correction method for the sensors based on neural network be proposed. Theoretical analysis of the complexity of the sensor nonlinearity error, took example as displacement sensor calibration, introduced the details of the non-linear sensor calibration process and methods. Three methods including Least Squares, BP Neural Network and RBF Network have been used for errors correcting, designed and implemented a calibration model of RBF Network, and the results shows that the accuracy of RBF Network has been increased by about 44%than the accuracy of BP Network, and it has more nonlinear compensation advantage than the Least Squares in complex environment and various types of multi-sensor application.【期刊名称】《电子设计工程》【年(卷),期】2014(000)023【总页数】4页(P56-59)【关键词】神经网络;BP网络;RBF网络;最小二乘法;非线性校正【作者】樊润洁;朱亚男【作者单位】西安铁路职业技术学院陕西西安 710014;西安铁路职业技术学院陕西西安 710014【正文语种】中文【中图分类】TP212传感器作为测控系统的感知器件，在测控系统中占有举足轻重的地位。
传感器 非线性校正 支持向量机 遗传算法 Matlab
传感器论文：基于遗传支持向量机的传感器非线性校正方法【中文摘要】传感器是测试系统中的重要部件,其性能的好坏及输出信号的可靠性对整个测试系统的质量起着至关重要的作用。
在实际的应用中,传感器容易受到许多环境因素的影响,如温度、磁场、噪声、电源波动等,从而降低了整个系统的测量精度,造成系统稳定性差等问题。
因此,为了改善传感器的性能,进而提高整个测试系统精确度和扩大测量范围,对传感器进行非线性校正具有非常重要的意义。
课题针对传感器非线性校正中现有的几种方法的不足和支持向量机参数难确定的问题,结合遗传算法全局搜索能力强的特点,提出一种遗传算法和支持向量机相结合的方法,建立传感器非线性校正的支持向量机模型,并阐述遗传算法对支持向量机进行参数优化的实现过程。
在实现过程中,应用Matlab语言编制训练程序对CYJ-101型压力传感器进行非线性校正并验证遗传支持向量机方法的可行性。
同时,分别与支持向量机方法和BP神经网络法校正的结果进行对比分析,验证该方法的优越性。
实验结果表明:和支持向量机方法校正的结果相比,遗传支持向量机方法能更好地解决支持向量机及其核函数参数的选取问题,实现参数的最优搭配;BP神经网络法使得传感器的最大相对波动由初始的22.2%降低到1.12%,而遗传...【英文摘要】Sensor is an important part in the test system, the quality of the performance and the reliability of the output signal play a vital role in the entire test system. In practicalapplications, the sensors can be susceptible to many environmental factors, such as temperature, magnetic field, noise and power fluctuations, which reduce the accuracy and result in poor stability of the system. Therefore, the nonlinear correction of the sensors, which improves the performance of the sensors and the accuracy of the...【关键词】传感器非线性校正支持向量机遗传算法 Matlab 【英文关键词】Sensor Nonlinear Correction Support Vector Machine (SVM) Genetic Algorithm (GA) Matlab【索购全文】联系Q1：138113721 Q2：139938848【目录】基于遗传支持向量机的传感器非线性校正方法摘要8-9ABSTRACT9插图索引11-12附表索引12-13第1章绪论13-23 1.1 引言13 1.2 传感器简介13-15 1.2.1 传感器的基本结构13-14 1.2.2 传感器的基本特性14-15 1.3 传感器的应用领域15-16 1.4 国内外研究现状16-19 1.4.1 传感器的国内外研究现状16-17 1.4.2 传感器非线性校正的国内外研究现状17-19 1.5 传感器的发展趋势19-21 1.6 课题的研究意义及主要内容21-23 1.6.1 课题的研究意义21-22 1.6.2 课题研究的主要内容22-23第2章支持向量机理论及遗传算法23-38 2.1 统计学习理论23-25 2.2 支持向量机25-33 2.2.1 支持向量机分类26-30 2.2.2 核函数30 2.2.3 支持向量机回归30-33 2.3 遗传算法33-36 2.3.1 