新闻中心

EEPW首页 > 测试测量 > 设计应用 > 基于LS-SVM辨识的温度传感器非线性校正研究

基于LS-SVM辨识的温度传感器非线性校正研究

——
作者:时间:2007-10-22来源:传感器与微系统收藏

  引 言

  在领域,国内外许多学者提出多种方法,并得到广泛应用,传统方法归纳起来可分两类:一类是公式法,即以实验数据为基础,用最小二乘等系统辨识方法求取拟合曲线参数,建立校正曲线的解析表达式;另一类是表格法,以查表为手段,通过分段线性化来逼近的非线性特性曲线。

  近些年来,随着神经网络的发展,又有不少学者利用神经网络的非线性回归能力,拟合输出与输入的非线性关系,建立传感器传输特性的逆模型,从而使传感器亦即神经网络构成的系统线性化。但是,该方法也存在一定的局限性,主要表现在:1)神经网络存在局部极小和过学习问题,易影响网络的泛化能力,因此,对样本的数量和质量依赖强;2)网络训练结果与网络初值、样本次序等有关,所建逆模型不具备唯一性;3)一般不能给出环节(逆模型)的数学解析表达式。

  本文在前人研究的基础上,将现代方法与传统方法相结合,提出一种利用最小二乘支持向量机(least squares support vector machine,)的回归算法/辨识传感器非线性逆模型的新方法,最后,通过铂铑30-铂铑6热电偶(B型)实例,验证了上述结论。

  1 传感器非线性校正原理

  大多数传感系统都可用y=f(x),x∈(ξa,ξb)表示,其中,y表示传感系统的输出,x表示传感系统的输入,ξa,ξb为输入信号的范围。y信号可经过电子设备进行,但通常是根据测得的y信号求得未知的变量x,即表示为x=f-1(y)。但在实际应用过程中,绝大多数传感器传递函数为非线性函数。

  为了消除或补偿传感系统的非线性特性,可使其输出y,通过一个补偿环节,如图1所示。该模型的特性函数为u=g(y),其中,u为非线性补偿后的输出,它与输入信号x呈线性关系,并使得补偿后的传感器具有理想特性。很明显,函数g(



评论


相关推荐

技术专区

关闭