三相电能表计量误差自动检定方法设计

为了提升三相电能表计量误差检定方法的有效性、避免冗余数据给检定过程带来的干扰,提出基于聚类优化的三相电能表计量误差自动检定方法。利用模糊C-均值(FCM)聚类算法提取三相电能表检定数据的核心特征,并构建检定数据核心特征数据集。利用核函数划分原始的特征空间,以映射到更高维的希尔博特空间。建立支持向量机(SVM)模型,并将核心特征数据集输入该模型,以较少数据实现对三相电能表计量误差的自动检定,从而提高检定的精准性。试验结果表明:该方法的检定时间较少,均在2.5 s以下;三相电能表计量误差检出率均达到90%以上,能够有效提升检定效率。该方法在计量误差检定中具有重要作用。

扩散硅压阻式压力传感器非线性误差纠正方法

针对扩散硅压阻式压力传感器非线性误差纠正易受到误差传递算法的影响,导致纠正后最大相对波动较高的问题,本文提出基于恢复函数的压力传感器非线性误差纠正方法。采集扩散硅压阻式压力传感器信号数据,去除噪音信号,以恢复函数为基础,设计传感器的非线性误差传递算法;利用支持向量机算法构建非线性误差校正模型,再通过遗传算法优化模型参数,实现误差的良好补偿。实验结果表明:本文所提出的纠正方法应用效果与文献相比,传感器的最大相对波动分别降低了13.53%与7.08%,具有更优的应用性能,值得推广。

中药材三七提取液近红外光谱的支持向量机回归校正方法

提出近红外光谱的支持向量机回归校正建模方法 .以中药材三七渗漉提取液为实际分析对象 ,对其近红外光谱数据进行预处理和主成分分析后 ,用支持向量机回归算法建立人参皂苷 Rg1,Rb1,Rd以及三七总皂苷的近红外光谱校正模型 .以 Rg1,Rb1和 Rd的 HPLC测定值及三七总皂苷的比色法测定值为参照 ,将本文方法与偏最小二乘回归和径向基神经网络建模方法相比较 ,结果表明 ,本文所建模型的预测准确性优于后两者 ,可推广应用于中药提取过程的近红外光谱分析 .

基于鱼眼镜头的全方位视觉参数标定与畸变矫正

针对利用鱼眼镜头构建的全方位视觉系统研究内外部参数标定及图像畸变矫正方法,建立成像系统模型,提出成像系统中需要标定的内、外部参数;采用改进的线性标定法标定图像中心,研究径向畸变系数及其他参数的标定方法;在参数标定的基础上,分别利用等距投影和支持向量机训练方法,对图像中的像素点及整幅鱼眼图像进行畸变矫正.实验证明,研究的标定方法可准确地标定出视觉系统的内外部参数;基于等距投影的像素点矫正可应用于精确定位视觉系统的空间位置;基于支持向量机训练方法的全图像畸变矫正可获得理想的鱼眼图像矫正效果,所提出的参数标定和畸变矫正方法将有利于与鱼眼镜头在机器视觉领域的应用.

LVDT校正技术研究

鉴于当前LVDT校正技术研究的不足,提出了一种基于支持向量机的LVDT校正技术,该项技术在全量程的范围内,提高传感器的线性度;同时消除LVDT的激励频率、物理参数和工作温度对LVDT输出的影响.在不同位置下,将不同激励频率、不同物理参数、不同工作温度与对应的输出信号作为训练数据,并将训练得到的基于支持向量机的校正模型取代传统的校正电路以实现校正目的.结果表明：此技术实现了预定的目标,以0~10 mm为全量程范围,其最大误差为0.125%.

基于SVM的混合气体红外光谱分析关键技术研究

为了解决海量混合气体光谱数据样本无法获取、混合气体组分气体特征吸收谱线重叠、混合气体组分浓度分布的随意性等问题,将支持向量机用于混合气体红外光谱分析中.提出了光谱数据样本特征选择、数据预处理、SVM校正模型参量优化及层次式混合气体光谱分析结构等关键技术.实验分析了上述4项关键技术对分析结果的影响.实验结果显示,采用关键技术的混合气体组分浓度分析的最大绝对误差为2.93%,最大平均绝对误差为0.73%.

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE(φ×10-6)较仅用SVR模型预测的RMSE(φ×10-6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。

基于SVM的激光陀螺温度误差建模与补偿方法

激光陀螺误差决定了机载全成孔径雷达(SAR)运动补偿用位置姿态测量系统(POS)的测量精度。针对激光陀螺测量精度受环境温度影响严重的问题进行了研究,分析了激光陀螺的温度误差模型,结合支持向量机SVM的函数拟合功能,提出一种新的陀螺温度误差建模与补偿方法。与基于线性回归以及神经网络的补偿方法相比,该方法具有精度高、泛化能力强等优点。实验结果表明,激光陀螺的温度误差减小约75%,提高了激光陀螺对环境温度的适应能力。

