基于群智能優(yōu)化的SVR模型在氣敏傳感器非線性補償中應用.pdf

1、隨著氣敏傳感器在日常生活、工農業(yè)自動化等領域的廣泛應用，人們對傳感器的準確度、穩(wěn)定性和抗干擾性有了越來越高的要求，如何從理論、實踐等方面來設計低成本、高精度的氣敏傳感器就引起了廣泛關注。鑒于支持向量回歸在小樣本數(shù)據(jù)預測中實現(xiàn)的可能性，本文將SVR模型應用到氣敏傳感器的非線性補償中，主要進行工作如下：
　　首先，在統(tǒng)計學習和支持向量機理論知識充分理解的基礎上，課題中采用SMO算法作為求解支持向量回歸二次規(guī)劃問題的核心算法，為了驗證支

2、持向量回歸在小樣本數(shù)據(jù)下的逼近和預測能力，實驗通過對不同的函數(shù)曲線采用SVR和徑向基神經網絡模型分別訓練，結果表明了SVR模型有更高的精度、效率以及穩(wěn)定性。其次，通過對影響支持向量回歸性能中的參數(shù)進行分析，選擇恰當?shù)膽土P因子C值和核參數(shù)g值顯得尤其重要。對以往人們在參數(shù)優(yōu)化過程所選取的方法研究并結合實際應用方向，本文將群智能算法引入到參數(shù)優(yōu)化過程中，對以遺傳算法和粒子群算法為代表的群智能算法進行實例仿真，通過對尋優(yōu)過程的分析和模擬函數(shù)的

3、實驗結果對比，表明粒子群優(yōu)化算法比遺傳算法在參數(shù)尋優(yōu)過程中速度更快捷，結果更優(yōu)秀。
　　在對小樣本數(shù)據(jù)進行函數(shù)逼近得出相關結論的基礎上，將優(yōu)化后的SVR模型應用于氣敏傳感器的非線性補償領域，來對有限的樣本數(shù)據(jù)進行預測，并提出一種改進的粒子群算法，通過對學習因子采用動態(tài)調整策略來實現(xiàn)回歸參數(shù)的優(yōu)化選擇。用改進PSO優(yōu)化的SVR與LSSVR模型、RBF神經網絡對氣敏傳感器數(shù)據(jù)進行預測，通過反復的實驗結果表明，改進后的PSO-SVR優(yōu)化