20101025 智能传感器系统6 支持向量机.pptVIP

* 1.6 小结 以通过8项化验指标的数据融合对糖尿病进行确诊降低误诊几率及减少确诊时间为例、以消除压力传感器对供电电流的交叉敏感为例、以消除红外气体传感器在两组份混合气体中的交叉敏感为例，进行多层次训练： 自主学习——培养学生自主学习能力；了解支持向量机的结构及其作用； 自主训练——培养发现问题的能力； 通过消除8项化验指标之间的交叉敏感对糖尿病进行确诊，以及通过消除压力传感器对工作电流的交叉敏感训练，认知支持向量机的结构参数及其作用；认知并学会如何组建压力传感器系统。 自主应用——培养解决问题的能力； 为解决红外气体传感器对两组份混合气体的定性识别问题，采用了2个SVM建立了SVM定性识别模型；通过自制样本文件采用SVM解决了两组份混合气体的交叉敏感，获得了浓度的准确融合值；通过自制支持向量机样本文件解决压力传感器对工作电流的交叉敏感。 自主提高——培养举一反三、学以致用的能力。 支持向量机的移植：用支持向量机解决一个新问题的建模，并将训练好的支持向量机结构参数移植到你实际应用的场所：个人计算机、单片机等。 * 示例 压力传感器温度系数求取 计算温度传感器的压力灵敏度系数。 P/104Pa 0 1.0 2.0 3.0 4.0 5.0 21.5?C U/mV -13.84 …… 83.36 Ut/mV 27.64 24.94 28?C U/mV 76.82 Ut/mV 31.91 34?C U/mV 76.38 Ut/mV 35.09 44?C U/mV 75.87 Ut/mV 51.55 50?C U/mV 73.75 Ut/mV 61.06 70?C U/mV -7.72 …… 73.28 Ut/mV 86.12 84.94 83.78 82.65 81.55 80.45 p270 表6－4。 * 示例 压力传感器温度系数求取 新版教材 p247 表7-3 融合后，温度稳定性得到极大改善。 融合后 融合前 零位温度系数 灵敏度温度系数 * 1.2.2 有关测量系统建模的基础知识 小结 经典常规传感器大都存在交叉敏感，从而影响传感器的稳定性及测量精度。 采用多传感器及基于支持向量机的数据融合算法可改善传感器的稳定性。 支持向量机基于小样本机制及均方差值最小原则，训练建模速度快，融合结果误差小。 采用交叉灵敏度对融合效果进行评价，当融合后的交叉灵敏度小于融合前的交叉灵敏度时，表明通过数据融合传感器的交叉敏感得到了改善，稳定性得到了提高。 * 1.2.3 仪器面板简介 模式识别学习样机（定性） 图 样机面板 图 SVM学习参数配置窗口 * 1.2.3 仪器面板简介 模式识别学习样机 图 SVM检验窗口 图 SVM学习窗口 图 糖尿病分类识别的检验结果文件tnb.rsl窗口的一部分。C=0，cost-fact=1，线性核。 阈值化：O?0, O? =1; O?0, O?=-1. * 1.2.3 仪器面板简介 模式识别学习样机（定性） 样机的初始化参数： C，cost-fact，核函数，g，……。 * 1.2.3 仪器面板简介 消除交叉敏感学习样机（定量） 图 消除交叉敏感的支持向量机学习样机面板 * 1.2.3 仪器面板简介 消除交叉敏感学习样机 图 压力传感器在0～0.6MPa压力量程范围内压力识别误差曲线（幅值单位为MPa） * 1.2.3 仪器面板简介 消除交叉敏感学习样机 样机的初始化参数： 核参数1，核参数2，惩罚因子，核函数。 * 1.2.4 作业 1、登陆远程测控实验室，选择仪器库高级功能仪器基于支持向量机的多传感器数据融合仪进行学习。 2、回答预习问题： (1) 支持向量机理论学习作业 1）表达一个支持向量机的结构，需要哪些参数? 2）如果输入向量的维数为4，那么训练好的支持向量机中，其各个结构参数的维数为多少？ 3）写出使用支持向量机进行种类判断的流程框图。 4）若已知SVM乘子?i及偏移量b，写出基于SVM的输入输出关系表达式。 (2) 样机使用预习作业 分别针对两种支持向量机样机，写出所有样本的格式。 * 1.3 自主训练 练习一 糖尿病的SVM诊断（模式识别类/定性） 练习二 用SVM消除压力传感器对工作电流的交叉敏感（定量分析类） 练习三 组建压力传感器系统及其静态特性的标定 * 1.3 自主训练 练习一 糖尿病的SV