CN108955743B - 一种基于机器学习提高测量设备校准精度的方法及装置 - Google Patents
一种基于机器学习提高测量设备校准精度的方法及装置 Download PDFInfo
- Publication number
- CN108955743B CN108955743B CN201810686714.0A CN201810686714A CN108955743B CN 108955743 B CN108955743 B CN 108955743B CN 201810686714 A CN201810686714 A CN 201810686714A CN 108955743 B CN108955743 B CN 108955743B
- Authority
- CN
- China
- Prior art keywords
- voltage
- readings
- calibration
- sampling
- mean value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明一种基于机器学习提高测量设备校准精度的方法及装置,所述方法包括:步骤a:根据测量设备所使用模拟器件的技术规格估计采样读数的均值a(j)和方差v(j),并将标准源输出的特定电压U(j)作为校准电压;步骤b:待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数X(j,i);步骤c:更新采样读数的均值a(j)、测量设备采样读数方差v(j)的估值;步骤d:针对每个校准电压U(j),获得相对应的测量设备采样读数的均值a(j),利用获得的测量设备采样读数的均值a(j)做数据拟合,将拟合结果记录为校准结果。本发明能够达到降低偶然性因素影响,提升校准精度。
Description
技术领域
本发明涉及测量设备校准技术领域,特别涉及一种基于机器学习提高测量设备校准精度的方法及装置。
背景技术
测量设备在使用前都需要由标准源设备进行校准,校准之后才可以对所测物理量实施准确的测量。比如电压测量,目前的校准方法包括:第1步:标准源输出指定电压信号;第2步:待校准的测量设备对由标准源输入的电压信号进行测量并记录读数;第3步:设置标准源输出下一个电压信号并且重复第2步;第4步:在所有校准电压都测量完毕后,利用线性回归算法做数据拟合,拟合过程采用最小二乘法算法;第5步:针对记录数据的拟合完毕后,记录拟合斜线斜率及偏置作为校准结果;第6步:在测量过程中,测量设备对输入待测信号产生一个读数,再由校准结果计算其真实电压值。
现有技术的缺点在于其第2步总是一次性的记录一个读数并以此作为数据拟合校准的依据,具有较大的偶然性,影响校准精度。
发明内容
本发明提供了一种基于机器学习提高测量设备校准精度的方法及装置,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种基于机器学习提高测量设备校准精度的方法,包括:
步骤a:根据测量设备所使用模拟器件的技术规格估计采样读数的均值a(j)和方差v(j),并将标准源输出的特定电压U(j)作为校准电压;
步骤b:待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数X(j,i);
步骤c:利用最大似然函数和贝叶斯学习算法计算并更新采样读数的均值a(j)、测量设备采样读数方差v(j)的估值;
步骤d:更新校准电压U(j),重复步骤b和步骤c,针对每个校准电压U(j),获得相对应的测量设备采样读数的均值a(j),利用获得的测量设备采样读数的均值a(j)做数据拟合,将拟合结果记录为校准结果。
本发明实施例采取的技术方案还包括:在所述步骤a中,利用测量设备所使用的模拟器件的出厂技术规格作为先验概率。
本发明实施例采取的技术方案还包括:在所述步骤b中,待校准设备对标准源输入的电压进行采样的次数为N,记录所有输入电压采样的读数X(j,i)(i=1,...,N)。
本发明实施例采取的技术方案还包括:在所述步骤d中,所述获得的测量设备采样读数的均值a(j)为多个。
本发明实施例采取的另一技术方案为:一种基于机器学习提高测量设备校准精度的装置,包括:采样读数估计模块、特定电压输出模块、电压采样记录模块、计算模块、重复模块和数据拟合模块,所述采样读数估计模块用于根据测量设备所使用模拟器件的技术规格估计采样读数的均值a(j)和方差v(j);所述特定电压输出模块用于使标准源输出的特定电压U(j)作为校准电压;所述电压采样记录模块用于使待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数X(j,i);所述计算模块用于利用最大似然函数和贝叶斯学习算法计算并更新采样读数的均值a(j)、测量设备采样读数方差v(j)的估值;所述重复模块用于更新校准电压U(j),针对每个校准电压U(j),获得相对应的测量设备采样读数的均值a(j);所述数据拟合模块用于利用获得的测量设备采样读数的均值a(j)做数据拟合,将拟合结果记录为校准结果。
