[发明专利]一种基于双支持向量机的传感器测量方法

说明书

技术领域

本发明属于传感器信息处理领域，具体是一种基于双支持向量机的传感器测量方法。

背景技术

传感器在工业、农业、国防、科学技术等众多领域得到了广泛的应用，已成为现代信息社会的基础。由于传感器敏感元件特性、应用环境、传感器老化等众多因素的影响，使得传感器的输出与输入之间呈一种复杂的非线性关系，因而在实际工程应用中带来较大的测量误差。

目前基于机器学习的传感器逆建模方法是实现传感器非线性特性补偿和提高传感器测量精度的一个有效技术手段。神经网络具有很强的非线性映射能力以及强大的自学习能力，可以拟合任意的非线性映射而无需建立其解析模型，成为传感器逆建模的一个重要方法。然而该方法存在需要大样本以及泛化能力差等缺陷，影响了传感器测量精度的提高。

支持向量机(support vector machine，SVM)是建立在统计学习理论的VC维理论和结构风险最小化基础之上的一种新型学习方法。相比于神经网络方法，支持向量机有效地解决了小样本、非线性和局部极小点等问题，具有较好的泛化性能，在传感器逆建模方面得到了应用。

由于传感器输入输出特性具有高度的非线性，采用基于支持向量机的逆建模无法高精度地拟合传感器逆特性，采用该方法仍然存在相当的测量误差。随着科学技术的发展，人们对传感器测量精度的要求越来越高，实现传感器高精度测量具有重要意义。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于双支持向量机的传感器测量方法，实现传感器非线性特性的有效补偿，达到对被测量进行高精度测量的目的。

本发明是以如下技术方案实现的：一种基于双支持向量机的传感器测量方法，利用传感器标定数据建立数据样本，应用支持向量机分别构建传感器逆模型和误差模型，具体步骤如下：

步骤1：对传感器在工况环境下进行标定，得到n个传感器输出输入数据(y_i，x_i)，其中：y_i 与x_i分别为传感器输出值与输入值(i=1，2，…，n)；并将其分为训练样本集S1与测试样本集S2两部分；

步骤2：由训练样本集S1建立一个基于支持向量机的传感器逆模型，传感器逆模型的参数由智能优化算法及测试样本集S2误差最小的准则进行选择与优化；

步骤3：由传感器输出y_i与传感器逆模型输出误差e_i数据 (y_i，e_i)建立数据样本(i=1，2，…，n)，并将其分为训练样本集S3与测试样本集S4两部分；

步骤4：由训练样本集S3构建一个基于支持向量机的误差模型，误差模型的参数由智能优化算法及测试样本集S4误差最小的准则进行选择与优化；

步骤5：在实际测量时，将传感器逆模型的输出值x*与误差模型的输出值e*相减，其差值z＝x*-e*作为被测量的真值。

其进一步是：传感器逆模型由训练样本集S1构建，其模型参数采用量子粒子群优化算法及测试样本集S2的圴方根误差RMSE与最大绝对误差MAE同时最小的准则进行优化；

RMSE与MAE的表达式分别为：

                       (1)                                    

                                (2)                              

其中，为模型输出值，为模型期望输出值，n为测试样本集的样本数。

误差模型由训练样本集S3构建，其模型参数采用量子粒子群优化算法及测试样本集S4的圴方根误差RMSE与最大绝对误差MAE同时最小的准则进行优化；

RMSE与MAE的表达式分别为：

                       (1)                                    

                                (2)                              

其中，为模型输出值，为模型期望输出值，n为测试样本集的样本数。