CN103063233A - 一种采用多传感器降低测量误差的方法 - Google Patents

一种采用多传感器降低测量误差的方法 Download PDF

Info

Publication number
CN103063233A
CN103063233A CN2012105847195A CN201210584719A CN103063233A CN 103063233 A CN103063233 A CN 103063233A CN 2012105847195 A CN2012105847195 A CN 2012105847195A CN 201210584719 A CN201210584719 A CN 201210584719A CN 103063233 A CN103063233 A CN 103063233A
Authority
CN
China
Prior art keywords
sensors
output
input
inversion model
measured
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012105847195A
Other languages
English (en)
Other versions
CN103063233B (zh
Inventor
黄为勇
田传耕
贾燕玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou Rongli Electronic Technology Co. Ltd.
Original Assignee
Xuzhou University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xuzhou University of Technology filed Critical Xuzhou University of Technology
Priority to CN201210584719.5A priority Critical patent/CN103063233B/zh
Publication of CN103063233A publication Critical patent/CN103063233A/zh
Application granted granted Critical
Publication of CN103063233B publication Critical patent/CN103063233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种采用多传感器降低测量误差的方法，涉及传感器信息处理领域。该方法采用多个传感器对一个被测量在使用范围内同时进行标定；对标定数据进行归一化处理后建立数据样本，并将其分成训练样本集与测试样本集两个部分；利用训练样本集构建一个基于支持向量机的多输入单输出传感器系统逆模型，其逆模型的参数采用量子粒子群优化算法及测试样本集的均方根误差与最大绝对误差同时最小的准则进行选择与优化。在测量时将多个传感器的输出结果输入到传感器系统逆模型，将传感器逆模型的输出值反归一化后作为被测量的真值。优点：能够发挥多个传感器的冗余与互补特性，实现被测量的高精度测量，且建模工作量小，可应用于高精度的测量领域。

