多功能传感器信重构方法研究及其应用.pdf

Classified Index : TP212 U .D .C.: 621 .3 Dissertation for the Doctoral Degree in Engineering STUDY ON SIGNAL RECONSTRUCTION METHOD OF MULTIFUNCTIONAL SENSOR AND ITS APPLICATION Candidate : Liu Xin Supervisor : Prof. Sun Jinwei Assistant Supervisor Prof. Wei Guo Academic Degree Applied for : Doctor of Engineering Speciality : Instrument Science and Technology Affiliation: Department of Automatic Measurement and Control Date of Defence : June, 2009 Degree-Conferring-Institution: Harbin Institute of Technology 要 要 随着科学技术的不断发展，测试需求的不断提高，微型化、智能化、网 络化、无线化、多功能化已经成为传感测试技术的几大主要发展方向。多功能 传感器可同时测量多个物理量，更准确客观地反映测试对象与测试环境，可极 大地消减测试系统的体积与功耗，在航空、航天、环境监测、农业生产制造等 诸多领域具有重要意义和广阔的 用前景。 多功能传感器对测试对象的准确测量依赖于有效的信号重构方法，但由 于被测量的增加、测量环境的不确定性以及多功能传感器敏感机理的复杂性， 使得现有的多功能传感器信号重构方法普遍存在着模型估计能力差、信号重构 精度差以及过拟合、局部极小解、维数灾难等问题。因此，本文针对现有信号 重构方法中存在的问题，研究相 的解决方法，提高多功能传感器信号重构精 度，促进多功能传感器的开发与应用。本文主要研究内容如下： 多功能传感器信号重构问题中常用的线性参数化多元回归处理方法具有 辨识模型简单、信号重构过程易于实现的优点，但该方法通常利用最小二乘方 法实现模型参数辨识，由于最小二乘法在 用中只考虑了观测向量中存在的误 差而忽略了数据矩阵中的误差影响，而在实际 用中观测向量和数据矩阵均由 测试数据构成，不可避免的含有误差，因而影响了辨识模型的可靠性与信号重 构的精度。而总体最小二乘方法同时考虑了观测向量和数据矩阵的扰动问题， 更适于实际应用情况。仿真试验表明基于总体最小二乘方法的传感器信号重构 结果优于最小二乘方法。 支持向量机方法是适用于小样本情况下的新型机器学习方法，它利用结 构风险最小化准则来代替传统的经验风险最小化准则，有效地避免了传统方法 中存在的过拟合、局部极小化、维数灾难等问题。其中，最小二乘支持向量机 方法通过采用二次损失函数来度量经验风险并利用等式约束来代替不等式约 束，将求解简化为处理线性方程组问题，而无须处理二次规划问题，极大地消 减了数据处理的计算复杂度，因而相比标准支持向量机方法更适宜于处理多功 能传感器信号重构问题。但由于在实际 用中线性方程组由测量信号构成，直 接采用矩阵求逆处理时易出现扰动问题和数值不稳定现象，因此本文采用总体 最小二乘法处理最小二乘支持向量机求解问题，抑制矩阵扰动、增强求解的数 值稳定性，提高信号重构精度。仿真结果表明基于总体最小二乘解的支持向量 机方法的信号重构精度优于标准支持向量机方法和标准最小二乘支持向量机方 - I - 哈尔滨工业大学工学博士学位论文 法。 标准鲁棒最小二乘支持向量机中的权函数因为缺