压力传感器的支持向量机校正.ppt

压力传感器支持向量机的校正方法 主要内容： 机器学习的基本模型 机器学习的基本模型 机器学习问题的表示 学习问题的表示 产生器(G)，产生随机向量x属于Rn ,它们是从固定但未知的概率分布函数F(x)中独立抽取的。 训练器(S)，对每个输入向量x返回一个输出值y，产生输出的根据是同样固定但未知的条件分布函数 F(y|x)。 学习机器(LM)，它能够从一组函数集f(x, α ）（α∈∧）中，选择出使输出y最好地逼近训练响应y的函数f（x, α ）。 机器学习的基本问题 机器学习的本质就是从给定的函数集f(x,?)(?是参数)中,选择出能够最好地逼近训练器响应y的函数f(x,a)。 机器学习的目的可以形式化地表示为：根据n个独立同分布的观测样本 ， 在一组函数 中求出一个最优函数 对训练器的响应进行估计,使期望风险最小 其中 是未知的,对于不同类型的机器学习问题有不同形式的损失函数。 支持向量机理论 SVM从线性可分情况下的最优分类面发展而来。 最优分类面就是要求分类线不但能将两类正确分开(训练错误率为0),且使分类间隔最大。 SVM考虑寻找一个满足分类要求的超平面,并且使训练集中的点，距离分类面尽可能的远,也就是寻找一个分类面使它两侧的空白区域(margin)最大。 过两类样本中离分类面最近的点且平行于最优分类面的超平面上H1,H2的训练样本就叫做支持向量。  最优分类面 最优分类面 假定训练数据 可以被一个超平面分开 我们进行正归化 此时分类间隔等于 使最大间隔最大等价于使 最小 最优分类面 最优分类面问题可以表示成约束优化问题 Minimize Subject to 定义Lagrange函数 广义最优分类面 Lagrange函数 支持向量机 很多情况下，训练数据集是线性不可分的，Vapnik等人提出了用广义分类面（松弛子）来解决这一问题。 非线性问题——通过非线性变换将它转化为某个高维空间中的线性问题，在这个高维空间中寻找最优分类面。 支持向量机 在最优分类面中采用适当的内积函数就可以实现某一非线性变换后的线性分类,而计算复杂度却没有增加。目标函数： 支持向量机 传统压力传感器存在的问题 在测控系统中，压力传感器是重要环节之一。压力传感器的输出特性直接影响整个系统的性能，传感器的输出特性受温度、电源波动等因素的影响。为使输出信号与测量温度之间呈线性关系，通常采用的校正方法一般有查表法、分段线性法和硬件补偿法等。但都由于精度不高，应用受到限制。 将SVM算法引入传感器的输出特性校正中，提出了一种新的压力传感器的输出特性校正方法。测试结果表明，该法在校正精度和算法的泛化性上都具有一定的优越性。 支持向量机校正压力传感器原理 支持向量机校正压力传感器原理 若y和t、v均为X的单值函数，则上式的反函数存在，但反函数很难用具体函数来描述，所以可用支持向量机校正模型来逼近这种非线性关系。将目标测量传感器的输出及温度变化、电压波动等非目标参量敏感元件的输出作为支持向量机校正模型的输入，经支持向量机校正模型处理后的输出P为消除了温度变化、电压波动等非目标参量影响的被测目标参量。 支持向量机校正模型 利用非线性映射将输入的数据映射到高维空间，在高维空间变换后进行回归分析，建立输入y、t、v与输出P的函数关系。 设采集的压力传感器的数据样本集为 支持向量机校正模型 支持向量机校正模型 利用其约束条件，求得α值，有如下关系： 支持向量机校正模型 求得： 实验及分析 压力传感器的输出y不仅与被测压力有关，而且与温度、供电电源波动有关，即 实验及分析 传感器输入/输出标定实验值： 校正效果比较 用Matlab编制训练程序，将U、Ut、λ 作为支持向量机校正模型的输入，将P作为输出。处理结果如下： 校正效果比较 用最大相对波动来衡量被测压力的波动情况，由校正处理前的22.2%，降低到处理后的0.97%，稳定性大大提高。 SVM作为一种处理问题的新方法，已经广泛应用到传感器信息处理、信号处理、自动控制、通信等许多领域。 * 侯石超 陈多 1、基于数据的机器学习问题模型 2、支持向量机理论 3、支持向量机在压力传感器校正中的应用 基于数据的机器学习的目标： 利用给定的有限数量的训练数据对某系统输入/输出之间的依赖关系进行估计，根据