本发明实施例采取的技术方案还包括:所述采样读数估计模块利用测量设备所使用的模拟器件的出厂技术规格作为先验概率。
本发明实施例采取的技术方案还包括:所述电压采样记录模块对待校准设备对标准源输入的电压进行采样的次数为N,记录所有输入电压采样的读数X(j,i)(i=1,...,N)。
本发明实施例采取的技术方案还包括:所述重复模块针对每个校准电压U(j)获得的测量设备采样读数的均值a(j)为多个。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的基于机器学习提高测量设备校准精度的方法及装置针对每个校准电压做多次测量记录,并将校准中搜集的记录读数看成学习样本,利用贝叶斯学习算法对待校准的测量设备在已知电压下的读数的概率分布参数进行估算;本发明实施例的基于机器学习提高测量设备校准精度的方法利用测量设备所使用的模拟器件的出厂技术规格作为先验概率,校准中的测量数据作为样本提供器件的实际工作信息,两者结合计算出器件概率分布的后验概率分布参数作为校准的最终结果,从而达到降低偶然性因素影响,提升校准精度。
附图说明
图1是本发明实施例的基于机器学习提高测量设备校准精度的方法的流程图;
图2是本发明实施例的基于机器学习提高测量设备校准精度的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1是本发明实施例的基于机器学习提高测量设备校准精度的方法的流程图。本发明实施例的基于机器学习提高测量设备校准精度的方法包括:
步骤100:根据测量设备所使用模拟器件的技术规格估计采样读数的均值a(j)和方差v(j);
在步骤100中,利用测量设备所使用的模拟器件的出厂技术规格作为先验概率,均值表示一系列数据或统计总体的平均特征的值,方差是衡量源数据和期望值相差的度量值。
步骤200:标准源输出特定电压U(j);
在步骤200中,标准源输出的特定电压U(j)作为校准电压,标准源输出特定电压U(j)至少为一个。
步骤300:待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数X(j,i);
在步骤300中,待校准设备对标准源输入的电压进行采样的次数为N,记录所有输入电压采样的读数X(j,i)(i=1,...,N)。
步骤400:利用最大似然函数计算并更新采样读数的均值a(j)、测量设备采样读数方差v(j)的估值;
在步骤400中,最大似然函数公式为:
其中,a(j)为测量设备采样读数的均值,v(j)为测量设备采样读数方差,X(j,i)为输入电压采样的读数。
最大似然函数要估计的参数被当作是固定形式的一个未知变量,然后结合真实数据通过最大化似然函数来求解这个固定形式的未知变量。贝叶斯学习算法则是将参数视为是有某种已知先验分布的随机变量,表示该参数不是一个固定的未知数,而是符合一定先验分布,如:随机变量符合正态分布,那么在贝叶斯学习算法中除了类条件概率密度p(x|w)符合一定的先验分布,参数也符合一定的先验分布,通过贝叶斯规则将参数的先验分布转化成后验分布进行求解。在贝叶斯模型使用过程中,贝叶斯学习算法用的是后验概率,而最大似然函数直接使用的是类条件概率密度。
步骤500:更新校准电压U(j),针对每个校准电压U(j),是否获得相对应的测量设备采样读数的均值a(j),如果没有获得相对应的测量设备采样读数的均值a(j),则重复步骤200至步骤400,如果获得相对应的测量设备采样读数的均值a(j),则进入步骤600;
步骤500中,重复步骤200至步骤400,直到所有校准电压都测量完毕。
步骤600:利用一系列测量设备采样读数的均值a(j)而非某次单独的记录读数做数据拟合,拟合结果记录为校准结果。
请参阅图2,图2是本发明实施例的基于机器学习提高测量设备校准精度的装置的结构示意图。本发明实施例的基于机器学习提高测量设备校准精度的装置包括:采样读数估计模块、特定电压输出模块、电压采样记录模块、计算模块、重复模块和数据拟合模块。采样读数估计模块用于根据测量设备所使用模拟器件的技术规格估计采样读数的均值a(j)和方差v(j)。采样读数估计模块利用测量设备所使用的模拟器件的出厂技术规格作为先验概率,均值表示一系列数据或统计总体的平均特征的值,方差是衡量源数据和期望值相差的度量值。特定电压输出模块用于使标准源输出特定电压U(j)。标准源输出的特定电压U(j)作为校准电压,标准源输出特定电压U(j)至少为一个。电压采样记录模块用于使待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数X(j,i)。计算模块用于利用最大似然函数计算并更新采样读数的均值a(j)、测量设备采样读数方差v(j)的估值。
其中,a(j)为测量设备采样读数的均值,v(j)为测量设备采样读数方差,X(j,i)为输入电压采样的读数。