Description

一种采用多传感器降低测量误差的方法
技术领域
本发明涉及传感器信息处理领域，具体是一种采用多传感器降低测量误差的方法。
背景技术
传感器在工业、农业、国防、科学技术等众多领域得到了广泛的应用，已成为现代信息社会的基础。由于传感器敏感元件本身特性、应用环境、使用时间等众多因素的影响，使得传感器的输出与输入呈一种复杂的非线性关系，从而在实际工程应用中采用单一传感器进行测量会带来一定的测量误差。
由于每一个传感器都具有其独特的信息特征，不同的传感器尽管各自有其优缺点，但它们之间不是相互排斥，而是相互联系和相互补充的。采用多个传感器进行测量可综合应用多个传感器的冗余信息，把局部不完整信息和相关信息加以综合与互补，充分利用每个传感器所包含的有用信息，完整和精确地反映被测系统的本质特性，获得被测对象的一致性认识，从而比采用单一传感器更具优越性。
支持向量机(support vector machine，SVM)是建立在统计学习理论的VC维理论和结构风险最小化(SRM)基础之上的新型学习方法，具有完备的理论基础与学习性能，有效地解决了小样本、非线性、高维数和局部极小点等问题，具有较好的泛化性能，且运用核函数巧妙地解决了维数问题，尤其适合多传感器系统中多维信息的融合处理，得到比采用单一传感器精度更高的测量结果。随着科学技术的发展，各行各业对传感器测量精度的要求越来越高，实现传感高精度测量具有重要意义。
发明内容
本发明要解决的技术问题是克服采用单一传感器测量带来的测量误差，提供一种采用多传感器降低测量误差的方法，在小样本建模的情况下，实现被测量的高精度测量。
本发明是以如下技术方案实现的：一种采用多传感器降低测量误差的方法，采用多个传感器构成的传感器系统以及基于支持向量机的多输入单输出传感器系统逆模型，具体步骤如下：
(1)针对一个被测量，选择能够对其进行测量的多个传感器，并对多个传感器分别建立相应的测量电路，构成一个由多个传感器构成的多传感器系统；
(2) 对多个传感器在使用范围内同时进行标定，分别得到n个传感器输出输入数据；
(3) 对步骤2中得到的输出输入数据对进行归一化处理，形成数据样本(yi，xi)，其中：                                                为传感器系统的输出归一化值，式中的y1i，y2i，…，ymi为m个传感器的输出归一化值；xi为传感器系统的输入归一化值；m为传感器的数量；i=1,2,…,n；并将n 个数据样本(yi，xi)分为训练样本集S1与测试样本集S2两个部分；
(4) 由训练样本集S1构建一个基于支持向量机的多输入单输出传感器系统逆模型，其逆模型的参数采用智能优化算法及测试样本集S2误差最小的准则进行选择与优化；
 (5) 在实际测量时，用多个传感器对被测量同时进行测量，将多个传感器的输出结果输入到基于支持向量机的多输入单输出传感器系统逆模型，把传感器系统逆模型的输出值进行反归一化后作为被测量的真值。
其进一步是：传感器系统是由能够对被测量进行测量的不同特性或不同原理的多个传感器所组成，并对多个传感器分别建立相应的测量电路。
基于支持向量机的多输入单输出传感器系统逆模型由训练样本集S1建立，其模型参数由量子粒子群优化及测试样本集S2的均方根误差RMSE与最大绝对误差MAE同时最小的准则进行选择与优化。
RMSE与MAE的表达式分别为：
                               (1)
                                       (2)
其中，
Figure 510609DEST_PATH_IMAGE004
为逆模型输出值，为逆模型期望输出值，n为测试样本集的数。
本发明的优点：(1)采用多个传感器组成的传感器系统对被测物理量同时进行测量，并将其测量结果输入到基于支持向量机的多输入单输出传感器系统逆模型，其模型的参数采用量子粒子群优化算法进行整定，把传感器系统逆模型输出值反归一化后作为被测量的真值，通过融合多个传感器的特性，发挥多个传感器的优点，实现对被测量的高精度测量。 (2)能够降低在选择传感器过程中对传感器特性的非线性要求，从而降低了测量成本。（3）由于多传感器系统的信息冗余与互补特性、支持向量机具有处理小样本与高维数据的优势以及量子粒子群优化算法具有计算快速、易于实现和控制参数极少的特点，本发明可在小样本建模的情况下，实现被测量的高精度测量。本发明在传感器高精度测量领域具有广阔的应用前景。
附图说明
下面结合附图及实施例对本发明作进一步说明。
图1是测量系统结构框图；
图2是传感器标定数据曲线；
图3是基于支持向量机的传感器系统逆模型建模流程；
图4是测试数据的输入输出曲线。
具体实施方式
如图1所示，一种采用多传感器降低测量误差的方法，对一个被测量用多个传感器在使用范围内同时进行标定；对标定数据进行归一化处理后建立数据样本，并将其分成训练样本集与测试样本集两个部分；利用训练样本集构建一个基于支持向量机的多输入单输出传感器系统逆模型，其逆模型的参数采用量子粒子群优化算法及测试样本集的均方根误差与最大绝对误差同时最小的准则进行选择与优化；在测量时用多个传感器对被测量同时进行测量，并把多个传感器的输出结果输入到传感器系统逆模型，将传感器逆模型的输出值反归一化后作为被测量的真值，达到对被测量的高精度测量的目的。
下面参照附图，采用3个温度传感器降低测量误差的方法为实施例进行说明。
步骤1：选择3个不同特性的温度传感器，对每个传感器建立相应的测量电路，形成一个由3个传感器构成的多传感器系统。
步骤2：对3个传感器分别在工况环境下同时进行标定，得到输入温度在100℃~500℃之间的41个传感器的输出数据，其输入输出数据曲线如图2所示。
步骤3：对步骤2中得到的标定数据进行归一化处理，形成输出输出数据样本 (yi，xi)，其中：
Figure 165111DEST_PATH_IMAGE006
为传感器系统输出的归一化值，y1i、y2i与y3i分别为3个传感器输出的归一化值；xi为传感器系统输入的归一化值， i=1,2,…,41。将此41个数据样本对(yi，xi)分为训练样本集S1与测试样本集S2两个部分。实施例中，S1的样本数为31，S2的样本数为10。归一化公式为：
Figure 397378DEST_PATH_IMAGE007
                                            (3)
其中：
Figure 917221DEST_PATH_IMAGE008
为原始值，
Figure 590648DEST_PATH_IMAGE009
为归一化后的值，max为原始数据的上界。
步骤4：由训练样本集S1建立基于支持向量机的多输入单输出传感器系统逆模型。实施例中支持向量机的核函数取RBF核函数，其公式为：
Figure 868570DEST_PATH_IMAGE010
                               (4)
其中：
Figure 260237DEST_PATH_IMAGE008
，
Figure 646088DEST_PATH_IMAGE011
为模型输入参量；
Figure 171092DEST_PATH_IMAGE012
为宽度系数。
传感器系统逆模型的参数包括不敏感损失系数ε, 惩罚系数C与核函数宽度系数
Figure 679302DEST_PATH_IMAGE012
等3个参数，此3个参数由量子粒子群优化算法及测试样本集S2的均方根误差(RMSE)与最大绝对误差(MAE)同时最小的准则进行选择与优化。
量子粒子群算法的适应度函数表达式为：
Figure 623512DEST_PATH_IMAGE013
                      (5)
其中：
Figure 547475DEST_PATH_IMAGE014
为模型输出值，
Figure 257811DEST_PATH_IMAGE005
为模型期望输出值，n为测试样本的数目，实施例中取10。
量子粒子群优化算法的收缩-扩张系数
Figure 809359DEST_PATH_IMAGE015
从1.0采用线性减小至0.5。应用图3所示的基于支持向量机的传感器系统逆模型建模流程得到实施例中的传感器逆模型的参数(ε，C1，
Figure 910039DEST_PATH_IMAGE012
)=(1000，0.15169，14.5253)。
步骤5：在实际测量时，按图1构建传感器测量系统，用3个传感器对被测量同时进行测量，将3个传感器的输出值输入到基于向量机的多输入单输出传感器系统逆模型，把传感器系统逆模型的输出值进行反归一化运算后作为最终测量结果。
实施例中的10个测试样本的输入输出曲线如图4所示，其测量结果的绝对误差与相对误差如表1测试数据的测量结果与测量误差所示。由图4与表1可见，最大相对误差仅为0.1137%，本发明降低了温度测量误差，实现了对温度高精度测量的目的。
传感器输入/℃ 120 160 200 240 280 320 360 400 440 480
测量结果/℃ 120.1217 159.8181 200.1996 240.0371 279.9090 319.8030 359.8174 399.9511 440.1045 480.0809
绝对误差/℃ 0.1217 -0.1819 0.1996 0.0371 -0.0910 0.1970 0.1826 -0.0489 0.1045 0.0809
相对误差/% 0.1014 -0.1137 0.0998 0.0155 -0.0325 0.0616 0.0507 -0.0122 0.0238 0.0169
表1    
上述结合附图实施例对本发时进行了详细说明，本领域的普通技术人员可根据上述说明对本发明做出种种变化例，因而实施例中的细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (3)

