加权支持向量回归机在传感阵列模式识别中的应用

摘要

加权支持向量回归机在图像处理、数据分析及故障诊断等领域得到了很好的应用。本文针对传统神经网络模式识别中存在网络结构难于确定、过学习、收敛速度慢、易陷入局部极小值等不足及标准支持向量回归机中未考虑各样本重要性的差异问题,结合变压器油中多组分气体监测传感器阵列,针对不同温度下各样本数据重要性的差异,在标准支持向量回归机模型的基础上,构建给各个样本的惩罚系数C和误差要求参数?赋予不同权重系数的加权支持向量回归机(WSVR)模型,将改进后的SVR模型应用于气体传感器阵列信号模式识别中,并将预测结果与传统BP神经网络及标准SVR方法进行对比。实验结果表明,该模式识别方法在预测精度和泛化能力上都较传统神经网络和标准支持向量回归模式识别方法有明显提高,有效地解决了多组分气体监测传感器的交叉敏感问题。