[发明专利]一种基于核减法聚类的多功能传感器样本选择方法

说明书

技术领域

本发明涉及传感器，尤其是涉及一种基于核减法聚类的多功能传感器样本选择方法。

背景技术

多功能传感器是能够同时测量多个物理量的传感器，是现代传感技术的主要发展趋势之一。随着多功能传感器的发展，其相应的信号重构方法也是必须研究的问题。而影响多功能传感器信号重构精度的因素，除了信号重构方法本身外，还有训练样本数据的选择和分布。一组分布合理的训练样本，不但能够很好的保证重构精度，还能有效地降低样本数据的数量，从而降低采样所需的工作量，这对于大批量多功能传感器的信号重构具有重大的意义。

国内外在相关方面的研究主要集中在对单一功能传感器的研究上。文献（J.M.Dias Pereira,O.Postolache,P.SilvaAdaptive self-calibration algorithm for smart sensors linearization[J].IMTC-2005Instrumentation and Measurement Technology Conference,2005:648–652）中提出了基于概率密度函数的样本选择方法，以样本点的分布密度作为样本选择的依据。文献（Kun Chen,Jun Ji,Haiqing Wang,et al.Adaptive local kernel-based learning for soft sensor modeling of nonlinear processes[J].Chemical Engineering Research and Design,2011,89(10)：2117-2124）中，提出一种带监督的局部保持投影方法（Supervised locality preserving projection,SLPP），用于选择传感器的样本数据。然而，前一种方法对原始的样本数据的数量要求过高，而后一种方法主要针对于虚拟传感器，并未研究其在多功能传感器信号重构中的应用。

而对于多功能传感器而言，其输入输出特性较为复杂，样本数据的维数和数量较传统传感器均有所增加。目前，在对多功能传感器的信号重构研究中，对于样本数据的选择基本上都是采用均匀采样的方法。然而，对于某一个传感器而言，其输入的各个区域的非线性度分布是不均匀的，若以非线性度较低的区域为准进行采样，则难以达到精度要求；为了能达到精度要求，则需要在整个定义域内采用较小的采样间隔，这样在非线性度较低的区域造成浪费。这对于某一传感器的信号重构尚可接受，对于大批量传感器的信号重构，将浪费大量的人力物力。

发明内容

本发明的目的在于提供一种基于核减法聚类的多功能传感器样本选择方法。

本发明包括以下步骤：

1）对于需要进行信号重构的传感器进行采样，获得样本数据；

2）将步骤1）获得的样本数据进行归一化处理；

3）利用核减法聚类将归一化处理后的样本数据映射到高维空间，使其线性可分，并进行分类；

4）将每一类的聚类中心作为被选取的样本点。

在步骤3）中，所述核减法聚类如下：

（1）考虑样本数据集X＝{x₁,x₂,...,x_N}，首先需要将所有的数据点归一化到一个超立方体，由于每个数据点都是聚类中心的候选点，因此计算所有数据点x_i处的密度指标：

Di=Σj=1Nexp(-4ra2||xi-xj||2)]]>