專利名稱：一種基于雙支持向量機(jī)的傳感器測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于傳感器信息處理領(lǐng)域，具體是一種基于雙支持向量機(jī)的傳感器測量方法。
背景技術(shù)：
傳感器在工業(yè)、農(nóng)業(yè)、國防、科學(xué)技術(shù)等眾多領(lǐng)域得到了廣泛的應(yīng)用，已成為現(xiàn)代信息社會的基礎(chǔ)。由于傳感器敏感元件特性、應(yīng)用環(huán)境、傳感器老化等眾多因素的影響，使得傳感器的輸出與輸入之間呈一種復(fù)雜的非線性關(guān)系，因而在實(shí)際工程應(yīng)用中帶來較大的
測量誤差。目前基于機(jī)器學(xué)習(xí)的傳感器逆建模方法是實(shí)現(xiàn)傳感器非線性特性補(bǔ)償和提高傳感器測量精度的一個有效技術(shù)手段。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力，可以擬合任意的非線性映射而無需建立其解析模型，成為傳感器逆建模的一個重要方法。然而該方法存在需要大樣本以及泛化能力差等缺陷，影響了傳感器測量精度的提聞。支持向量機(jī)(support vector machine, SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)之上的一種新型學(xué)習(xí)方法。相比于神經(jīng)網(wǎng)絡(luò)方法，支持向量機(jī)有效地解決了小樣本、非線性和局部極小點(diǎn)等問題，具有較好的泛化性能，在傳感器逆建模方面得到了應(yīng)用。由于傳感器輸入輸出特性具有高度的非線性，采用基于支持向量機(jī)的逆建模無法高精度地?cái)M合傳感器逆特性，采用該方法仍然存在相當(dāng)?shù)臏y量誤差。隨著科學(xué)技術(shù)的發(fā)展，人們對傳感器測量精度的要 求越來越高，實(shí)現(xiàn)傳感器高精度測量具有重要意義。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于雙支持向量機(jī)的傳感器測量方法，實(shí)現(xiàn)傳感器非線性特性的有效補(bǔ)償，達(dá)到對被測量進(jìn)行高精度測量的目的。本發(fā)明是以如下技術(shù)方案實(shí)現(xiàn)的:一種基于雙支持向量機(jī)的傳感器測量方法，利用傳感器標(biāo)定數(shù)據(jù)建立數(shù)據(jù)樣本，應(yīng)用支持向量機(jī)分別構(gòu)建傳感器逆模型和誤差模型，具體步驟如下:
步驟1:對傳感器在工況環(huán)境下進(jìn)行標(biāo)定，得到η個傳感器輸出輸入數(shù)據(jù)(yi，Xi)，其中:Yi與Xi分別為傳感器輸出值與輸入值α=1，2，…，η);并將其分為訓(xùn)練樣本集SI與測試樣本集S2兩部分；
步驟2:由訓(xùn)練樣本集SI建立一個基于支持向量機(jī)的傳感器逆模型，傳感器逆模型的參數(shù)由智能優(yōu)化算法及測試樣本集S2誤差最小的準(zhǔn)則進(jìn)行選擇與優(yōu)化；
步驟3:由傳感器輸出yi與傳感器逆模型輸出誤差ei數(shù)據(jù)(yi，ei)建立數(shù)據(jù)樣本(i=l，2，…，η)，并將其分為訓(xùn)練樣本集S3與測試樣本集S4兩部分；
步驟4:由訓(xùn)練樣本集S3構(gòu)建一個基于支持向量機(jī)的誤差模型，誤差模型的參數(shù)由智能優(yōu)化算法及測試樣本集S4誤差最小的準(zhǔn)則進(jìn)行選擇與優(yōu)化；
步驟5:在實(shí)際測量時(shí)，將傳感器逆模型的輸出值X*與誤差模型的輸出值e*相減，其差值z = x*-e*作為被測量的真值。其進(jìn)一步是:傳感器逆模型由訓(xùn)練樣本集SI構(gòu)建，其模型參數(shù)采用量子粒子群優(yōu)化算法及測試樣本集S2的均方根誤差RMSE與最大絕對誤差MAE同時(shí)最小的準(zhǔn)則進(jìn)行優(yōu)化；