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。

基于SVR的傅里叶变换型近红外光谱仪间数学模型传递的研究

近红外分析的一个重要基础是数学模型。不同的近红外光谱仪间由于对同一个样品响应的差异,导致一台仪器上建立的数学模型不能直接用于另一台仪器上样品的分析,需要进行模型传递。文章以两台傅里叶变换近红外光谱仪为实验研究对象,以玉米粉末样品为实验材料,采用移动窗口支持向量回归机(SVR)方法,把一台仪器上建立的近红外定量分析数学模型传递到另一台仪器上:当SVR回归的窗口大小为31个波长点,传递样品个数为15个时,模型传递效果较好,以"主机"所建蛋白含量的数学模型分析"从机"上修正后的光谱,化学测定值和近红外预测值间的相关系数提高到0.9434,相对标准差为4.23%。表明采用移动窗口SVR法进行傅里叶变换近红外光谱仪间数学模型的传递是可行的。

核偏最小二乘特征提取在混合气体FTIR光谱定量分析中的应用

为进一步提高FTIR光谱法实现特征吸收光谱严重重叠的甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七组分混合气体定量分析的精度和速度,提出一种核偏最小二乘(Kernel Partial Least Square,KPLS)特征提取耦合支持向量回归机(Support Vector Regression Machine,SVR)的红外光谱定量分析新方法.首先采用KPLS方法对上述七组分混合气体的FTIR光谱进行特征提取,然后将特征提取得到的特征组分作为SVR的输入建立混合气体的定量分析模型.对标准混合气体进行定量分析的结果显示:KPLS-SVR模型的预测精度高于未进行特征提取SVR模型预测的精度,同时预测时间也减少了一半.研究表明,KPLS法可以很好地提取隐含在混合气体FTIR光谱数据与其组分浓度之间的非线性特征并有效地消除光谱数据噪声,大幅度降低数据维数,与SVR耦合可以提高红外光谱分析的精度和速度,是一种有效的红外光谱定量分析方法.

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数。在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中。根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法。将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系。该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度。

基于支持向量机的传感器的非线性校正

铜热电阻的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向量机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向量机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为±0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法。

一种基于SVM的炮位校射雷达弹道外推新方法

SVM是一种理论依据充分的机器学习新算法,主要用于对有限个样本的分类识别和回归建模。将一条弹道视为一个训练样本,利用SVM回归方法在不同弹道之间归纳弹道落点的规律,从而可以对未知弹道的落点进行预测。将SVM引入弹道外推是重要创新,构建具有代表性的训练样本,以及统一样本空间维数等是技术创新。仿真实验表明,SVM可以提高弹道外推精度,同时缩短外推时间。

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机(LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。

基于线性趋势模型与LSSVM的校准间隔组合预测

针对仪器校准间隔的预测问题,提出了基于线性趋势模型和LSSVM的一种新的组合预测方法。该方法综合运用线性趋势模型良好的趋势项拟合能力和LSSVM强大的非线性映射功能,具有很高的预测精度。实例验证表明:该方法优于现有方法。

基于QGA-SVM的堆石料离散元细观参数标定模型

针对堆石料离散元三轴试验中存在的细观参数标定影响因素多、耗时严重等问题,在总结分析堆石料细观模型现状的基础上,建立基于量子遗传算法(QGA)和支持向量机(SVM)的细观参数标定模型。模型采用拉丁超立方抽样生成细观参数组,并使用离散元计算其应力-应变曲线;采用QGA对SVM进行训练,使其达到最佳学习效果,以模拟细观参数与应力-应变曲线间复杂的非线性关系;依据堆石料室内三轴试验成果,发挥SVM计算速度优势,采用QGA搜索堆石料细观参数,实现堆石料的离散元细观参数标定。堆石料细观参数实例标定结果表明,所建立的模型可快速、精确地标定离散元细观参数,具有工程应用价值。

基于非量测CCD相机和SVM的模型视觉检测

针对传统模型观测方法中存在的观测装置或传感器安装麻烦、工作量大、采样点有限等缺点。提出利用数字近景摄影测量技术量测模型变形。用高分辨率数码相机获取模型不同模拟开挖状态下的多组数字影像,采用改进的粒子群支持向量机方法自动检测和识别标志点,通过边缘跟踪和椭圆拟合算法确定标志点中心影像坐标。提出并推导了利用二维直接线性变换关系式和共线方程分解出影像外方位元素初值的实用算法,最后利用自检校光束法平差对标志点空间坐标进行精确定位。试验结果表明,空间坐标的测定精度高于±1 mm,所测位移场与实际变形情况比较一致,可以满足矿山岩层和地表移动相似材料模型观测要求。

基于支持向量机的波片相位延迟测量新方法

为实现液晶可变延迟器(LCVR)对入射光相位精确调制,分析了LCVR的双折射率色散特性,得到相位延迟量由驱动电压项和色散项组成的关系式;采用支持向量机SVM(support vector machines)算法,并用粒子群算法PSO(particle swarm optimization)对支持向量机的参数(c和g)进行优化,构建粒子群-支持向量机的LCVR相位延迟特性中驱动电压项的预测模型,并将其预测模型用于以568 nm激光作为光源的验证实验中;结果表明,在568 nm激光照射下,LCVR延迟量的实验值与标定理论值偏差不大于0.005 4λ,因此,说明PSO-SVM方法可作为LCVR相位延迟特性标定的有效手段。