基于QPSO—SVM算法的PDS變送器溫度補(bǔ)償方法

1、基于QPSOSVM算法的PDS變送器溫度補(bǔ)償方法*The temperaturecompensation methodbased on QPSOSVM algorithm of the PDS transmitter*謝先偉1，田英明2， 張進(jìn)2 (1.重慶工程職業(yè)技術(shù)學(xué)院信息工程學(xué)院 重慶，400050)(1.Chongqing Vocational Institute of Engineering Chongqing,400050)按照要求加入單位英文名稱(2.重慶川儀自動(dòng)化股份有限公司技術(shù)中心 重慶，401121)(2.Chongqing ChuanYi Automation Limit

2、ed by Share Ltd Chongqing,401121)摘要：由于PDS壓力變送器1 的測量數(shù)據(jù)會(huì)隨著溫度的變化而發(fā)生溫度漂移，本文提出了量子粒子群2（QPSO）算法和支持向量機(jī)3（SVM）算法相結(jié)合的方法對壓力變送器的輸出數(shù)據(jù)進(jìn)行補(bǔ)償處理，通過QPSO算法優(yōu)化SVM參數(shù)、，然后利用SVM的函數(shù)擬合建立補(bǔ)償模型；通過分析工程實(shí)驗(yàn)結(jié)果，該方法在全局收斂性、非線性目標(biāo)函數(shù)逼近能力等方面效果顯著，在壓力傳感器溫度補(bǔ)償處理上具有較高的實(shí)用性。關(guān)鍵詞：量子粒子群（QPSO）算法、支持向量機(jī)（SVM）算法、壓力變送器、函數(shù)擬合Abstract: Because the Grating measu

3、ringdata isolationpressure transmitter1occurtemperature drift andzero driftdue to temperaturechange,，This paper presentsa genetic 2(GA)algorithm and supportvector machine(SVM)methodof 3algorithm combined with theoutput data ofpressure transmitterfor compensating treatment，It get theparameters andwit

4、h theSVM though genetic methodoptimize,Thenget the model of theSVMfunctionfitting;Through the analysis of Engineeringexperiments,nonlinear targetfunction approximation abilityand other aspectssignificantly，It has much utility between Temperature compensation of pressure sensor.Key Words: quantum beh

5、aved particle swarm optimization(QPSO)algorithm、Support vector machine(SVM)algorithm、the of Pressure transmitter、Function fitting中圖法分類號： TP273 文獻(xiàn)標(biāo)識碼：B 文章編號：0、引言在工業(yè)自動(dòng)化儀表領(lǐng)域，數(shù)字智能型PDS型壓力/差壓變送器有著十分廣大的應(yīng)用背景，此類變送器由于受到生產(chǎn)工藝和傳感器自身機(jī)械特性的影響，會(huì)隨著環(huán)境溫度的變化而導(dǎo)致測試結(jié)果出現(xiàn)非線性、溫度漂移的現(xiàn)象發(fā)生；因此，為了減小溫度變化對于測量數(shù)據(jù)的誤差影響，應(yīng)該使用合理有效的算法來提高輸出精

6、度。目前，較為常見的溫度補(bǔ)償方法有兩種：（1）硬件補(bǔ)償方式；（2）軟件算法補(bǔ)償；使用硬件方法進(jìn)行溫度補(bǔ)償生產(chǎn)成本較高，且補(bǔ)償效果不是很明顯，而使用較多的軟件補(bǔ)償算法有三階樣條插入法4、RBF神經(jīng)網(wǎng)絡(luò)算法和最小二乘算法等。這些算法雖然有很好的函數(shù)逼近效果，但是其面對輸入變量為非線性集合時(shí)，存在算法較為復(fù)雜、擬合精度不高、收斂速度較慢、容易陷入局部極小等缺點(diǎn)。本文結(jié)合QPSO算法具有全局優(yōu)化能力的特點(diǎn)，使其對支持向量機(jī)5的參數(shù)、進(jìn)行非線性回歸處理，然后建立起SVM的線性回歸函數(shù)溫度補(bǔ)償模型，來對壓力變送器的輸出數(shù)據(jù)進(jìn)行溫度補(bǔ)償。支持向量機(jī)與量子粒子群算法融合在一起，可以大大提高其全局的搜索能力，更

7、好的實(shí)現(xiàn)對壓力傳感器的溫度補(bǔ)償。1、支持向量機(jī)回歸模型支持向量機(jī)（SVM）的基本思路是假設(shè)數(shù)據(jù)的樣本集合為（其中，；實(shí)際輸出集合為，待優(yōu)化輸入集），然后將輸入空間集合通過一個(gè)非線性映射映射到一個(gè)更高維的特征向量空間，在這個(gè)特征空間中得到支持向量機(jī)的線性回歸函數(shù)6： （1）上式中： 為權(quán)值向量；“”表示內(nèi)積；為非線性變換；為閾值。根據(jù)數(shù)理統(tǒng)計(jì)學(xué)理論，建立參數(shù)、的最小化的線性回歸函數(shù)為： （2）上式中：是懲罰因子；是不敏感損失因子；是松弛系數(shù)。可以對（2）式進(jìn)行Lagrange變換7轉(zhuǎn)為對偶化方程： （3） （4）通過計(jì)算上述過程，可以得到支持向量機(jī)回歸函數(shù)8： （5）上式中：為核函數(shù)9；本文采用

