热导传感器温度特性的CPSO-SVM数据融合校正

为了消除环境温度对热导气体传感器的影响,提出了一种热导传感器温度特性的经典粒子群优化--支持向量机(CPSO-SVM)数据融合校正方法。该方法将热导传感器和温度传感器构成传感器组,利用支持向量机对传感器组的输出信号进行数据融合,采用经典粒子群优化算法和测试样本集均方根误差与平均绝对百分比误差同时最小原则选择和优化支持向量机的参数向量。对氢气浓度的检测实验表明,该方法能有效地改善传感器的温度特性,实现了气体浓度的精确检测。     

基于微型泵吸式的矿用红外一氧化碳传感器研制

现有基于电化学原理的矿用一氧化碳传感器测量数据易受烷类气体、氢气苯类等气体及矿井环境压力的影响,测量结果误差大,且需定期调校。针对该问题,研制了一种基于微型泵吸式的矿用红外一氧化碳传感器。该传感器基于非分散式红外吸收原理,利用CO气体对4.5μm的红外辐射具有强烈的吸收,通过测量红外辐射的初始能量和红外辐射被气体吸收后的能量,检测出CO气体浓度。针对扩散式一氧化碳传感器检测采样速度慢,检测结果容易受检测环境的风速、温度等外界因素干扰的问题,采用微型泵吸式检测方式,气体通过微型气泵的流动进入红外敏感元件气室,保证了传感器气流的稳定性。6个月的工业性试验结果表明,该传感器相比传统电化学传感器,具有红外波长固定、测量数据不受其他气体影响的优势;使用中,矿用红外一氧化碳传感器的维护周期大于6个月,主要维护操作是清洁处理,无需更换敏感元件及标校。     

基于OBLPSO-LSSVM的一氧化碳浓度检测

为了提高CO浓度检测精度,提出一种反向学习机制粒子群算法（OBLPSO）优化最小二乘支持向量机（LSSVM）的CO浓度检测模型（OBLPSO-LSSVM）。构建CO浓度检测的学习样本,输入到LSSVM中训练,通过引入反向学习机制的粒子群算法找到LSSVM的最优参数建立CO浓度检测模型,在Matlab2012平台对模型性能进行仿真测试。结果表明,OBLPSO．LSSVM可以精确描述CO检测系统的输入与输出间的非线性变化关系,提高了CO浓度检测精度,具有一定的实际应用价值。     

一类非线性系统基于最小二乘支持向量机的自适应H∞控制

提出一类非线性不确定系统基于最小二乘支持向量机的白适应H∞控制方法．该方法基于最小二乘支持向量机估计对象的未知非线性函数,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则．引入H∞控制器用于减弱外部干扰及最小二乘支持向量机近似误差对输出误差的影响．利用李亚普诺夫理论证明了整个闭环系统一致最终有界稳定．仿真结果表明了该方法的有效性．     

基于小波支持向量机的传感器非线性校正

结合支持向量机和小波理论的优点,提出了一种基于小波核支持向量机的传感器非线性误差校正的原理和方法.该方法利用小渡的多尺度插值特性和稀疏变化特性,提高了支持向量机的泛化能力和抗噪声能力.将该方法用于电涡流传感器的非线性校正,实验结果表明该小波核方法的校正效果优于传统的多项式拟舍方法和RBF核支持向量机,提高了电涡流传感器测量的准确性.     

