ZGVE201610003   2016 年

MEMS压阻式压力传感器以硅半导体为敏感元件,环境温度作为非测量参量是引起传感器输出呈现显著非线性的关键原因,因此必须针对温度影响进行补偿。在结构风险最小化基础上发展起来的支持向量机(Support Vector Mahcine,SVM)相比传统的数值补偿和神经网络方法,具有更好的非线性逼近能力。最小二乘支持向量机(LSSVM,Least Squares Support Vector Machine)将支持向量机中求解凸二次规划的问题通过正则化理论化为求解线性方程组,有效的简化了问题并保证了计算效率。因此本文将最小二乘支持向量机融合环境温度信息、被测压力以及输出信号完成温度补偿模型的建立。模式选择与超参数设置是影响最小二乘支持向量机的两个重要因素。径向基(RBF)核函数作为局部核函数,只有在以训练数据为中心的各自较小领域内,测试点对核函数值才有较为显著的影响,表现出良好的学习能力。多项式(Polynomial)核函数作为全局核函数则具备较为理想的泛化能力。本文吸收局部核函数和全聚核函数各自的优势构造一种混合核函数作为最小二乘支持向量机的核函数。不同于传统的模拟退火(Simulating Annealing)每次只生成一个解的寻优过程,耦合模拟退火算法(CSA,Coupled Simulated Annealing)利用多解初始化系统一定程度上引入先验信息,通过耦合项控制接受目标函数值变大的概率,减少了寻求全局最优过程的迭代计算量。建模过程中采用耦合模拟退火算法对最小二乘支持向量机的超参数组合进行优选。利用传感器标定数据进行仿真试验,与包括粒子群优化RBF核最小二乘支持向量机、耦合模拟退火优化RBF核最小二乘支持向量机、粒子群优化混合核最小二乘支持向量机等补偿方法相比较,结果表明,该补偿方法获得的相对误差绝对值的最大值为5.6119 10,相比其他优化算法具有较好的补偿性能。