傳感器的性能指標(biāo)通常分為靜態(tài)和動(dòng)態(tài)兩大類。目前，國(guó)內(nèi)外對(duì)傳感器的靜態(tài)特性研究較為深人和全面，而對(duì)動(dòng)態(tài)特性研究較少。傳感器動(dòng)態(tài)模型是研究其機(jī)理、評(píng)價(jià)其性能的有效手段，是設(shè)計(jì)動(dòng)態(tài)數(shù)字校正環(huán)節(jié)、改善動(dòng)態(tài)特性的重要依據(jù)。近年來(lái)，隨著計(jì)算機(jī)特別是神經(jīng)網(wǎng)絡(luò)的發(fā)展，有不少學(xué)者又提出了基于神經(jīng)網(wǎng)絡(luò)的傳感器動(dòng)態(tài)建模方法。這些方法一般用BP神經(jīng)網(wǎng)絡(luò)或FLANN網(wǎng)絡(luò)[1l去學(xué)習(xí)傳感器輸人、輸出關(guān)系從而建模，算法相對(duì)簡(jiǎn)單，實(shí)現(xiàn)容易。但是 ， 通 過(guò)分析神經(jīng)網(wǎng)絡(luò)建模的基本工作原理，作者認(rèn)為該方法依然存在一些不足:首先在訓(xùn)練的過(guò)程中神經(jīng)網(wǎng)絡(luò)極容易陷入局部最小，而不能得到全局最小，所以有時(shí)為了得到更好的泛化性能，就只能犧牲網(wǎng)絡(luò)的性能;其次，神經(jīng)網(wǎng)絡(luò)過(guò)分依賴訓(xùn)練的數(shù)據(jù)質(zhì)量和數(shù)量，但大多數(shù)情況下樣本數(shù)據(jù)十分有限，而且存在數(shù)據(jù)不一致情況，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果影響較大。支持 向 量 機(jī)SVM( su pportve ctorm achine)的基礎(chǔ)是由Vapnik教授及其合作者于上世紀(jì)90年代中期創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論[2l，是一種新興的基于統(tǒng)計(jì)學(xué)習(xí)理論的學(xué)習(xí)機(jī)。SVM不存在局部最小問(wèn)題，尤其在小樣本學(xué)習(xí)過(guò)程中具有很強(qiáng)的泛化能力，不過(guò)分依賴樣本的數(shù)量和質(zhì)量。將 SV M 技術(shù)應(yīng)用于傳感器建模的研究目前還沒(méi)有文獻(xiàn)報(bào)道。本文提出基于SVM的動(dòng)態(tài)建模方法發(fā)揮支持SVM的優(yōu)勢(shì)，在一定程度上彌補(bǔ)神經(jīng)網(wǎng)絡(luò)傳感器動(dòng)態(tài)建模方法中的不足，并將其應(yīng)用于實(shí)際觸覺(jué)傳感器上取得了較好效果。

SVM動(dòng)態(tài)建模方法
1.1 傳感器動(dòng)態(tài)數(shù)學(xué)模型
對(duì)于一個(gè)單輸人、單輸出的線性定常傳感系統(tǒng)，可根據(jù)傳感器動(dòng)態(tài)校準(zhǔn)時(shí)測(cè)得的輸人、輸出信號(hào)建立差分方程的單變量形式予以描述[1l,對(duì)將 要 進(jìn) 行動(dòng)態(tài)建模的單輸人、單輸出傳感器進(jìn)行實(shí)測(cè)，其輸人、輸出序列為{u(k),y(k)}，按式(2)組成訓(xùn)練用的輸出、輸人樣本任(k),XKI.對(duì) SV M學(xué) 習(xí)機(jī)進(jìn)行訓(xùn)練求得id-和b,SV M動(dòng)態(tài)建模原理如圖1所示。