1.一种采用多传感器降低测量误差的方法，其特征是：采用多个传感器构成的传感器系统以及基于支持向量机的多输入单输出传感器系统逆模型，具体步骤如下：
(1)针对一个被测量，选择能够对其进行测量的多个传感器，并对多个传感器分别建立相应的测量电路，构成一个由多个传感器构成的多传感器系统；
(2) 对多个传感器在使用范围内同时进行标定，分别得到n个传感器输出输入数据；
(3) 对步骤2中得到的输出输入数据对进行归一化处理，形成数据样本(yi，xi)，其中：                                                
Figure 563901DEST_PATH_IMAGE001
为传感器系统的输出归一化值，式中的y1i，y2i，…，ymi为m个传感器的输出归一化值；xi为传感器系统的输入归一化值；m为传感器的数量；i=1,2,…,n；并将n 个数据样本(yi，xi)分为训练样本集S1与测试样本集S2两个部分；
(4) 由训练样本集S1构建一个基于支持向量机的多输入单输出传感器系统逆模型，其逆模型的参数采用智能优化算法及测试样本集S2误差最小的准则进行选择与优化；
 (5) 在实际测量时，用多个传感器对被测量同时进行测量，将多个传感器的输出结果输入到基于支持向量机的多输入单输出传感器系统逆模型，把传感器系统逆模型的输出值进行反归一化后作为被测量的真值。
2.根据权利要求1所述的一种采用多传感器降低测量误差的方法，特征在于：传感器系统是由能够对被测量进行测量的不同特性或不同原理的多个传感器所组成，并对多个传感器分别建立相应的测量电路。
3.根据权利要求1或2所述的一种采用多传感器降低测量误差的方法，特征在于：基于支持向量机的多输入单输出传感器系统逆模型由训练样本集S1建立，其模型参数由量子粒子群优化及测试样本集S2的均方根误差RMSE与最大绝对误差MAE同时最小的准则进行选择与优化；RMSE与MAE的表达式分别为：
Figure 332006DEST_PATH_IMAGE002
                               (1)
                                       (2)
其中，为逆模型输出值，
Figure 908197DEST_PATH_IMAGE005
为逆模型期望输出值，n为测试样本集的数。
CN201210584719.5A 2012-12-28 2012-12-28 一种采用多传感器降低测量误差的方法 Active CN103063233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210584719.5A CN103063233B (zh) 2012-12-28 2012-12-28 一种采用多传感器降低测量误差的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210584719.5A CN103063233B (zh) 2012-12-28 2012-12-28 一种采用多传感器降低测量误差的方法

Publications (2)

Publication Number Publication Date
CN103063233A true CN103063233A (zh) 2013-04-24
CN103063233B CN103063233B (zh) 2016-05-18

Family

ID=48105960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210584719.5A Active CN103063233B (zh) 2012-12-28 2012-12-28 一种采用多传感器降低测量误差的方法

Country Status (1)