遗传算法的基本原理33-34 2.3.2 遗传算法的基本流程34-35 2.3.3 遗传算法的基本操作35-36 2.3.4 遗传算法的特点36 2.4 遗传算法和支持向量机相结合的可行性分析36-37 2.5 小结37-38第3章基于GA-SVM的传感器非线性校正模型的建立38-45 3.1 CYJ-101 型压阻式压力传感器介绍38-41 3.1.1 基本结构38-39 3.1.2 工作原理39 3.1.3 测量电路39-40 3.1.4 主要特点40-41 3.2 压力传感器的非线性校正原理41-42 3.3 基于支持向量机的压力传感器非线性校正模型42-43 3.4 遗传算法实现支持向量机参数优化的过程43-44 3.5 小结44-45第4章传感器非线性校正实例及结果分析45-56 4.1 实验数据45-46 4.1.1 实验标定数据45-46 4.1.2 归一化处理46 4.2 遗传支持向量机校正结果46-51 4.2.1 多项式核函数的遗传支持向量机校正结果47-49 4.2.2 径向基核函数的遗传支持向量机校正结果49-51 4.3 支持向量机校正结果51-53 4.3.1 多项式核函数的支持向量机校正结果51-52 4.3.2 径向基核函数的支持向量机校正结果52-53 4.4 BP 神经网络法校正结果53-54 4.5 结果分析54-55 4.6 小结55-56第5章传感器非线性校正系统的硬件和软件设计56-66 5.1 系统总体设计56 5.2 硬件部分设计56-61 5.2.1 压力传感器56 5.2.2 程控放大器56-57 5.2.3 A/D 转换电路57-58 5.2.4 AT89C51 单片机58-60 5.2.5 LED 显示60-61 5.2.6 RS-232 实现61 5.3 软件部分设计61-65 5.3.1 软件整体设计及主要子程序61-64 5.3.2 遗传算法子程序64-65 5.3.3 支持向量机算法子程序65 5.4 小结65-66总结与展望66-67参考文献67-72致谢72-73附录A：攻读学位期间所发表的学术论文73。
基于svm的非线性mimo系统预测控制算法和应用分析
STUDIES ON THE ALGORITHMS AND APPLICATIONS OF SVM BASED MPC FOR MIMO NONLINEAR SYSTEMSABSTRACTModel predictive control (MPC) has been gained increasing attention from academic and industrial societies. In an MPC system, a dynamic process model is used to predict future controlled variables (CV) or state variables, and optimize defined control system criteria. The linear MPC based on the linear predictive model and relevant optimization techniques has been popularly used to control the industrial processes with linear or weak non-linear characteristics. However, a linear model cannot accurately predict CV and control its performances for those complicated industrial process with highly nonlinearity, so the design of a nonlinear MPC strategy is serious challenge to industrial process control society and more and more attentions have been focusing on the research and development of nonlinear MPC. This thesis is devoted to the development and simulation studies of nonlinear MPC with support vector machine (SVM) and relevant optimization. The studies covered in this thesis are as follows:1. A survey and basic concepts of MPC are introduced. The MPC structure and algorithms are presented. Then this thesis summarizes theresearch status of the nonlinear MPC in past few decades.2. Briefly reviews the concept and application of SVM in modeling and system identifications.3. This thesis presents the development of SVM model and its applications in MPC algorithm for constrained nonlinear MIMO systems. To demonstrate the feasibility and effectiveness of the proposed nonlinear MIMO MPC solutions, the simulation studies with