[发明专利]基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法

权利要求书

1.一种基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法，其特征在于：所述预测方法包括以下步骤：

(1)获得模型输入和输出，将测定机械式温度仪表的特征参数作为模型输入，采样获得仪表的误差值和误差变化率作为模型输出；

(2)对原始温度误差数据进行预处理，将数据归一化到[-1，1]区间内，生成数据集进行分组获得训练集和测试集；

(3)选取高斯径向基核函数作为最小二乘支持向量机模型的核函数，确定模型的参数组合(σ²，γ)，其中γ为核参数，σ²为惩罚参数；

(4)采用遗传算法对最小二乘支持向量机的参数组合(σ²，γ)进行寻优，在全局范围内得到最优参数组合；

(5)利用寻优之后的最佳参数组合，结合训练样本集构建基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测模型；

(6)输入数据集利用训练得到的最小二乘支持向量机模型对液体压力式温度仪表误差进行预测；

(7)将温度仪表误差预测结果和实际温度误差进行对比，分析温度误差值以及温度误差变化率的变化趋势。

2.如权利要求1所述的一种基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法，其特征在于：所述步骤(4)采用遗传算法对最小二乘支持向量机的参数组合(σ²，γ)进行寻优，过程如下：(4.1)读入温度误差数据训练样本集；

(4.2)对最小二乘支持向量机参数进行编码，随机产生初始种群；(4.3)确定种群规模，终止进化次数，交叉概率，变异概率，参数σ²和γ的初始取值范围；

(4.4)使用参数组合(σ²，γ)建立最小二乘支持向量机预测模型结合训练样本集进行模型训练，以均方根作为种群各个个体的适应度函数衡量最小二乘支持向量机模型的准确性的判定函数；

(4.5)根据个体适应度，按照轮盘赌法规则从当前种群选出个体进入下一代进行交叉操作，产生两个新个体；

(4.6)随机选取种群中的个体以一定的变异概率进行变异操作，通过随机改变个体中的某些基因而产生新个体，并利用新个体建立模型计算适应度；

(4.7)判断适应度，若平均适应度值变化持续小于某一常数，则所得到的具有最大适应的个体作为最优解输出，算法终止；若平均适应度值没有达到要求，则重复执行以上步骤(4.4)至步骤(4.6)直至达到最大迭代次数；

(4.8)对得到的最优参数组合解译，得到最优参数组合。

3.如权利要求1或2所述的一种基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法，其特征在于：所述步骤(1)中，以液体压力式温度仪表为研究对象，其特征参数是通过分析液体压力式温度仪表的测温结构和误差特点得出，其中包括环境温度、恒温槽温度、毛细管长度、毛细管内径、波登管宽度、波登管厚度、波登管角度共七个参数；模型输出包括因环境温度引起的探头温度与实测温度的差值以及该误差值对于毛细管长度的变化率。

4.如权利要求3所述的一种基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法，其特征在于：所述步骤(2)中，对原始温度误差数据进行预处理，过程如下：

(2.1)设置0℃、5℃、25℃、35℃、45℃、50℃、55℃作为实验数据的样本采集点，在0℃和50℃恒温槽下进行实验的温度仪表，而在5℃、25℃、35℃、45℃和55℃恒温槽下进行实验的温度仪表，由于存在20米毛细管，采集的实验数据作为误差值以及误差变化率的分析数据；

(2.2)由于数据样本中的7个输入和2个输出的差别较大且量纲不同，在建模之前对样本进行归一化处理，将各个输入和输出的值在-1到1之间：式中，x′_t为t温度相对应的归一化处理后的温度数据，x_t为t温度下原始温度数据，x_max为原始温度数据的最大值，x_min为原始温度数据的最小值。

5.如权利要求4所述的一种基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法，其特征在于：所述步骤(5)中，构建基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测模型的过程如下：

(5.1)将液体压力式温度仪表误差模型转化为输入样本X为7维向量，N个样本及其输出值为(X₁,X),…,(X_N,X)∈Rⁿ×R，利用最小二乘支持向量机中函数估计问题中的非线性映射函数Φ(·)将输入样本映射到高维特征空间；

(5.2)综合考虑VC维最小和经验风险最小的原则，该问题表示成为一个等式约束的优化问题，则函数回归问题描述为求解如下最优化问题的目标函数：

minJ(ω,b,ϵ)=12ωTω+γ12Σi=11ϵi2s.t.Yi=[ωTΦ(Xi)+b]+ϵi+1;i=1,...,i,]]>式中目标函数的第一项对应着模型的泛化能力，而第二项对应着模型的精确性，x_i为输入样本，y_i为目标值，ε_i∈R为误差变量，Φ(X_i)：Rⁿ→R^nh为核空间映射函数，ω∈R^nh为权向量，γ为模型泛化能力与精度之间可调参数，b为偏参量；从而构建拉格朗日函数：L(ω,b,ϵ,α)=12ω22+γΣi=11ϵi2-Σi=11αi(yi(ωTΦ(xi)+b)ϵi-1),]]>式中α_i(i＝1,...l)是拉格朗日乘子，消除ω和ε_i之后，上式化为求解以下矩阵方程：0-YTYZZT+γ-1I·bα=0e,]]>其中，Y＝[y₁,y₂,…,y_i]^T，Z＝[φ(x₁)y₁,φ(x₂)y₂,…,φ(x₁)y₁]^T，e＝(1,1,…,1)^Tα＝(α₁,α₂,…,α₁)^T；根据Mercer条件带入Ω＝ZZ^T，得Ω_i1＝y_iy₁φ(X_i)^Tφ(X_j)＝y_iy₁Ψ(X_i,X_j)；

(5.3)基于最小二乘支持向量机的温度误差预测模型的决策函数表示为即为最后的预测函数，其中Ψ(X_i,X_j)采用高斯径向基核函数；

(5.4)将测试样本集数据构造成上述预测函数输入变量的形式，代入该函数得到温度误差预测结果，为了定量评价各方法的预测效果，引入均方误差(MSE)进行对比：MSE=Σi=1n(yi-fi)2n.]]>