基于支持向量機的傳感器動態(tài)建模方法

傳感器的性能指標通常分為靜態(tài)和動態(tài)兩大類。目前，國內外對傳感器的靜態(tài)特性研究較為深人和全面，而對動態(tài)特性研究較少。傳感器動態(tài)模型是研究其機理、評價其性能的有效手段，是設計動態(tài)數(shù)字校正環(huán)節(jié)、改善動態(tài)特性的重要依據(jù)。近年來，隨著計算機特別是神經(jīng)網(wǎng)絡的發(fā)展，有不少學者又提出了基于神經(jīng)網(wǎng)絡的傳感器動態(tài)建模方法。這些方法一般用BP神經(jīng)網(wǎng)絡或FLANN網(wǎng)絡[1l去學習傳感器輸人、輸出關系從而建模，算法相對簡單，實現(xiàn)容易。但是 ， 通 過分析神經(jīng)網(wǎng)絡建模的基本工作原理，作者認為該方法依然存在一些不足:首先在訓練的過程中神經(jīng)網(wǎng)絡極容易陷入局部最小，而不能得到全局最小，所以有時為了得到更好的泛化性能，就只能犧牲網(wǎng)絡的性能;其次，神經(jīng)網(wǎng)絡過分依賴訓練的數(shù)據(jù)質量和數(shù)量，但大多數(shù)情況下樣本數(shù)據(jù)十分有限，而且存在數(shù)據(jù)不一致情況，對神經(jīng)網(wǎng)絡的訓練結果影響較大。支持 向 量 機SVM( su pportve ctorm achine)的基礎是由Vapnik教授及其合作者于上世紀90年代中期創(chuàng)建的統(tǒng)計學習理論[2l，是一種新興的基于統(tǒng)計學習理論的學習機。SVM不存在局部最小問題，尤其在小樣本學習過程中具有很強的泛化能力，不過分依賴樣本的數(shù)量和質量。將 SV M 技術應用于傳感器建模的研究目前還沒有文獻報道。本文提出基于SVM的動態(tài)建模方法發(fā)揮支持SVM的優(yōu)勢，在一定程度上彌補神經(jīng)網(wǎng)絡傳感器動態(tài)建模方法中的不足，并將其應用于實際觸覺傳感器上取得了較好效果。

SVM動態(tài)建模方法
1.1 傳感器動態(tài)數(shù)學模型
對于一個單輸人、單輸出的線性定常傳感系統(tǒng)，可根據(jù)傳感器動態(tài)校準時測得的輸人、輸出信號建立差分方程的單變量形式予以描述[1l,對將 要 進 行動態(tài)建模的單輸人、單輸出傳感器進行實測，其輸人、輸出序列為{u(k),y(k)}，按式(2)組成訓練用的輸出、輸人樣本任(k),XKI.對 SV M學 習機進行訓練求得id-和b,SV M動態(tài)建模原理如圖1所示。