基于STM32F和极限学习机在火灾检测中的应用

针对传统单一信号的火灾检测方式存在误判问题,以及布线复杂并且性价比低的弱点,提出了基于STM32F和极限学习机火灾检测方法;该方法首先通过STM32F模块采集多个传感器的值（烟雾传感器,甲烷传感器,可燃气体传感器,一氧化碳传感器）,WLAN为载体进行数据发送,然后采用加权滤波对数据进行去噪处理,获得极限学习机的训练和测试样本库,模型训练结束后,以测试数据进行方法验证,并对验证结果进行评估。结果表明,该方法能够准确判断火灾类型,准确度达到90%以上。在火灾处理算法方面,极限学习机相对于BP神经网络、支持向量机和贝叶斯网络训练时间短,准确率高,具有较高的应用于推广价值。     

支持向量机回归方法在故障诊断中的应用研究

支持向量回归是支持向量机用于回归中的情况,首先介绍基于支持向量机的线性回归和非线性回归的基本原理,然后提出一种时间序列预测方法和误差评价的方法,最后在matlab中模拟简化同步的异常情况,通过实时采集的数据与多步预测值的残差来判断电机的异常,实验表明利用支持向量机回归能及时跟踪输出数据的变化,对设备进行在线故障检测是非常有效的。     

粮情智能测控系统中的数据融合技术研究

粮情智能测控系统是保证粮食储藏安全的关键措施之一。针对目前粮情智能测控系统中单一传感器存在测量不足、粮情安全状态难以判断且无法直接检测等问题,研究了一种基于粒子群优化最小二乘支持向量机的粮情安全状态数据融合方法。以粮情数据为研究对象,以粮情安全状态检测为目的,构建基于最小二乘支持向量机的数据融合模型,并采用粒子群优化算法对最小二乘支持向量机的关键参数进行寻优,获取最佳的数据融合结果。根据广西某粮库提供的数据进行实例分析,数据融合结果与实际值误差较小,均方误差为0.06,结果表明,该方法在粮情安全状态的检测上表现出优越的性能,具有科学性和可行性,提高了粮情智能测控系统的准确性和可靠性。     

红外甲烷传感器非线性动态补偿的研究

红外甲烷传感器作为瓦斯监测主要传感器之一,非线性动态影响到它的测量准确度和测量范围,不利于安全生产.针对这一问题,采用最小二乘支持向量机非线性动态方法对传感器进行补偿,并对算法予以改进.通过仿真实验加以比较,实验结果表明:基于改进最小二乘支持向量机非线性动态补偿,传感器测量准确性和测量范围大大提高,对促进安全生产有积极...     

基于多任务支持向量机的能源互联网数据深度融合方法

在多任务环境下，能源互联网数据冗余干扰较强，后期数据处理误差较大，故提出一种基于多任务支持向量机的能源互联网数据深度融合方法。数据层融合接收待融合能源互联网数据后实施数据离散化、矩阵化处理，将处理后数据发送至特征层融合内，特征层融合利用互信息变量选择算法，提取数据分类特征，并将所提取特征作为决策层融合多任务支持向量机输入，多任务支持向量机将支持向量机各数据分组视为子任务，运算过程中需保证全部学习机间全局差异最小化实现子学习机局部最优化，多任务支持向量机实施数据决策级融合后输出最终融合结果。实验结果表明，该方法准确率高于99%,且融合加入10 dB白噪声的能源互联网数据最小均方误差仍低于1%。     

基于ABC-PSO的ε-SVM在甲烷测量中的应用

针对红外甲烷传感器在工业现场测量时易受到温度、湿度以及类似气体等非目标变量的影响,提出了一种基于人工蜂群和粒子群混合优化算法(ABC-PSO)的支持向量机模型(ABC-PSO-ε-SVM)对其进行校正.将ABC算法与PSO算法并行组合构成混合优化算法,能够感知非目标变量的变化,快速、准确地搜索到SVM参数.实验中,采用红外甲烷传感器对0％～5.05％浓度的16组标准甲烷气体进行测量,将其中11组数据作为训练集,5组数据作为测试集,建立e-SVM回归校正模型并进行预测.结果表明:模型的回归拟合效果好,预测精度比单一优化算法的SVM模型高.     

