多元回归分析法及其在智能.ppt

第5章　多元回归分析法及其在智能 传感器系统中的应用 5.1 多元回归分析法与定常系数多元回归方程　　多元回归分析模型法建立逆模型的核心思想是： 欲消除n≥1个干扰量对主传感器测量目标参量的影响， 就要设置n≥1个监测干扰量的辅助传感器， 进而建立更完备的逆模型的m=n+1元常系数高阶回归方程。 阶数由满足允许的误差来决定。 　　消除一个干扰量时n=1， 需要建立二传感器智能传感器系统， 逆模型为二元回归方程，进行二传感器数据融合； 消除n=2个干扰量时， 需建立三传感器智能传感器系统， 逆模型为三元回归方程， 进行三传感器数据融合。 5.1.1 二传感器数据融合——二元回归分析法　　1. 二元回归分析法基本原理　　已知压力传感器输出是电压UP， 并且存在对温度的交叉灵敏度。 因此如果按照传统的方法， 只对压力传感器进行一维标定实验， 获得输入（压力P）输出（电压UP）特性曲线， 并由此来求取被测压力值会有较大的误差。 因为被测量P不是输出值UP的一元函数。 现在由另一温度传感器输出电压UT， 代表温度信息T， 则压力参量P可以用UP及UT的二元函数表示才较完备， 即 　　　　　　　 P=f(UP， UT) 　　由二维坐标（UPi， UTi）决定的Pi在一平面上， 可以利用二次曲面拟合方程， 即二元回归方程描述： 　　2. 实验标定　　在压力传感器的量程范围内确定n个压力标定点， 在工作温度范围内确定m个温度标定点， 于是由压力P与温度T标准值发生器产生在各个标定点的标准输入值为　　　 Pk: P1， P2， P3， …， Pn　　　 Tj: T1， T2， T3， …， Tm 　　对应于上述各个标定点的标准输入值读取相应的输出值UPk和UTk， 这样， 我们在m个不同温度状态对压力传感器进行静态标定， 共计有s=m×n个标定点， 每个标定点同时对应有4个标定值， 也称一个样本对： 两个传感器的输入量， 即主测量压力P与辅参量温度T，以及二者相应的输出量， 分别为UP和UT。 共获得了对应m个不同温度状态的m条输入输出特性， 即P-UP特性簇， 如图5-1（a）所示。 同时我们也获得对应于不同压力状态的温度传感器的n条输入输出特性(T-UT)， 即T-UT特性簇， 如图5-1（b）所示。 图5-1 压力传感器输入输出特性 (a) P-UP特性簇； (b) T-UT特性簇 　　3. 二元回归方程待定常数的确定　　为确定式（5-1）所表征的二元回归方程式的常系数， 通常根据最小二乘法原理， 求得的系数值满足均方误差最小条件。 系数α0~α5和β0~β5的求法相同。 下面以α0~α5为例说明求取步骤。 　　（1） 第i个标定点的压力数据计算值（以下简称计算值）P(UPi， UTi)， 根据式（5-1）为 　　（2） 第i个标定点的压力标定值Pi与计算值P(UPi, UTi)之间存在误差γi， 其方差为γi2： 　　　差值： γi=P(UPi， UTi)－ Pi 　　　方差： γi2=［P(UPi, UTi)－Pi］2 　　(3) 全部标定点压力标定值与计算值之差的平方和Is为 　　由式（5-4）可见， Is是常系数α0，α1， …，α5的多元函数。 　　（4） 回归方程待定系数α0~α5的最小二乘最优解。 　　 根据多元函数求极值条件求α0~α5的最优解， 首先令下列各偏导数为零， 即 由方程（5-5a）可得 　　于是， 回归方程待定常系数α0，α1，…，α5的最小二乘最优解的求解式为　　　　 α= P · HT · (H×HT)－1 （5-7） 这就是求解最小二乘问题的方程组法。 　　（5） 最优解式（5-7）算法的实现。 Matlab软件具有强大的数值计算和矩阵计算功能，可以很轻松地求解式（5-7）的矩阵计算， 参见［示例5-1］和［示例5-2］。  5.1.2 三传感器数据融合——三元回归分析法　　1. 单一功能(只测一个目标参量)的三传感器数据融合　通过监测两个干扰量， 即两个非目标参数， 可以消除这两个干扰量的影响， 提高该单功能传感器对被测目标参量的测量精度。 监测干扰量的传感器， 可以选用能够测量这两个干扰参量的任何形式的传感器， 只需把它们放置在同一测量场中， 与测量目标参量的传感器经受同样强度干扰量的影响。 　　仍以压阻式压力传感器为例， 其输出不仅受到工作环境温度T的影响， 而且还受到电源供电电流