基于LS-SVM的非线性多功能传感器信号重构方法研究

被引：9

作者：

魏国

刘剑

孙金玮

孙圣和

机构：

[1] 哈尔滨工业大学自动化测试与控制系

来源：

自动化学报 | 2008年 / 08期

基金：

中国博士后科学基金; 教育部留学回国人员科研启动基金;

关键词：

多功能传感器; 信号重构; 最小二乘支持向量机; 交叉验证;

D O I：

暂无

中图分类号：

TP212 [发送器（变换器）、传感器];

学科分类号：

080202 ;

摘要：

提出了基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)的非线性多功能传感器信号重构方法.不同于通常采用的经验风险最小化重构方法,支持向量机(Support vector machine,SVM)是基于结构风险最小化准则的新型机器学习方法,适用于小样本标定数据情况,可有效抑制过拟合问题并改善泛化性能.在SVM基础上,LS-SVM将不等式约束转化为等式约束,极大地简化了二次规划问题的求解.研究中通过L-折交叉验证实现调整参数优化,在两种非线性情况下对多功能传感器的输入信号进行了重构,实验结果显示重构精度分别达到0.154%和1.146%,表明提出的LS-SVM重构方法具有高可靠性和稳定性,验证了方法的有效性.

引用

页码：869 / 875

页数：7

共 9 条

[1] 基于支持向量回归的非线性多功能传感器信号重构 [J].

刘昕 ;

孙金玮 ;

刘丹 .

传感技术学报, 2006, (04) :1167-1170

[2] 最小二乘支持向量机在汽车动态系统辨识中的应用 [J].

郑水波 ;

韩正之 ;

唐厚君 ;

张勇 .

上海交通大学学报, 2005, (03) :392-395

[3] 基于总体最小二乘的多功能传感器信号重构方法研究 [J].

孙金玮 ;

刘昕 ;

孙圣和 .

电子学报, 2004, (03) :391-394

[4] 基于最小二乘支持向量机的软测量建模 [J].

阎威武 ;

朱宏栋 ;

邵惠鹤 .

系统仿真学报, 2003, (10) :1494-1496

[5] 关于统计学习理论与支持向量机 [J].

张学工 .

自动化学报, 2000, (01) :36-46

[6]

支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini, 2004

[7] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[8]

Comparison of SVM and LS-SVM for regression .2 Wang H F,Hu D J. Proceedings of 2005 International Conference on Neural Networks and Brain . 2005

[9]

Multilayer sensing and aggregation ap- proach to environmental perception with one multifunc- tional sensor .2 Sun J W,Shida K. IEEE Sensors Journal . 2002

← 1 →