基于最近邻域法的气体传感器模式识别技术研究

提出将气体传感器阵列检测与最近邻域法相结合的方法实现气体的模式识别。设计了用该方法进行气体识别的实验系统。该方法具有实验次数少,且识别准确度高的优点。实验以3只金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程与识别结果。通过对CH4,H,CO 3种气体进行识别实验,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

多气体的SVM数据融合定性识别方法

针对基于神经网络的多气体定性识别方法中存在的过学习和泛化能力差的问题,提出了一种基于支持向量机(SVM)与多传感器数据融合的多气体定性识别方法。该方法采用结构化风险最小化准则的多类分类支持向量机对由多个气体传感器、温度和湿度传感器组成的传感阵列的数据进行融合,克服了传统方法的缺陷,消除了环境温度与湿度等因素的影响,实现了100%的定性识别率,实验结果证明了该方法的有效性。     

基于最小二乘支持向量机的瓦斯传感器非线性校正

依据瓦斯传感器样本,文章提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正瓦斯传感器非线性误差的方法,详细介绍了SVM回归估计校正方法和LS-SVM校正方法的原理。该方法不需逆模型函数形式的先验知识,能够保证找到的极值解就是局最优解,具有较好的泛化能力。实例应用表明,采用该方法校正后的传感器的检测精度可达到0.4%,效果令人满意。     

神经网络和SVM多传感器融合的隧道CO体积分数研究

利用BP,RBF神经网络、支持向量机(SVM)不同信息融合模型对高速公路隧道中失效CO传感器数据融合研究,比较了单一融合模型融合效果和不同最优加权信息融合模型融合效果。仿真实验表明:3种单一融合模型对隧道CO体积分数融合的有效性,其中单一SVM融合模型效果最好。最优加权融合性能均优于单一融合模型,其中,BP与SVM最优加权融合精度最高。还分析单一融合模型输出之间的冗余度对最优加权融合精度的影响规律,该规律为参与最优加权融合的单一模型筛选提供了一种新方法。     

调制电势脉冲型O2／CO2双组份电化学气体传感器研究

基于直接电流法检测ＣＯ２及Ｏ２干扰机理的研究,提出了调制电势脉冲－电流／库仑法快速同时测定Ｏ２和ＣＯ２的新原理,使用微电极并融合计算机控制的快速电势调制技术,建立了调制电势脉冲型Ｏ２／ＣＯ２双组份电化学气体传感器的原型装置,实现了常温下Ｏ２和ＣＯ２气体的快速同时检测。     

粒子群优化SVM在气体定量分析中的应用

针对机动车尾气排放CO气体的定量分析中,支持向量机建模的参数难以确定、光谱数据计算量过大等问题,提出了一种自适应变异粒子群优化的支持向量机方法,对浓度范围在0.5%~8%的20组不同浓度的CO气体进行定量分析。通过对汽车尾气中CO气体的初始数据进行优化,再将优化的核函数带入支持向量机进行浓度的回归分析,将结果与BP神经网络模型回归效果作对比,实验表明：粒子群寻优得到的最优参数c=39.3152,g=0.17855;BP神经网络的适应度值在迭代60次之后趋于稳定,SVM建模时间约为BP网络的1/30,且SVM预测精度明显高于BP网络。相比与BP网络,SVM更适合处理气体定量分析问题。     

无线CO电化学传感器应用设计

传统CO传感器在很多场合存在布线难的问题,在研究其工作原理的基础上,采用C8051F单片机和CC1100无线收发器,设计了一个无线CO电化学传感器。该传感器除了具有实时显示、超标报警、无线通信和电流输出功能外,还具有温度修正和零点自调校等功能,可用于煤矿或地下车库等场合的CO浓度在线监测,具有一定的工程应用价值。     

基于CS-CPSO与SVM融合的WSNs入侵检测算法

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度,提出了一种基于完全正弦映射混沌粒子群优化(cS-cPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM).采用CS-CPSO算法优化SVM参数,不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生,且将其用于惯性权重的优化以及随机常数和学习因子的产生,并用多个初始值分别迭代生成多条混沌轨道.以KDDCUP99数据集作为实验数据,经理论分析与仿真实验表明:该方法可以有效地检测入侵行为,并具有良好的检测精度与收敛速度.