System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开的实施例属于压力传感器,具体涉及一种基于svm的mems压力传感器非线性矫正方法、装置和电子设备。
技术介绍
1、mems压力传感器通常由敏感元件和转换电路组成,压力的变化由压力敏感元件的电阻率变化反应出来,信号转换电路将电阻率的变化转换成易处理的电压信号。mems压力传感器广泛应用于汽车电子、航空航天、石油化工和地热勘探等各种领域。
2、mems压力传感器的非线性误差是影响传感器精度的重要指标,非线性误差越大,精度越低。制造过程中的离散性和材料热膨胀系数的差异,使得mems压力传感器的输出量与压力之间的校准曲线总存在一定的非线性误差,影响了mems传感器的精度,mems压力传感器的非线性矫正问题亟须解决。
技术实现思路
1、本公开的实施例旨在至少解决现有技术中存在的技术问题之一,提供一种基于svm的mems压力传感器非线性矫正方法、
2、装置和电子设备。
3、一方面,本公开的实施例提供一种基于svm的mems压力传感器非线性矫正方法,所述方法包括:
4、根据非线性误差传递函数,建立mems压力传感器的svm非线性误差补偿模型;其中,所述svm非线性误差补偿模型采用训练压力、训练环境影响参量、以及对应的mems压力传感器的训练输出参量预先训练得到;
5、获取所述mems压力传感器的实际输出参量和实际环境影响参量;
6、将所述mems压力传感器的实际输出参量和实际环境影响参量输入至所述svm非线性误差补偿模
7、可选的,所述svm非线性误差补偿模型,具体训练过程如下:
8、获取所述mems压力传感器在所述训练压力和所述训练环境影响参量下输出的所述训练输出参量;
9、将所述mems压力传感器的训练输出参量和所述训练环境影响参量作为所述svm非线性误差补偿模型的输入,所述训练压力作为所述svm非线性误差补偿模型的输出,通过svm回归模式训练得到所述svm非线性误差补偿模型。
10、可选的,所述通过svm回归模式训练得到所述svm非线性误差补偿模型,包括:
11、输入多组所述训练输出参量、所述训练环境影响参量、以及对应的所述训练压力,并在经过多次非线性变换后,将多组所述训练输出参量、所述训练环境影响参量、以及对应的所述训练压力参量从原始维度空间变换为高维度空间,生成目标线性回归函数,所述目标线性回归函数具体为:
12、
13、其中,y为所述目标线性回归函数;l为待测量的目标总数;rj为第j个特征向量;ψ为核函数;a为支持向量,aj为第j个支持向量;τ为偏置量。
14、可选的,所述偏置量τ具体可采用下式得到:
15、
16、其中,l为待测量的目标总数;rj为第j个特征向量;ψ为核函数;a为支持向量,aj为第j个支持向量;g为样本数。
17、可选的,所述方法还包括利用遗传算法减小所述实际输出参量的非线性误差,具体步骤如下:
18、获取遗传计算所需的初始种群;
19、通过所述mems压力传感器生成包括所述训练压力、所述实际输出参量和所述实际环境影响参量的训练样本;
20、通过所述svm非线性误差补偿模型对所述实际输出参量进行训练,得到所述实际输出参量的适应度计算结果;
21、对比所述实际输出参量的适应度计算结果与所述训练压力,得到二者的平均相对误差;
22、在遗传算法的作用下对所述初始种群进行交叉与变异处理;
23、若遗传代数的输出结果不满足所述实际输出参量的预设要求,则利用所述遗传算法重新计算,直至所述遗传代数的输出结果满足所述实际输出参量的所述预设要求。
24、可选的,在所述获取遗传计算所需的初始种群之前,所述方法还包括:
25、设置所述遗传算法的种群迭代数量与svm惩罚函数并完成初始参数的确认;
26、根据所述mems压力传感器的实际工作环境设置不敏感损失函数参量;
27、通过分析所述不敏感损失函数参量的取值范围以形成所述遗传计算所需的初始种群。
28、可选的,所述通过所述mems压力传感器生成训练样本,包括:
29、对所述mems压力传感器进行去噪处理;
30、利用去噪处理后的所述mems压力传感器生成所述训练样本。
31、另一方面,本公开的实施例提供一种基于svm的mems压力传感器非线性矫正装置,所述装置包括:
32、建模模块,用于根据非线性误差传递函数,建立mems压力传感器的svm非线性误差补偿模型;其中,所述svm非线性误差补偿模型采用训练压力、训练环境影响参量、以及对应的mems压力传感器的训练输出参量预先训练得到;
33、获取模块,用于获取所述mems压力传感器的实际输出参量和实际环境影响参量;
34、矫正模块,用于将所述mems压力传感器的实际输出参量和实际环境影响参量输入至所述svm非线性误差补偿模型,预测得到所述mems压力传感器的实际真实输出参量,以对所述mems压力传感器进行非线性矫正。
35、另一方面,本公开的实施例还提供一种电子设备,包括:
36、一个或多个处理器;
37、存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的基于svm的mems压力传感器非线性矫正方法。
38、另一方面,本公开的实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的基于svm的mems压力传感器非线性矫正方法。
39、本公开的实施例的基于svm的mems压力传感器非线性矫正方法、装置和电子设备,通过采用svm非线性误差补偿模型对mems压力传感器进行矫正,能够提高传感器在复杂环境中的测量精度;有效识别和修改由传感器非线性特性引起的误差,确保输出结果的准确性,满足高精度测量的需求;减少了对硬件修改或替换的需求,能够避免频繁的硬件更新,降低成本投入及减少设备的维护难度和运营成本。
本文档来自技高网...【技术保护点】
1.一种基于SVM的MEMS压力传感器非线性矫正方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述SVM非线性误差补偿模型,具体训练过程如下:
3.根据权利要求2所述的方法,其特征在于,所述通过SVM回归模式训练得到所述SVM非线性误差补偿模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述偏置量τ具体可采用下式得到:
5.根据权利要求2所述的方法,其特征在于,所述方法还包括利用遗传算法减小所述实际输出参量的非线性误差,具体步骤如下:
6.根据权利要求5所述的方法,其特征在于,在所述获取遗传计算所需的初始种群之前,所述方法还包括:
7.根据权利要求5所述的方法,其特征在于,所述通过所述MEMS压力传感器生成训练样本,包括:
8.一种基于SVM的MEMS压力传感器非线性矫正装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,
【技术特征摘要】
1.一种基于svm的mems压力传感器非线性矫正方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述svm非线性误差补偿模型,具体训练过程如下:
3.根据权利要求2所述的方法,其特征在于,所述通过svm回归模式训练得到所述svm非线性误差补偿模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述偏置量τ具体可采用下式得到:
5.根据权利要求2所述的方法,其特征在于,所述方法还包括利用遗传算法减小所...
【专利技术属性】
技术研发人员:李维平,崔艳凤,焦祥锟,李晓波,
申请(专利权)人:南京高华科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。