基于 PSO-SVM的电化学传感器非线性校正研究

作     者：耿瑞林 

作者单位：西安科技大学 

学位级别：硕士

导师姓名：王振平;吴奉亮;文虎

授予年度：2016年

学科分类：080202[工学-机械电子工程] 08[工学] 0802[工学-机械工程] 

主      题：电化学传感器 非线性校正 支持向量机 微粒群优化算法 

摘      要：在测试系统中传感器起着至关重要的作用，其输出信号的可靠性和自身性能的优劣决定了整个测试系统的质量。在工程应用中，诸多环境因素都会对传感器的性能造成影响，进而使整个系统的测量精度降低、系统稳定性变差。而工作环境的温度对电化学传感器的影响尤为明显。所以，为了使电化学传感器的性能得到改善，进而使测试系统的测量范围和精度得到提升，对电化学传感器采用非线性校正是尤为必要的。\n 本论文针对现有的电化学传感器非线性校正方法中的缺陷以及支持向量机（SVM）核函数的参数不能轻易确定等问题，结合微粒群优化算法（PSO）在粒子寻优方面的优点，提出一种微粒群优化支持向量机的方法，建立了电化学传感器非线性校正的模型，并对如何实现微粒群优化算法对支持向量机进行参数优化的过程进行了阐述。\n 应用 Matlab软件对矿用多参数气体传感器进行非线性校正，并对微粒群优化支持向量机方法（PSO-SVM）的可行性进行了验证。与此同时，将非线性校正的结果分别与单独采用支持向量机的方法和单独采用 BP神经网络方法所得到的校正结果进行对比分析，以验证该方法具有优越性。\n 实验结果表明：与单独采用支持向量机方法校正的结果相比，粒子群优化支持向量机方法（PSO-SVM）能更好地的对支持向量机及其核函数的参数进行选取，实现各个参数间的最优化搭配；采用BP神经网络的方法使得O2和CO的传感器原始的最大百分比误差分别从6.58%和18.48%下降到2.79%和8.51%，而采用粒子群优化的径向基核函数支持向量机使其原始的最大百分比误差分别下降到2.49%和5.28%。对于O2电化学传感器，通过 BP神经网络法获得的传感器输出值均方根误差和平均绝对百分比误差为0.52%和2.39%，而粒子群优化支持向量机方法所获得的均方根误差和平均绝对百分比误差为0.27%和1.11%；对于CO电化学传感器，通过BP神经网络法获得的传感器输出值的均方根误差和平均绝对百分比误差为55ppm和4.80%，而粒子群优化支持向量机方法所获得的均方根误差和平均绝对百分比误差为20ppm和1.48%。由对比分析可知，经过粒子群优化支持向量机的方法的非线性校正后，传感器的性能有显著的改善，可以获得更加精确地输出结果。