a benchmark chemical reactor model are investigated. Finally, the conclusions and discussions are given in the concluding remarks.4. An extremal optimization (EO) based MPC approach is proposed for constrained nonlinear MIMO systems. The method uses the modified extremal optimization (MEO) to solve the predictive control law. The simulation results show that the proposed approach is effective and feasible for practical applications.Finally, the thesis concludes with a summary and perspectives of the future research.KEY WORDS：support vector machine, model predictive control, evolution algorithm, extremal Optimization, nonlinear MIMO system上海交通大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。
基于LSSVM的热偶规真空传感器非线性补偿方法
Ａｂ ｓ ｔ ｒ ａｃ ｔ
Ａｎ ａｐｐｒ ｏ ａｃ ｈ ｔ ｏ ｃ ｏｍｐｅｎ ｓ ａ ｔ ｅ ｔ ｈ ｅ ｎ ｏ ｎｌ ｉ ｎ ｅａ ｒ ｃ ｈ ａｒ ａｃ ｔ ｅｃ ｕｕ ｍ ｇ ａｕ ｇｅ ｉ ｓ ｄｅ ｖ ｅｌ ｏｐｅ ｄ， ｌ ｅ ａ ｓ ｔ ｓ ｑｕ ａ ｒ ｅ ｓ
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
５ ２
基于 Ｌ Ｓ Ｓ Ｖ Ｍ 的 热偶 规 真 空传 感器 非 线 性 补 偿 方 法
基于 Ｌ Ｓ Ｓ Ｖ Ｍ的热偶规真空传感器非线性补偿方法
Ｌ ＳＳ ＶＭ Ｂａ ｓ ｅ ｄ Ｎｏ ｎ － ｌ ｉ ｎ ｅ ａ ｒ ｉ ｔ ｙ Ｃｏ ｍｐ ｅ ｎ ｓ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ Ｔ ｈ ｅ ｒ ｍｏ ｃ ｏ ｕ ｐｌ ｅ Ｖａ ｃ ｕ ｕ ｍ Ｇａ ｕ ｇ ｅ
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
传感器模拟信号非线性修正及温度补偿自适应算法-文档资料
传感器模拟信号非线性修正及温度补偿自适应算法理想载荷传感器在满量程范围内模拟输出信号的非线性应该趋近于零，并不受温度影响，但在实际工作中，受生产工艺、制造材料等影响，传感器的模拟输出信号的实际非线性较大，且在不同的温度环境下工作，同一载荷条件下，由于环境温度的不同其输出的模拟信号也不同，如果忽略温度对传感器的影响而采用常规的信号处理方法进行处理，得到的结果与实际情况相比可能存在有较大误差。
在这种情况我们提出了传感器模拟信号多温区分段线性修正自适应算法。
该算法通过多温区补偿修正温度对传感器输出特性的影响，多段非线性修正算法的实现，使得测量值尽可以的趋近真实值，通过这种方法，提高传感器输出信号的非线性指标，降低温度多传感器输出的影响，提高称量系统测量准确度，降低系统测量误差。
一、工作原理模拟信号多温区分段修正自适应算法含以下三方面的内容：第一：温区的划分：通过大量试验发现：同一载荷条件下在一定温度变化范围内传感器输出的模拟信号收温度影响较小，可以忽略不计，在此情况下提出温区的概念，同一载荷条件下在同一温度范围内传感器输出信号变化很小，将这一温度范围划分为一个温区，在该温区内传感器模拟输出信号基本不变。
可利用高低温箱将传感器工作的全温度范围分为多个温区。
在不同的温区内同一载荷条件下传感器输出基本不受温度影响。
第二：同温区分段标定：由于传感器在同一温区内同一载荷条件下输出基本不受温度影响，我们可以在同一温区内对传感器进行分段修正，在传感器量程范围内，对传感器施加不同载荷，记录传感器的加载载荷值及输出模拟信号值、绘制传感器模拟信号输出曲线，根据输出曲线的实际情况，将曲线划分成若干直线段，划分的依据为直线段尽可能的逼近真实曲线，找出这些直线段的端点对应的载荷值并记录，利用标定软件对传感器在这些点上进行加载标定，并存储标定参数；这样在传感器工作的每个温区内都有一个分段标定的参数区。
第三：多温区分段修正算法的实现：对一个已经多温区分段修正的传感器而言，CPU每采集一个有效的传感器输出的模拟信号数据的同时也采集了当前环境温度值，CPU根据采集的温度值确认当前传感器所处温区，嵌入式软件提取该温区传感器的标定参数段，根据AD转换的内码值确定线性运算的区域，在该区域内进行线性运算得出实际载荷值。
基于GA的ε-SVRM在传感器非线性校正中的研究