RMSE與MAE的表達(dá)式分別為:
權(quán)利要求
1.一種基于雙支持向量機(jī)的傳感器測量方法，其特征是:利用傳感器標(biāo)定數(shù)據(jù)建立數(shù)據(jù)樣本，應(yīng)用支持向量機(jī)分別構(gòu)建傳感器逆模型和誤差模型，具體步驟如下: 步驟1:對傳感器在工況環(huán)境下進(jìn)行標(biāo)定，得到η個傳感器輸出輸入數(shù)據(jù)(yi，Xi)，其中:Yi與Xi分別為傳感器輸出值與輸入值(i=l，2，…，η);并將其分為訓(xùn)練樣本集SI與測試樣本集S2兩部分； 步驟2:由訓(xùn)練樣本集SI建立一個基于支持向量機(jī)的傳感器逆模型，傳感器逆模型的參數(shù)由智能優(yōu)化算法及測試樣本集S2誤差最小的準(zhǔn)則進(jìn)行選擇與優(yōu)化； 步驟3:由傳感器輸出yi與傳感器逆模型輸出誤差ei數(shù)據(jù)(yi，ei)建立數(shù)據(jù)樣本(i=l，2，…，η)，并將其分為訓(xùn)練樣本集S3與測試樣本集S4兩部分； 步驟4:由訓(xùn)練樣本集S3構(gòu)建一個基于支持向量機(jī)的誤差模型，誤差模型的參數(shù)由智能優(yōu)化算法及測試樣本集S4誤差最小的準(zhǔn)則進(jìn)行選擇與優(yōu)化； 步驟5:在實(shí)際測量時(shí)，將傳感器逆模型的輸出值X*與誤差模型的輸出值e*相減，其差值z = x*-e*作為被測量的真值。
2.根據(jù)權(quán)利要求1所述的一種基于雙支持向量機(jī)的傳感器測量方法，特征在于:傳感器逆模型由訓(xùn)練樣本集SI構(gòu)建，其模型參數(shù)采用量子粒子群優(yōu)化算法及測試樣本集S2的均方根誤差RMSE與最大絕對誤差MAE同時(shí)最小的準(zhǔn)則進(jìn)行優(yōu)化； RMSE與MAE的表達(dá)式分別為:
3.根據(jù)權(quán)利要求1所述的一種基于雙支持向量機(jī)的傳感器測量方法，特征在于:誤差模型由訓(xùn)練樣本集S3構(gòu)建，其模型參數(shù)采用量子粒子群優(yōu)化算法及測試樣本集S4的均方根誤差RMSE與最大絕對誤差MAE同時(shí)最小的準(zhǔn)則進(jìn)行優(yōu)化； RMSE與MAE的表達(dá)式分別為:
全文摘要
本發(fā)明公開了一種基于雙支持向量機(jī)的傳感器測量方法，屬于傳感器信息處理領(lǐng)域。該方法包括以下步驟由工況環(huán)境下的傳感器標(biāo)定數(shù)據(jù)建立數(shù)據(jù)樣本；應(yīng)用數(shù)據(jù)樣本構(gòu)建一個基于支持向量機(jī)的傳感器逆模型；再應(yīng)用傳感器輸出與傳感器逆模型輸出誤差數(shù)據(jù)建立第二個數(shù)據(jù)樣本來構(gòu)建一個基于支持向量機(jī)的誤差模型；傳感器逆模型與誤差模型的參數(shù)均由量子粒子群優(yōu)化算法及模型的均方根誤差與最大絕對誤差同時(shí)最小的準(zhǔn)則進(jìn)行選擇與優(yōu)化。在測量時(shí)將傳感器逆模型輸出與誤差模型輸出的差作為被測量的真值。優(yōu)點(diǎn)有效降低了傳感器的非線性特性對測量結(jié)果的影響，實(shí)現(xiàn)對被測量的高精度測量，且建模工作量較小，可廣泛應(yīng)用于各種傳感器高精度測量領(lǐng)域。
文檔編號G06K9/62GK103076035SQ20121058346
公開日2013年5月1日 申請日期2012年12月28日 優(yōu)先權(quán)日2012年12月28日
發(fā)明者黃為勇, 高玉芹, 田秀玲 申請人:徐州工程學(xué)院