传感器动态建模的最小二乘支持向量机方法.pdfVIP

第 27 卷 　第 7 期 仪 器 仪 表 学 报 Vol27 No7 2006 年 7 月 Chinese J ournal of Scientific In st rument J ul 2006 传感器动态建模的最小二乘支持向量机方法 汪晓东 　张长江 　张浩然 　冯根良　许秀玲 (浙江师范大学信息科学与工程学院　金华 　32 1004) ( ) 摘要 　提出了应用最小二乘支持向量机 L SSV M s 建立传感器动态模型的方法 。L SSV M s 的训练过程遵循的是结构风险 最小化原则 ,而不是通常神经网络的经验误差最小化原则 ,遵循该原则可获得更好的泛化性能 ,且不易发生局部最优及过拟 合现象 ,因此可以克服应用人工神经网络建立传感器动态模型的缺陷。通过实例验证了该方法的实用性及可靠性 。实验结 果表明 ,即使传感器动态模型存在严重非线性 ,该方法也仍然有效 。 关键词 　传感器 　动态建模 　最小二乘支持向量机 中图分类号 　TP2 12 　TP183 　文献标识码 　A 　国家标准学科分类代码 　4604020 Sensor dynamic model ing using least square support vector machines Wang Xiao don g 　Zhang Changj ian g 　Zhang Haoran 　Fen g Genliang 　Xu Xiuling ( ) Col leg e of I nf orm ation S cience an d Eng i nee ri ng , Z hej i ang N orm al Uni ve rs i ty , J i nh ua 32 1004 , Chi na Abstract 　The lea st square s support vector machine s (L SSV M s) are p ropo sed for nonlinear sen sor dy namic mo deling . The L SSV M s were e st abli shed ba sed on t he st r uct ural ri sk minimization p rincip le rat her t han minimized empirical er ror p rincip le co mmonly imp lement ed in t he neural net wor k s The L SSV M s can achieve higher generalization p erfor mance . Al so , local minima and over fit tin g are unlikely to occur . Therefore , t he L SSV M s can overco me t he short co ming s of neural net wor k s in sen sor dynamic mo delin g . The eff ectivene ss and reliabilit y of t he met ho d are demon st rat ed in t wo examp le s. The exp eriment al re sult s show t hat t he met ho d i s still eff