基于支持向量机的传感器动态建模方法

传感器的性能指标通常分为静态和动态两大类。目前，国内外对传感器的静态特性研究较为深人和全面，而对动态特性研究较少。传感器动态模型是研究其机理、评价其性能的有效手段，是设计动态数字校正环节、改善动态特性的重要依据。近年来，随着计算机特别是神经网络的发展，有不少学者又提出了基于神经网络的传感器动态建模方法。这些方法一般用BP神经网络或FLANN网络[1l去学习传感器输人、输出关系从而建模，算法相对简单，实现容易。但是 ， 通 过分析神经网络建模的基本工作原理，作者认为该方法依然存在一些不足:首先在训练的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，所以有时为了得到更好的泛化性能，就只能牺牲网络的性能;其次，神经网络过分依赖训练的数据质量和数量，但大多数情况下样本数据十分有限，而且存在数据不一致情况，对神经网络的训练结果影响较大。支持 向 量 机SVM( su pportve ctorm achine)的基础是由Vapnik教授及其合作者于上世纪90年代中期创建的统计学习理论[2l，是一种新兴的基于统计学习理论的学习机。SVM不存在局部最小问题，尤其在小样本学习过程中具有很强的泛化能力，不过分依赖样本的数量和质量。将 SV M 技术应用于传感器建模的研究目前还没有文献报道。本文提出基于SVM的动态建模方法发挥支持SVM的优势，在一定程度上弥补神经网络传感器动态建模方法中的不足，并将其应用于实际触觉传感器上取得了较好效果。

SVM动态建模方法

1.1 传感器动态数学模型

对于一个单输人、单输出的线性定常传感系统，可根据传感器动态校准时测得的输人、输出信号建立差分方程的单变量形式予以描述[1l,对将 要 进 行动态建模的单输人、单输出传感器进行实测，其输人、输出序列为{u(k),y(k)}，按式(2)组成训练用的输出、输人样本任(k),XKI.对 SV M学 习机进行训练求得id-和b,SV M动态建模原理如图1所示。