基于最小二乘支持向量机的传感器动态系统辨识方法

在介绍和比较标准支持向量机(SVM)和最小二乘支持向量机(LS-SVM)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法。与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%。因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模。

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

基于单片机的田间信息采集系统的设计与实现

随着精细农业在我国的不断推广,将精细农业思想转化为实际应用也渐渐提到日程上来。为此,以精细农业中的田间数据采集为例,提出了基于PHLIPSP89C51单片机的田间信息采集系统设计方法,使之在采集外部多路串行数据的时候,同时能够采集外部多路模拟数据。试验证明,基于单片机的田间信息采集系统是可行的。

新教改下电子技术课程设计教学实践探讨

本文主要是从讨论电子技术课程设计的重要性出发,研究新教改下的电子技术课程设计的教学和实践中所存在的不足之处,并制定了比较完善的策略来对这一课程进行创新,对增强构建电子技术基础的教学进行创新和实践,使学生在正确的、完善的教学指引下,对自主学习、综合设计、创新和实践的能力会起到积极有效的促进作用。

基于MapObjects的田间信息处理系统

随着精细农业在我国的不断推广,将精细农业思想转化为实际应用也渐渐提到日程上来。为此,参照华南农业大学引进的FieldStar精细农业系统,提出了一套基于MapObjects田间信息处理系统的设计方法,使其能够同时处理采集到的多路田间信息,并做相应的处理。试验证明,本系统是可行的。

一种基于LS-SVM的电子设计竞赛选手选拔与组队方法

在详细阐述最小二乘支持向量机(LS-SVM)回归算法原理基础上,提出一种基于LS-SVM的特征提取方法,并将其应用到全国电子设计竞赛队员选拔问题上。利用所提的特征提取方法对近年在电子设计竞赛中获奖队员平时成绩进行分析,找到了3个关键的评价指标,并以此为基础确定了一套定量的选拔与组队方法。

利用SVR的非线性动态系统Wiener模型补偿

提出一种新的利用支持向量回归机(SVR)的非线性动态系统维纳(Wiener)模型补偿方法.首先,将非线性动态系统用Wiener模型描述成线性动态子环节和非线性静态增益;再设计结构上与之对应的Wiener补偿器,并进一步将其变换为可用SVR辨识的线性中间模型;最后,通过关系矩阵将中间模型的估计值转换为Wiener补偿器的实际参数.用实际压力响应系统的动态标定实验数据进行测试,结果表明,与最小二乘方法比较,所提方法建立的Wiener补偿器具有更强的抗干扰能力.因此,该研究为非线性动态系统补偿又提供了一种可选方法.

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上，探讨了一种利用LS-SVM进行传感器动态误差补偿的方法，并给出了相应的过程和算法。与标准SVM补偿方法比较，该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束，将求解二次规划问题转化为直接求解线性矩阵方程，在相同样本条件下，使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明，在噪声条件下，LS-SVM方法的补偿误差约为SVM的40％。因此，LS-SVM补偿方法学习速度快，抗噪声干扰能力强，更适合传感器动态补偿。

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机（LS-SVM）的传感器非线性校正及温度补偿的新方法，并给出了相应的过程和算法。在该方法中，LS—SVM被用作构建逆模型，并通过该模型映射传感器非线性特性，同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明：所提模型建模速度比SVM模型高1-2个数量级，补偿误差仅为SVM模型的20％左右。因此，该学习速度快、补偿精度高、抗噪声干扰能力强，适合传感器温度补偿及校正。

基于支持向量机的电容式压力传感器建模方法

将支持向量机(SVM)引入传感器建模研究中,这里,SVM作为校正误差的一个逆模型。SVM有效地解决了小样本学习问题,因此,该方法对试验数据无特殊要求。最后,电容式压力传感器(CPS)建模试验结果证明了该方法的可行性和高效性。

基于SαSG分布噪声模型的自适应混合矩滤波方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声。与其他统计模型不同,α-稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在。针对系统中存在独立SαS噪声与高斯噪声,基于SαSG分布模型,提出了一种稳定分布与高斯混合噪声环境下的自适应混合矩滤波的修正RMN(混合参数)算法,并对算法进行了步长归一化改进。计算机模拟和分析表明,这种算法是一种在SαSG分布背景噪声条件下具有良好韧性的滤波方法。

可在单片机上实现的语音混沌保密通信方法

针对目前数字混沌保密方法中计算量大的不足,提出了一种可在单片机上实现的改进混沌保密方法,并将该方法用于数字语音混沌保密通信。分析了该方法中运用整数运算代替浮点运算降低计算量的原理与过程,着重说明了改进的混沌算法在单片机上的实现。最后,在AT89C51单片机上成功进行了数字语音的混沌保密通信实验并取得了令人满意的结果。

数学物理方程中的通解问题

通过例证说明,通解法对于偏微分方程而言,其适用范围要比通常认为的大.并表明,只要适当变通,行波法就可用于有界情况.

基于SVR构造FLANN的传感器动态补偿研究

提出了一种利用支持向量回归机（SVR）对函数链接型神经网络（FLANN）进行构造的新方法，并将其应用于传感器动态补偿。文中将SVR的解与常规FLANN估计进行对比，发现两者具有相同的问题形式，因此，在适当的参数条件下可通过SVR对FLANN进行优化构造。与常规FLANN构造方法比较，SVR-FLANN具有明显特点，即将权值迭代逼近问题转化为二次规划问题求解，使得在整个训练过程中有且仅有一个全局极值点，确定了所构造FLANN补偿器的唯一性。实际压力传感器动态补偿实验结果表明：用该方法构造的补偿器与常规方法相比，具有更高的精度、更强的抗干扰能力及更稳定的补偿效果。因此，更适合传感器动态补偿。