最大似然函数要估计的参数被当作是固定形式的一个未知变量,然后结合真实数据通过最大化似然函数来求解这个固定形式的未知变量。贝叶斯学习算法则是将参数视为是有某种已知先验分布的随机变量,表示该参数不是一个固定的未知数,而是符合一定先验分布,如:随机变量符合正态分布,那么在贝叶斯学习算法中除了类条件概率密度p(x|w)符合一定的先验分布,参数也符合一定的先验分布,通过贝叶斯规则将参数的先验分布转化成后验分布进行求解。在贝叶斯模型使用过程中,贝叶斯学习算法用的是后验概率,而最大似然函数直接使用的是类条件概率密度。重复模块用于更新校准电压U(j),针对每个校准电压U(j),获得相对应的测量设备采样读数的均值a(j)。数据拟合模块用于利用一系列测量设备采样读数的均值a(j)而非某次单独的记录读数做数据拟合,拟合结果记录为校准结果。
本发明实施例的基于机器学习提高测量设备校准精度的方法及装置针对每个校准电压做多次测量记录,并将校准中搜集的记录读数看成学习样本,利用贝叶斯学习算法对待校准的测量设备在已知电压下的读数的概率分布参数进行估算;本发明实施例的基于机器学习提高测量设备校准精度的方法利用测量设备所使用的模拟器件的出厂技术规格作为先验概率,校准中的测量数据作为样本提供器件的实际工作信息,两者结合计算出器件概率分布的后验概率分布参数作为校准的最终结果,从而达到降低偶然性因素影响,提升校准精度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于机器学习提高测量设备校准精度的方法,其特征在于,包括:
步骤a:根据测量设备所使用模拟器件的技术规格估计采样读数的均值aj和方差vj,并将标准源输出的特定电压Uj作为校准电压;
步骤b:待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数Xj,i;
步骤c:利用最大似然函数和贝叶斯学习算法计算并更新采样读数的均值aj、测量设备采样读数方差vj的估值;
步骤d:更新校准电压Uj,重复步骤b和步骤c,针对每个校准电压Uj,获得相对应的测量设备采样读数的均值aj,利用获得的测量设备采样读数的均值aj做数据拟合,将拟合结果记录为校准结果;
在所述步骤b中,待校准设备对标准源输入的电压进行采样的次数为N,记录所有输入电压采样的读数Xj,i(i=1,...,N),
2.根据权利要求1所述的基于机器学习提高测量设备校准精度的方法,其特征在于,在所述步骤a中,利用测量设备所使用的模拟器件的出厂技术规格作为先验概率。
3.根据权利要求1所述的基于机器学习提高测量设备校准精度的方法,其特征在于,在所述步骤d中,所述获得的测量设备采样读数的均值aj为多个。
4.一种基于机器学习提高测量设备校准精度的装置,其特征在于,包括:采样读数估计模块、特定电压输出模块、电压采样记录模块、计算模块、重复模块和数据拟合模块,所述采样读数估计模块用于根据测量设备所使用模拟器件的技术规格估计采样读数的均值aj和方差vj;所述特定电压输出模块用于使标准源输出的特定电压Uj作为校准电压;所述电压采样记录模块用于使待校准设备以一定的时间间隔对标准源输入的电压进行多次采样,并记录所有输入电压采样的读数Xj,i;所述计算模块用于利用最大似然函数和贝叶斯学习算法计算并更新采样读数的均值aj、测量设备采样读数方差vj的估值;所述重复模块用于更新校准电压Uj,针对每个校准电压Uj,获得相对应的测量设备采样读数的均值aj;所述数据拟合模块用于利用获得的测量设备采样读数的均值aj做数据拟合,将拟合结果记录为校准结果;
所述电压采样记录模块对待校准设备对标准源输入的电压进行采样的次数为N,记录所有输入电压采样的读数Xj,i(i=1,...,N),
5.根据权利要求4所述的基于机器学习提高测量设备校准精度的装置,其特征在于,所述采样读数估计模块利用测量设备所使用的模拟器件的出厂技术规格作为先验概率。
6.根据权利要求4所述的基于机器学习提高测量设备校准精度的装置,其特征在于,所述重复模块针对每个校准电压Uj获得的测量设备采样读数的均值aj为多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686714.0A CN108955743B (zh) | 2018-06-27 | 2018-06-27 | 一种基于机器学习提高测量设备校准精度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686714.0A CN108955743B (zh) | 2018-06-27 | 2018-06-27 | 一种基于机器学习提高测量设备校准精度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108955743A CN108955743A (zh) | 2018-12-07 |
CN108955743B true CN108955743B (zh) | 2021-05-18 |
Family
