SVM(支持向量机)在智能传感器系统中实现地研究.pdfVIP

SVM(支持向量机)在智能传感器系统中实现的研究 刘玉烨林继鹏刘君华 西安交通大学710049 摘要：在工程实践中，交叉敏感问题一直是影响传感器系统性能的重要难题。为此，本文提出了基 并通过典型实例一一压力传感器系统——的实证，阐述了如何在以MPU(微处理器)为核心的智能传 感器系统中移植实现SVM算法，从而消除(或减小)其他非目标参数为对系统的交叉敏感。实验证明， 采用本文所提的SVM算法实现技术，可明显提高传感器系统的性能。 关键词：支持向量机SVM智能传感器算法移植数据融合压力传感器 1．前言 (1)问题的提出 大部分传感器不仅对目标参量敏感，而且对其他非目标参量也敏感，这种现象称之为交叉敏感。例如在 压力传感器系统标定实验中，我们发现在保持环境温度不变而传感器电流改变时，传感器的输出电压值确不 是恒定的，如表l所示。 表1压阻式压力传感器二维实验标定数据(仁31。C) P／MPa ‘N 龄 O O．10 O．20 O．30 0．40 0．50 0．60 5mA 0．183 0．696 1．108 l，522 。1．937 2．352 2．768 6mA O．159 0．776 1．272 1．77l 2．268 2．766 3．2“ 7mA 0．134 0。858 1．436 2．015 2．596 3．176 3．757 8mA O．109 0．940 1．600 2．250 2．922 3．586 4．25l 9mA O．082 1．02l 1．766 2．5lO 3．255 4．002 4．749 10mA 0．055 1．104 1．930 2．758 3．586 4．416 5．247 llmA 0．028 1．182 2．092 3．000 3．914 4．826 5．740 最大偏差 O．155 0．486 0．984 1．418 1．977 2．474 2．972 消除传感器的交叉敏感现已成为工程实践中的一个热点问题。为此，本文提出了SVM(支持向量机) 算法的解决方案，以消除(或减小)交叉敏感现象，并以压力传感器对电流的交叉敏感为例，介绍了如何将 此算法进行编程从而移植到微处理器中去的方法。 (2)SVM(支持向量机)原理简介 支持向量机算法主要采用小样本技术进行数据融合处理，从而消除测量系统的交叉敏感，提高系统的稳 定性与准确性，同时可以有效避免类似神经网络的过学习问题。它在解决少样本学习、模型的推广泛化等方 面有较强的适应能力。 基于SVM的回归问题可以用式(1)表示： j|_ r(x)=∑w，‘K(X，Z)+6 (1) ，=I SVM中称为权值系数；K(X，置)——表示从一个低维空间到高维空间的某种映射，在SVM中称为核函数： 656 n——为训练样本组数。 支持向量机经训练后的结构如图l所示。 y 阈值 (Bias) 核函数 (Kemel)