基于模糊ls-svm的动态误差补偿器设计

基于模糊ls-svm的动态误差补偿器设计

0加速度传感器微硅速度传感器广泛应用于许多领域，如汽车、军事和工业自动化。它具有高灵敏度、成本低、低效率、体积小、延迟和跟踪、大规模适应性等特点。随着测控技术的不断发展,更高的要求被提出,这样采用的加速度传感器不但要有优良的动态特性,而且要具有优良的静态特性。微硅加速度传感器等效的机械模型为典型的弹簧-质量-阻尼块模式的振动系统,它的运动特性可以采用二阶微分方程的方法来描述1补偿器的设计模型输出信号y(t)是由被测试信号x(t)经由传感器转换后生成的,通常y(t)相对于被测信号x(t)会有较大的动态测试误差,是由传感器响应滞后造成的。可以运用传感器输出经过一个补偿器来增加测试精度,补偿器的设计原则是对传感器的输出y(t),作为补偿器的输入,使补偿器的响应y赞(t)尽量逼近参考模型的响应y′(t),使残差e(t)最小,即满足用补偿器输出y赞(t)替换y(t)来改良动态误差,它的基本原理图如图1所示。直接运用实验数据来构建动态补偿器,这样就把动态补偿器的设计问题又改变成了运用实验数据来辩识补偿器的参数问题式中:zn——阶次;e(t)——同分布的不相关的随机变量序列。建立向量形式为式中:b——常数。补偿器之所以可用LS-SVM来构造是因为式(3)为线性表达式。其构造具体为对传感器做动态实验测得激励和响应信号序列分别用x(t)、y(t)表示,把激励信号x(t)经由参考模型获得希望的特性输出y′(t),按照式(2)将y′(t)替换y赞(t)构成训练样本{X2模糊ls-svm原理2.1基本思想对LS-SVM性能指标表达式来说一切的误差e在LS-SVM里因为Lagrange乘子都不是0,所以一切数据向量皆为支持向量2.2模糊ls-svm在给定训练数据集满足等式约束2.3支持向测量的确定由LS-SVM基本理论可知αδ是支持向量度s2.4支持向度量的确定(1)构造训练数据集(2)由式(5)挑选出适合的δ,支持向量度由前次训练获得的Lagrange乘子来确定;(3)模型参数(4)根据(5)运用剩余的Lagrange乘子从头计算s3速度传感器的动态跟踪模拟3.1微硅加速度传感器的传递函数微硅加速度传感器的等效机械模型可看成一个典型弹簧-质量-阻尼振动系统。其中m为敏感质量块的质量,k为刚度,c为阻尼系数,当微硅加速度传感器受到加速度a作用时,质量块位移y的输出微分方程为将式(7)两边进行拉普拉斯变换,得到该传感器的传递函数为式中:ωζ由式(8)的传递函数可知加速度传感器在谐振频率ω为了保证测量精度和实时性,要求在使用时取固有谐振频率ω即为参考模型的传递函数。3.2基于质性模型的参数选择(1)对微硅加速度传感器输入单位阶跃信号,对式(8)表示的传感器非线性模型进行仿真。用4阶Runge-Kutta算法求解,取步长0.01ms获得200个离散数据组{X(2)用改进的Loo-CV(留一交叉确认法)进行参数选择。Loo-CV每次只能在一对参数(γ,σ(3)根据模糊LS-SVM回归的一般流程步骤,取参数γ=10,σ3.3模糊ls-svm的算法通过采用200组训练样本对模糊LS-SVM回归补偿器进行训练,迭代2次后,均方根误差RMSE为1.02×10同LS-SVM相比,由于模糊LS-SVM对不同的数据采用了不同的支持向量度,合理分配数据在训练中的比重,更能准确地预测对象的输出。缺点是模糊LS-SVM每次迭代过程都要进行两次训练,因此计算时间要长于LS-SVM。4补偿器设计背景基于模糊LS-SVM的传感器非线性动态误差补偿器设计措施,微硅加速度传感器的动态特性不需要提前明白,依照传感器和参考模型对输入激励响应实测数据设计补偿器。经由仿真实验说明,微硅加速度传感器动态性能可以通过