ID=64487492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810686714.0A Active CN108955743B (zh) | 2018-06-27 | 2018-06-27 | 一种基于机器学习提高测量设备校准精度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108955743B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311956B2 (en) * | 2009-08-11 | 2012-11-13 | At&T Intellectual Property I, L.P. | Scalable traffic classifier and classifier training system |
CN101915902B (zh) * | 2010-09-06 | 2013-04-24 | 株洲南车时代电气股份有限公司 | 一种现场测试设备的校准方法及校准系统 |
CN102032974B (zh) * | 2010-11-15 | 2012-06-27 | 浙江工商大学 | 一种压力传感器温度补偿方法 |
US9702759B2 (en) * | 2013-12-17 | 2017-07-11 | Xerox Corporation | Machine learning and rate-distortion cost functions for enabling the optimization of device calibration |
CN107861089A (zh) * | 2017-09-26 | 2018-03-30 | 国网江西省电力公司电力科学研究院 | 一种适应于特殊运行工况的智能电能表测试方法 |
CN108169700A (zh) * | 2017-12-29 | 2018-06-15 | 诺仪器(中国)有限公司 | 电流传感器的角差校准系统及方法 |
-
2018
- 2018-06-27 CN CN201810686714.0A patent/CN108955743B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108955743A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
CN112946560B (zh) | 电能表校准方法、装置、电能表及电能表系统 | |
CN103475369B (zh) | 基于信号源误差一次性校准识别的高精度adc测试方法 | |
EP3111559B1 (en) | On-chip analog-to-digital converter (adc) linearity test for embedded devices | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
CN114487976B (zh) | Mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN109391383A (zh) | 最大时间间隔误差测量方法 | |
CN108955743B (zh) | 一种基于机器学习提高测量设备校准精度的方法及装置 | |
CN109145258B (zh) | 基于非线性拟合的威布尔分布参数置信区间估计方法 | |
CN110672058B (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
CN114839552A (zh) | 一种基于wasserstein距离的电池SOH估计方法及装置 | |
CN112836166B (zh) | 基于响应峰分析的等间采样实验监测数据一阶微分算法 | |
CN110032758B (zh) | 计算电信号的能量的方法、装置和计算机存储介质 | |
CN112016045A (zh) | 纳秒级脉冲功率计数据处理方法 | |
CN113656953B (zh) | 一种基于状态数最优决策模型的风电功率序列建模方法 | |
Jakubiec et al. | Error model application in neural reconstruction of nonlinear sensor input signal | |
CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
CN114383646B (zh) | 一种连续变化型被测量传感器分辨力的检测方法和设备 | |
CN113822354B (zh) | 基于贝叶斯反演算建模的微纳米探头动态特性补偿方法 | |
CN117325699B (zh) | 一种用于液冷超充技术的安全监控系统 | |
CN113191561B (zh) | 一种基于高斯混合模型的径流随机模拟方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |