|
|
|
| 针对气体传感器漂移补偿的支持向量机自训练分类方法 |
| 董晓睿商凯杨建磊崔健 |
| 中国石油大学胜利学院 |
|
|
|
|
摘要 传感器漂移是影响气体传感检测系统稳定性的重要问题之一。本文提出了一种基于支持向量机的在线漂移补偿的分类模型设计方法,并在此基础上引入遗忘系数以应对漂移影响和保证数据集平衡状态,引入起学系数来避免因数据集不平衡而导致模型一直无法得到训练的极端情况出现。经实验验证,改进的分类模型能够延长传感器的可靠使用时间,并对短中期的分类效果有一定程度的提升,模型自训练过程无须人工参与,符合现实应用场景。本文提出的研究思路和方法对相关领域的研究有一定的参考意义。
|
|
| 关键词 ：
传感器漂移,
支持向量机,
自训练,
化学气体传感器,
在线漂移补偿
|
|
|
| 基金资助:国家自然科学基金资助项目（61262047）； |
| [1] |
林子黄薏辰张扬刘诚杨俊清. 基于支持向量机相关性分析的波浪能发电电力负荷预测[J]. 南昌大学学报（理科版）, 2019, 43(5): 504-. |
| [2] |
董晓睿饶泓崔浩赵光秋万爱辉. 一种启发式的支持向量机多分类层次树结构构造方法[J]. 南昌大学学报（理科版）, 2019, 43(3): 296-. |
| [3] |
郑超英叶贝鸽刘萍邱桃荣. 一种基于核主成分分析的驾驶疲劳状态预测方法[J]. 南昌大学学报（理科版）, 2019, 43(2): 182-. |
| [4] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [5] |
段文影饶泓段隆振马海亮. 基于IA参数寻优组合核的SVM文本分类研究[J]. 南昌大学学报（理科版）, 2018, 42(3): 289-. |
| [6] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [7] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [8] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
| [9] |
沈渊彬； 刘庆珍； 李友军； 苏申. 基于模糊组合权重的BA-SVM短期负荷预测[J]. 南昌大学学报（工科版）, 2015, 37(03): 300-. |
| [10] |
陆荣秀；杨辉；欧阳超明；朱璐闻； . 基于PCA-LS_SVM的镨\钕萃取过程元素组分含量预测[J]. 南昌大学学报（理科版）, 2013, 37(06): 589-. |
| [11] |
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法[J]. 南昌大学学报（理科版）, 2013, 37(03): 287-. |
| [12] |
姜海燕； 杜民. 基于最小二乘支持向量机的纳米金免疫层析试条快速定量[J]. 南昌大学学报（工科版）, 2012, 34(03): 283-. |
| [13] |
林苏斌； 陈为. 基于支持向量机的热电偶高频磁场环境测温误差校正[J]. 南昌大学学报（工科版）, 2012, 34(02): 183-. |
| [14] |
徐敏； 袁建洲； 刘四新； 郭含. 基于支持向量机的短期风电功率预测[J]. 南昌大学学报（工科版）, 2012, 34(02): 201-. |
| [15] |
曾勍炜; 徐知海; 付爱英; 邓庚盛. 融合蚁群算法与支持向量机的网络流量预测[J]. 南昌大学学报（理科版）, 2011, 35(04): 1-. |
|
|
|
|