基于GA的ε-SVRM在传感器非线性校正中的研究丁晓燕;徐慧【摘要】针对ε-SVRM在建立传感器回归模型时参数难确定的问题,提出了改进遗传算法对模型参数进行优化选取的方法.该方法在遗传算法前期通过限制个体间距离及采用保优策略,保持最优参数的多样性；在进化后期通过自适应调整进化参数从而加快进化速度,以提高模型的预测准确度和建模效率,并且与以往采用的网格搜索法进行了比较.实验结果表明:采用改进遗传算法进行参数优化得到的模型预测结果均方误差(2.091 6×10-5)较采用网格搜索法所得到的模型预测结果均方误差(1.371 22×-10-3)下降了2个数量级；同时,经过改进的遗传算法优化后建立的传感器回归模型使得传感器输出电压的最大相对波动由建模前的22.2％下降到0.038％,而采用网格搜索法使其下降到2.93％,显著地改善了传感器的稳定性.%Aiming at the difficulty in selecting the parameters when a sensor regression model was built based on ε - support vector regression machine,improved genetic algorithm(IGA) was proposed to select optimization model parameters. By limiting the distance between the individual, the method used select strategies and adaptive evolution parameters to ensure diversities of optimal parameters and accelerate the speed of evolution so that could improve the model prediction accuracy and modeling efficiency. It was compared with grid search method used in the past. Experiment results show that the mean squared error( MSE)for the prediction model of optimizing the model parameters using IGA is about 2. 091 6×10-5 ;the MSE for the prediction model of optimizing the model parameters using grid search method is about 1. 371 22 × 10-3.When comparing the two,the prediction accuracy of the model optimized using IGA is improved by two orders of magnitude. Moreover, the sensor model built using IGA reduces the maximum relative fluctuation of output voltage from 22. 2% that of the un-modeled sensor to 0. 038% ,and is to 2. 93% of the model built using grid search method, therefore it evidently improves the performance of the sensor.【期刊名称】《仪表技术与传感器》【年(卷),期】2012(000)012【总页数】4页(P3-5,46)【关键词】ε-SVRM(ε-支持向量回归机);改进遗传算法;建模;传感器;网格搜索【作者】丁晓燕;徐慧【作者单位】南京林业大学信息科学技术学院,江苏南京210037;南京林业大学信息科学技术学院,江苏南京210037【正文语种】中文【中图分类】TP2120 引言工业测控系统中，由于传感器自身存在非线性特性，且其输出易受工作条件及环境参数的影响，造成系统测量精度降低，稳定性差等问题［1］。
基于SVM的传感器故障诊断和信号恢复技术
基于SVM的传感器故障诊断和信号恢复技术陈烨;王建平【摘要】根据对相关联传感器之间正确的输出数据,利用网格参数寻优法建立SVM预测模型,对传感器进行故障诊断和短时间的信号恢复.阐述了具体的实现方法和步骤,并通过对获得的真实数据进行仿真来对该方法的有效性进行验证.【期刊名称】《机械与电子》【年(卷),期】2013(000)012【总页数】3页(P75-77)【关键词】支持向量机;信号恢复;网格搜索法;故障诊断【作者】陈烨;王建平【作者单位】南京航空航天大学自动化学院,江苏南京210016;南京航空航天大学自动化学院,江苏南京210016【正文语种】中文【中图分类】TP1810 引言传感器技术广泛用于工业自动化等控制领域。
而控制的精度在很大程度上依赖于采集到的传感器数据。
如果传感器在使用过程中发生了故障（包括硬故障和软故障），必然会导致误差增大，引起相关性能下降，甚至导致整个系统的瘫痪。
因此，希望在传感器发生故障的时候，能够及时实现故障检测，错误信号的隔离和短时间的信号恢复。
统计学在解决机器学习问题中起着基础性的作用。
但传统的统计学主要研究的是渐近理论，即当样本趋向于无穷多时的统计性质。
在现实问题中，所面对的样本数量是有限的，因此，以样本数目无穷多为假设来推导的各种算法，有时在实际应用中效果不好［1］。
近年来，人工智能和计算机技术的迅猛发展为故障诊断和信号恢复提供了新的理论基础，出现了一些新的故障诊断和信号恢复方法，即基于神经网络的故障诊断方法［2-4］。
1 支持向量机的回归原理支持向量机是由Vapnik V N于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中［5］。
支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。
一种基于LS-SVM构造FLANN的热电偶非线性校正方法
一种基于LS-SVM构造FLANN的热电偶非线性校正方法吴德会;王晓红
【期刊名称】《传感技术学报》
【年(卷),期】2007(020)006
【摘要】提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②整个训练过程中有且仅有一个全局极值点,确定了所构造FLANN补偿器的唯一性,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.
【总页数】4页(P1321-1324)
【作者】吴德会;王晓红
【作者单位】九江学院电子工程系,江西,九江,332005;合肥工业大学仪器科学与光电工程学院,合肥,230009;九江学院电子工程系,江西,九江,332005
【正文语种】中文
【中图分类】TP212
【相关文献】
1.一种简单实用的热电偶非线性校正方法 [J], 王健安
2.基于LS-SVM逆系统方法的传感器非线性校正方法研究 [J], 雷烨;黄鲁江
3.一种基于函数型的热电偶非线性校正方法 [J], 何晓文;周雪纯
4.LS-SVM构造FLANN逆系统的传感器动态补偿方法 [J], 吴德会
5.一种热电偶非线性校正的新方法 [J], 白继忠;李丽杰;吴文平;曲秀云
因版权原因，仅展示原文概要，查看原文内容请购买。
基于最小二乘支持向量机的瓦斯传感器非线性校正
基于最小二乘支持向量机的瓦斯传感器非线性校正
刘瑞芳;梅孝安
【期刊名称】《工矿自动化》
【年(卷),期】2009(035)005
【摘要】依据瓦斯传感器样本,文章提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正瓦斯传感器非线性误差的方法,详细介绍了SVM回归估计校正方法和LS-SVM校正方法的原理.该方法不需逆模型函数形式的先验知识,能够保证找到的极值解就是局最优解,具有较好的泛化能力.实例应用表明,采用该方法校正后的传感器的检测精度可达到0.4%,效果令人满意.
【总页数】5页(P8-12)
【作者】刘瑞芳;梅孝安
【作者单位】湖南理工学院,湖南,岳阳,414006;湖南理工学院,湖南,岳阳,414006【正文语种】中文
【中图分类】TD712;TP18
【相关文献】
1.基于改进型BP神经网络的瓦斯传感器的非线性校正 [J], 刘刚
2.基于函数型连接神经网络的瓦斯传感器非线性校正 [J], 郭全民;王健
3.基于改进型BP神经网络的瓦斯传感器的非线性校正 [J], 刘刚;刘学仁;嵇英华;罗海梅
4.基于神经网络的瓦斯传感器的非线性校正 [J], 刘刚;刘学仁;蔡十华
5.基于改进RBFNN算法的瓦斯传感器非线性校正 [J], 杨義葵;付华;蔡玲;顾东
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于SVM的传感器非线性特性校正新方
法
摘要：介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。
支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。
实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。
关键词：非线性校正；神经网络；支持向量机；拟合方法；传感器0前言现代控制系统对传感器的准确度、稳定性和工作条件等方面提出了很高的要
摘要：介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。
支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。
实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。
关键词：非线性校正；神经网络；支持向量机；拟合方法；传感器
0前言
现代控制系统对传感器的准确度、稳定性和工作条件等方面提出了很高的要求。
然而，从严格意义上来说，目前绝大多数传感器特性都不理想，其输入输出特性大多为非线性关系。
为此，人们通过一些方法来进行非线性补偿和修正。
特别是近年来，随着神经网络的发展，有不少学者提出了基于神经网络进行非线性传感特性校正的方法。
这些方法一般是用一个多层的前馈神经网络去映射传感器特性曲线的反函数作为校正环节，算法相对简单，实现容易。
但是通过分析神经网络的基本工作原理，笔者认为该方法依然存在一些不足［1、6］：1)在训练过程中神经网络极容易陷入局部最小，而不能得到全局最小；2)神经网络过分依赖训练数据的质量和数量，但大多数情况下样本数据十分有限，由于噪声影响，存在数据不一致情况，对神经网络的训练结果影响较大；3)输入数据往往是高维的，而训练结果仅是输入空间的稀疏分布，所以大量的高维数据必然会大大增加算法的训练时间。
支持向量机SVM［4，5］(Sup port Vector Machine)是基于统计学习理论的一种新的学习方法，最早由Vapnik教授及其合作者于上世纪90年代中期提出。
由于其优良特性，最近引起了许多研究者的兴趣。
支持向量机主要用于模式识别，目前在该方面成功的范例较多；与模式识别相比，支持向量机用于函数拟合的成功应用较少。
和神经网络相比，支持向量机是基于统计学习理论的小样本学习方法，采用结构风险最小化原则，具有很好的泛化性能；而神经网络是基于大样本的学习方法，采用经验风险最小化原则。
将支持向量机函数拟合技术应用于传感器非线性特性校正的研究刚起步，国内尚无先例。
如何在传感器非线性特性校正领域充分发挥支持向量机函数拟合的
技术优势，解决神经网络方法中的缺陷是一个值得研究的问题。
1支持向量机拟合基本理论
1.1线性函数拟合问题
与支持向量机的研究最初是针对模式识别中的线性可分问题［5］相似，先分析线性样本点的线性函数拟合问题，拟合函数以线性函数的特性出现，可用形式＝ωT x＋b表示。
假设所有训练数据｛xi，yi｝能在精度ε下无误差地用线性。