基于总体最小二乘的多功能传感器信号重构方法研究

基于总体最小二乘法的基本原理和Moore Penrose广义逆矩阵的基本性质 ,本文提出了一种新的算法 ,用于多功能传感器输入信号的数值重构 .算法既考虑了传感器输出信号的漂移 ,同时也考虑了输入信号的误差 .仿真结果表明 。

基于支持向量回归的三元溶液浓度重构算法研究

由氯化钠、蔗糖组成的三元水溶液在食品渗透脱水过程中有着广泛的应用.本文采用一种新颖的多功能传感器,在线敏感三元溶液的超声波传输速度、电导率以及温度三个参量.基于获取的三个可测参量,本文重点研究利用支持向量回归方法实现多功能传感器信号重构,同时获得三元溶液中各成分的浓度估计值.支持向量机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.实验结果显示测试数据集氯化钠浓度和蔗糖浓度的平均绝对误差分别为0.00615 mol/kg和0.00369 mol/kg,表明所提出的重构算法具有较高的可靠性和准确度,验证了方法的有效性.

向上查表法在多功能传感器信号重构中的应用

基于最小二乘法的基本原理和Moore-Penrose广义逆矩阵的基本性质,讨论了一种重构多功能传感器被测信号的方法——向上查表法(LUT)。该算法可以用来解决三元被测量的重构问题,并考虑了测量矩阵的数据病态可能性。为了证明算法的有效性,建立了多功能传感器模型电路并给出算法应用的理论推导、实验结果和重构误差分析。

基于支持向量回归的非线性多功能传感器信号重构

在多功能传感器信号重构中,通常采用经验风险最小化准则实现函数回归,在小样本情况下,该方法易导致泛化性差和过拟合问题。本文利用支持向量回归方法实现非线性多功能传感器信号重构,支持向量机是基于结构风险最小化准则的新型机器学习方法,可有效抑制过拟合问题并改善泛化性能。仿真结果表明经该算法重构后的信号重构误差率在0.4%以下,重构效果较好,验证了该算法的有效性。

基于遗传算法的多功能传感器模型参数估计

为有效避免被估计参数的错误极值收敛,提出了一种新颖的、基于遗传算法的多功能传感器模型参数估计技术,与传统的最小二乘方法相比,遗传算法具有更好的全局搜索特性.仿真结果表明,具有非线性输入输出关系的传感器结构参数可以以较高的运算速度和准确度被确定,从而完成了传感器二元变量的信号重构.