8、的是較為常用的徑向基10核函數(shù)。2、量子粒子群（QPSO）算法2.1 粒子群（PSO）算法PSO算法的原理是仿照鳥類飛行路徑尋優(yōu)方式，通過不斷更新個(gè)體的位置和速度來搜索全局最優(yōu)解的過程。首先，給定每個(gè)粒子的位置，速度為，通過不斷更新這個(gè)過程中的兩個(gè)“極值”：粒子自身最優(yōu)解；整個(gè)種群的全局最優(yōu)解。的更新公式為： （6）的更新公式為：（7）上式中，為慣性系數(shù)，和為加速常數(shù)，是調(diào)整粒子本身飛行達(dá)到最佳位置的參數(shù)，為調(diào)整整個(gè)粒子群飛行時(shí)達(dá)到最佳位置的參數(shù)，并且。粒子群中每個(gè)粒子的速度在。2.2 量子粒子群（QPSO）算法PSO算法是通過尋找和來完成尋優(yōu)過程的，對于遠(yuǎn)離這兩個(gè)極值點(diǎn)的優(yōu)化點(diǎn)難以找到最優(yōu)解

9、，而QPSO算法中的粒子沒有固定的移動(dòng)軌跡，可以對所有的可行解空間進(jìn)行全局尋優(yōu)。QPSO算法的三個(gè)公式移動(dòng)為：（8）（9）（10）上式中，是粒子群的過渡位置，為粒子本身尋優(yōu)的最優(yōu)解，為整個(gè)種群尋優(yōu)的最優(yōu)解，是和之間的產(chǎn)生隨機(jī)點(diǎn)。為QPSO算法的擴(kuò)張因子，它是判斷QPSO算法收斂效果的一個(gè)關(guān)鍵指標(biāo)，第次迭代后的取值為：（11）上式中，是迭代的最大次數(shù)。3、QPSO算法優(yōu)化支持向量機(jī)參數(shù)QPSO算法的步驟是初始化編碼生成待優(yōu)化的參數(shù)集合，通過計(jì)算個(gè)體之間的適應(yīng)度函數(shù)值，更新粒子的局部最優(yōu)值和全局最優(yōu)值，反復(fù)進(jìn)行迭代直到達(dá)到算法終止條件。QPSO算法在應(yīng)用于參數(shù)優(yōu)化問題時(shí)，算法實(shí)現(xiàn)較為簡單，并且不易

10、陷入局部最小化。影響支持向量機(jī)（SVM）逼近擬合效果主要有3個(gè)因素：不敏感系數(shù)、懲罰系數(shù)、核函數(shù)參數(shù)；因此，可以通過QPSO算法來優(yōu)化SVM的參數(shù)、，使用QPSO算法優(yōu)化SVM參數(shù)流程圖如下所示：圖1 QPSO-SVM算法流程圖Flg.1 The QPSO -SVM of Process map（1）QPSO算法種群初始化編碼參數(shù)、的優(yōu)化區(qū)間為（-1010）、（1200）和（0.01100），參數(shù)采用二進(jìn)制編碼構(gòu)成三維粒子。（2）適應(yīng)度函數(shù)11支持向量機(jī)（SVM）的擬合效果的好壞取決于選擇適當(dāng)?shù)倪m應(yīng)度函數(shù)，本算法選取適應(yīng)度函數(shù)為均方誤差方程12： （12）式中：和分別表示樣本的輸入值和實(shí)際輸出

11、值；為測試樣本的個(gè)數(shù)。（3）更新位置、速度：QPSO算法按照公式（8）、（9）、（10）分別計(jì)算出粒子群的、，然后根據(jù)適應(yīng)度值更新種群的局部最優(yōu)值、全局最優(yōu)值。（4）終止條件判斷：如果在設(shè)定的最大迭代次數(shù)之前，適應(yīng)度函數(shù)值達(dá)到了設(shè)置的最大極值并收斂于此，滿足QPSO算法的終止條件，即停止更新操作。4、實(shí)驗(yàn)仿真與結(jié)果分析4.1 壓力傳感器數(shù)據(jù)標(biāo)定本實(shí)驗(yàn)采用重慶川儀自動(dòng)化股份有限公司生產(chǎn)的ST3000智能PDS型壓力變送器進(jìn)行實(shí)驗(yàn)仿真，一共選取4個(gè)溫度補(bǔ)償點(diǎn)作為標(biāo)定點(diǎn)： 5、25、65、80，壓力標(biāo)定值為，壓力標(biāo)定采樣值為,溫度標(biāo)定采樣值為，其標(biāo)定采樣結(jié)果如下表1所示。表1 壓力標(biāo)定采樣數(shù)據(jù)Tab

12、le 1 The sampling data of Pressure calibration壓力標(biāo)定P(kpa)壓力標(biāo)定采樣原始數(shù)據(jù)的量化處理結(jié)果t=5Up/mV Ut /mVt=25Up/mV Ut /mVt=65Up/mV Ut /mVt=80Up/mV Ut /mV20001.9126 3.21451.9015 3.50211.9512 3.75121.8925 4.152615001.2256 3.22501.2485 3.56981.3626 3.74121.3202 4.189510000.7952 3.26580.8125 3.51200.8659 3.78420.8548 4.

