基于协同训练与LS-SVM的集成传感器在线温度补偿

为利用机器学习对集成传感器实现在线补偿,使算法具有标定未知样本和更新样本集的能力,利用协同训练的方式,对最小二乘支持向量回归机进行改进,提出基于协同训练的支持向量回归算法,使用临近法对未知样本进行标定和选择,同时对新的样本空间进行剪枝,在保证反映新样本特性的前提下尽量减少对学习模型影响小的样本数量。实验证明,该算法在泛化能力不下降的情况下提高了回归精度,运用在集成传感器的在线补偿上,能降低获的成本,并取得良好的补偿效果。     

改进GA-SVM的湿度传感器温度补偿研究

针对地面遥测自动气象站采用的HMP-45D湿度传感器测量准确度易受温度影响的问题,通过改进遗传算法(GA)的适应度函数、选择、交叉、变异操作优化支持向量机(SVM)的惩罚函数、径向基核函数、不敏感损失函数,利用不同温湿度条件下的多组实测数据,建立了温度补偿模型,并与传统的SVM回归模型补偿结果对比分析。实验结果表明,利用GA-SVM模型进行温度补偿最大误差绝对值为0.1367%,比传统SVM温度补偿模型提高了2.8351%,GA-SVM算法克服了传统SVM补偿算法补偿精度低、处理速度慢的问题,具有全局寻优能力强、收敛速度快、补偿精度高的特点,能够有效地对湿度传感器进行温度补偿。     

基于改进机器学习的输电线路弧垂温度估计方法

针对采空区地质塌陷造成的杆塔倾斜、构件断裂等问题,以及现有输电线路弧垂和温度估计方法抗干扰性较低且准确度不高,为此,提出了一种基于LoRa通信与神经网络的输电线路弧垂温度非接触式监测,以保障输电线路的安全运行。首先,利用安装在线路上的智能摄影机和传感器获得线路的弧垂与温度数据。然后,提出了基于LoRa的远程无线通信系统传输监测数据,并发送至数据采集与监视控制系统进行分析以估计线路状态。最后,基于遗传-支持向量机算法估计输电线路的弧垂,以及采用GA-Elman神经网络算法估计输电线路的温度,提高了线路状态估计的准确率。采用搭建的实验平台对所提方法进行论证,结果表明所提方法能够快速获取复杂环境下的监测数据,并且弧垂温度估计准确率优于其他对比方法。