Country Link
CN (1) CN103063233B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301530A (zh) * 2014-07-22 2016-02-03 英飞凌科技股份有限公司 用于检测物理量的装置和系统
CN105699043A (zh) * 2016-04-14 2016-06-22 中国空气动力研究与发展中心高速空气动力研究所 一种提高风洞传感器测量稳定性和精准度的方法
CN112147978A (zh) * 2020-08-25 2020-12-29 中国运载火箭技术研究院 一种采用神经网络的遥测数据处理方法
CN113109511A (zh) * 2021-03-29 2021-07-13 天地（常州）自动化股份有限公司 具有自对比功能的甲烷传感器及其测量值冗余处理方法
CN113296045A (zh) * 2021-05-24 2021-08-24 长沙理工大学 基于传感阵列的微型电流传感器的误差校正方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157894A (en) * 1997-12-23 2000-12-05 Simmonds Precision Products, Inc. Liquid gauging using sensor fusion and data fusion

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157894A (en) * 1997-12-23 2000-12-05 Simmonds Precision Products, Inc. Liquid gauging using sensor fusion and data fusion

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
黄为勇: "基于支持向量机数据融合的矿井瓦斯预警技术研究", 《中国优秀博士论文全文库工程科技Ⅰ辑B021-35》, 31 May 2011 (2011-05-31), pages 78 - 85 *
黄为勇等: "矿井CO 浓度的支持向量机数据融合检测方法", 《计算机工程与应用》, no. 36, 30 September 2008 (2008-09-30) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301530A (zh) * 2014-07-22 2016-02-03 英飞凌科技股份有限公司 用于检测物理量的装置和系统
CN105699043A (zh) * 2016-04-14 2016-06-22 中国空气动力研究与发展中心高速空气动力研究所 一种提高风洞传感器测量稳定性和精准度的方法
CN112147978A (zh) * 2020-08-25 2020-12-29 中国运载火箭技术研究院 一种采用神经网络的遥测数据处理方法
CN113109511A (zh) * 2021-03-29 2021-07-13 天地（常州）自动化股份有限公司 具有自对比功能的甲烷传感器及其测量值冗余处理方法
CN113296045A (zh) * 2021-05-24 2021-08-24 长沙理工大学 基于传感阵列的微型电流传感器的误差校正方法
CN113296045B (zh) * 2021-05-24 2022-03-18 长沙理工大学 基于传感阵列的微型电流传感器的误差校正方法

Also Published As

Publication number Publication date
CN103063233B (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN103063233A (zh) 一种采用多传感器降低测量误差的方法
CN105068427B (zh) 一种多机器人系统有限时间鲁棒协同跟踪控制方法
CN105651457B (zh) 基于遗传算法的多维力传感器标定实验数据拟合方法
Zhao et al. New conditions for global exponential stability of cellular neural networks with delays
CN103152163A (zh) 一个分数阶超混沌系统及其投影同步方法
CN109726437B (zh) 一种舱门气动载荷等效节点力处理方法
CN108108559B (zh) 一种基于子结构的结构响应获取方法及灵敏度获取方法
CN110008521B (zh) 一种基于子区域插值的分布动载荷时域识别方法
CN105258847A (zh) 一种压力传感器校准的方法和装置
CN103049608A (zh) 基于约束边应变极值坐标的载荷辨识系统及方法
CN109141742B (zh) 一种用于车轮力传感器的非线性解耦方法
Zhao et al. A comprehensive compensation method for piezoresistive pressure sensor based on surface fitting and improved grey wolf algorithm
CN110018882B (zh) 一种基于宽度学习的虚拟机性能预测方法
CN103076035B (zh) 一种基于双支持向量机的传感器测量方法
CN109388858A (zh) 基于头脑风暴优化算法的非线性传感器校正方法
Che et al. A smoothing inexact Newton method for P 0 nonlinear complementarity problem
CN109451461A (zh) 一种基于农业物联网的传感器数据融合方法
CN104834790A (zh) 一种空间尺寸链公差分析方法
CN110580391B (zh) 一种柔性结构的基频模态测量方法
CN113687289B (zh) 一种非接触式微型电压传感器的测量及自校准方法及系统
Guan et al. Measurement of tire-pavement contact tri-axial stress distribution based on sensor array
CN107862113A (zh) 光栅动态测量在变速运动中的时效误差补偿方法
CN107169559A (zh) 一种求解多重定积分的对偶神经网络方法
Chuan et al. The application of RBF neural network in the compensation for temperature drift of the silicon pressure sensor
CN107607182B (zh) 一种卡车称重系统以及称重方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20170719

Address after: Fengxian County 221700 Jiangsu province Xuzhou city Huashan town seven Gangcheng District No. 17-18

Patentee after: Xuzhou Rongli Electronic Technology Co. Ltd.

Address before: 221111 in Jiangsu Province, the new city of Xuzhou City Fuchun Road No. 1

Patentee before: Xuzhou Institute of Technology

TR01 Transfer of patent right