基于SVM的传感器非线性特性校正新方法
统计学理论指出，在这一优化目标是最小化ωTω／2时可取得较好的推广能力。考虑到实际应用中允许拟合误差的情况，则支持向量机优化目标可以表示为［3］
式中c为平衡因子，ζ、ζ*为惩罚因子，惩罚函数L(·)通常采用如下的离散定义形式(如图1所示)
n，进一步采用对偶优化方法，最大化目标函数
小部分不为0，它们对应在不灵敏区边界上或外
式中，偏移量b可由支持向量(xi，yi)及精度ε求得，SVs表示支持向量集。
1.2非线性函数拟合问题
对于非线性函数拟合基本思想是：可以通过非线性变换x→φ(x)将原拟合问题映射到某个高维特征空间中，然后在该空间中进行线性拟合，即
在支持向量机中，引入核函数(Kernel function)来简化非线性逼近。在高维特征空间中，线性问题中的内积运算可用核函数来代替。核函数满足k(x,x′)＝〈φ(x),φ(x′)〉，这样目标函数式(4)就变成了式(6)所示的形式：
关键词：
传感器
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
