基于LS-SVM的非线性多功能传感器信号重构方法研究

摘要

提出了基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)的非线性多功能传感器信号重构方法.不同于通常采用的经验风险最小化重构方法,支持向量机(Support vector machine,SVM)是基于结构风险最小化准则的新型机器学习方法,适用于小样本标定数据情况,可有效抑制过拟合问题并改善泛化性能.在SVM基础上,LS-SVM将不等式约束转化为等式约束,极大地简化了二次规划问题的求解.研究中通过L-折交叉验证实现调整参数优化,在两种非线性情况下对多功能传感器的输入信号进行了重构,实验结果显示重构精度分别达到0.154%和1.146%,表明提出的LS-SVM重构方法具有高可靠性和稳定性,验证了方法的有效性.