13、10478000.7745 3.26010.7589 3.45210.7701 3.70110.7458 4.20126000.5120 3.21540.5125 3.47850.5320 3.62150.5489 4.20114000.3659 3.20020.3699 3.51020.3754 3.65210.3841 4.23682000.2356 3.12080.2359 3.59850.2641 3.62110.2749 4.21571000.1520 3.02150.1685 3.25620.1756 3.57890.1859 4.215800.0785 3.01250.0844

14、3.21450.0987 3.52410.1020 4.22504.2 仿真結(jié)果分析按照本文QPSO-SVM算法步驟進(jìn)行仿真，在規(guī)定的范圍內(nèi)隨機(jī)初始化10個(gè)SVM的支持向量組，種群的最大迭代次數(shù)為50次，慣性權(quán)重，學(xué)習(xí)因子；支持向量機(jī)訓(xùn)練采用徑向基核函數(shù)，停止迭代條件為，懲罰因子、核函數(shù)參數(shù)隨迭代次數(shù)的收斂曲線如下圖2,3所示：圖2 懲罰因子隨迭代次數(shù)收斂曲線Flg.2 The penalty factorof with iterativeconvergence curve圖3 核函數(shù)參數(shù)隨迭代次數(shù)收斂曲線Flg.3 The iteration number curve with Kernel

15、 function parameter convergence通過圖2、3可以看出：經(jīng)過QPSO-SVM算法處理后，迭代到第35次時(shí)，適應(yīng)度函數(shù)達(dá)到了0.9787，最終參數(shù)為：，傳感器實(shí)際輸出誤差在 QUOTE 1.00%的范圍之內(nèi)，表2為經(jīng)過QPSOSVM算法補(bǔ)償后壓力輸出值。表2 基于QPSO-SVM溫度補(bǔ)償結(jié)果Table 2 The results oftemperaturecompensationbased on QPSO-SVM壓力輸入P(kpa)8007005003002001005800.9512701.6521501.9485300.1381200.5875100.012525

16、800.0475 700.3247500.1203300.6494200.3563101.001265798.8659698.5236500.8654299.9852201.011099.9854808018659700.5236499.8654301.0121199.9857100.89645、結(jié)論本文針對壓力變送器隨著溫度變化輸出結(jié)果發(fā)生漂移的現(xiàn)象，提出了一種量子粒子群算法與支持向量機(jī)相融合的補(bǔ)償方法，實(shí)驗(yàn)結(jié)果表明該算法明顯降低了溫度變化而引起壓力變送器輸出結(jié)果的誤差，克服了在迭代時(shí)容易陷入局部最小的缺點(diǎn)，提高了變送器壓力輸出的穩(wěn)定性和可靠性，獲得了很好的補(bǔ)償效果，在實(shí)際工程中有很好的應(yīng)用

17、價(jià)值。參考文獻(xiàn)1 田鵬，潘豐.改進(jìn)粒子群算法在支持向量機(jī)訓(xùn)練中的應(yīng)用J.自動(dòng)化技術(shù)與應(yīng)用.2009(8):28-32.2黃建江，須文波等，量子行為粒子群優(yōu)化算法的布局問題研究J.計(jì)算機(jī)應(yīng)用，2006,26(9):55-60.3 祝海龍，張海軍.基于小波變換和支持向量機(jī)的人臉檢測系統(tǒng)J.西安交通大學(xué)學(xué)報(bào)，2002,36(9):946-950.4 徐士良.數(shù)值分析與算法M.機(jī)械工業(yè)出版社,2007.5 HANDL J.An cvolutionary appoarch to multiobjcctivc clustcringJ.IEEE Transactions on Evolutionary Co

18、mputation,2007,11(1):56-60.6 宋曉峰，陳德釗.支持向量機(jī)中優(yōu)化算法J.計(jì)算機(jī)科學(xué)，2003,30(3):1029-1035.7 鄧乃揚(yáng).數(shù)據(jù)挖掘中新方法支持向量機(jī)M.北京：科學(xué)出版社，2004.8 Pramanik C,Saha H.Temperature Compensation of Piezoresistative Micro-Machined Porous Silicon Pressure Sensor by ANNJ.Micorelectronics Reliability,2006,46:343-351.9 徐科軍等.基于靜動(dòng)態(tài)分離的MAF傳感器動(dòng)態(tài)非線性建模J.儀器儀表學(xué)報(bào)，2009,30(2):280-286.10 周鳴爭，汪軍等.基于支持向量機(jī)的傳