[发明专利]一种基于蚁群算法优化的分段支持向量机回归的校正算法

说明书

一种基于蚁群算法优化的分段支持向量机回归的校正算法，属于一种分段支持向量机回归的校正算法。本发明针对现有算法的缺陷，提供了一种测量电压精准、成本低、校正精度高、稳定性好、能够得到全局最优解、回归结果稳定的校正算法。本发明所述的校正算法的计算步骤为：样本空间划分；建立回归模型，设置初始向量机参数，根据误差值确定蚂蚁位置的信息素：搜索并更新信息素，保存全局最优解；确定蚂蚁下一步信号转移概率：建立动态的信息素挥发因子；建立动态因子；更新信息素，记录信息素最大的蚂蚁，重新搜索，直至得到的全局最优解。本发明所述的校正算法尤其适用于传统的光纤光栅电压传感器非线性校正。

技术领域

本发明属于校正算法，具体为一种分段支持向量机回归的校正算法。

背景技术

基于等应变梁静电电压传感器具有良好的测量特性，现在被大规模应用在高电压测量上，此传感器测量系统稳定、精度高，但是除了传感器本身的非线性特性外在测量过程中由于噪声、温度等因素的影响，会使电压的测量产生误差导致测量具有非线性特性。

针对电压传感器的非线性问题，到目前为止学者提出了大量的非线性校正方法，在这些方法中一般分为硬件校正和软件校正两类方法。但是现阶段的硬件校正方法存在成本高、校正精度不理想和稳定性差的缺点。主要的软件非线性校正方法有最小二乘拟合、人工神经网络、支持向量机回归。其中最小二乘为最原始的曲线拟合方法其本质上是一种局部搜索技术,易陷入局部最优,而得不到全局最优解。而且,最小二乘法还有可能使其矩阵方程出现病态从而破坏软件校正方法的有效性。人工神经网络具有较好的非线性回归能力，但是对数据量要求高，实验数据太少会使最终的回归结果不稳定。近年来有学者提出了一种基于最小二乘方法的带权反拟合校正方法，同时利用可编程模拟器件对校正装置进行了设计。基于该方法的非线性校正具有准确度高、速度快、容易实现的特点。支持向量机回归中参数的选择对最终构造的回归模型有很大的影响，合理的选择向量机参数是要解决的问题。

因此，就需要一种测量电压精准、成本低、校正精度高、稳定性好、能够得到全局最优解、回归结果稳定的校正算法。

发明内容

本发明针对现有的算法测量电压不精准、硬件校正方法成本高、校正精度稳定性差、最小二乘法易陷入局部最优,而得不到全局最优解、实验数据太少会使最终的回归结果不稳定的缺陷，提供了一种测量电压精准、成本低、校正精度高、稳定性好、能够得到全局最优解、回归结果稳定的校正算法。

本发明所涉及的一种基于蚁群算法优化的分段支持向量机回归的校正算法，包括如下计算步骤：

步骤一、依据数据的分布情况将样本空间分为两个子空间；

步骤二、构造支持向量机的回归模型，根据需要优化的参数构造目标函数；

步骤三、确定蚂蚁种群大小，给每只蚂蚁分配一组支持向量机参数(σ，γ)；

其中σ为核函数参数，γ为惩罚系数；

步骤四、根据步骤三得到的支持向量机参数(σ，γ)对每个子空间数据建立最小二乘支持向量机回归，得到每个子空间对应的支持向量机误差模型：

Δt(i)＝α^-Error(i) (13)

其中Δt为误差值，Error为最小均方误差，α为常数，i为蚂蚁位置；

对蚁群算法中的信息素进行初始化；

步骤五、根据步骤四中的误差模型预测得到的误差值来确定蚂蚁i位置的信息素：

T0(i)＝α^-Error(i) (14)

其中T0为信息素；

步骤六、通过蚁群进行全局和局部搜索，信息素不断更新，同时保存每代的全局最优解；