A Sensor Dynamic Measurement Error Prediction Model Based on NAPSO-SVM.
A Sensor Dynamic Measurement Error Prediction Model Based on NAPSO-SVM.
复制标题
DOI：
10.3390/s18010233
复制
发表时间：
2018-01-15
期刊：
影响因子：
--
通讯作者：
Song H
中科院分区：
文献类型：
--
作者：
Jiang M;Jiang L;Jiang D;Li F;Song H
动态测量误差修正是提高传感器精度的有效途径。动态测量误差预测是误差修正的重要组成部分，支持向量机（SVM）常用于传感器动态测量误差预测。传统的支持向量机参数的设置都是手工进行的，不能保证模型的性能。本文提出了一种基于改进粒子群优化算法（NAPSO）的支持向量机方法来预测传感器的动态测量误差。在粒子群算法中加入了自然选择和模拟退火算法，提高了算法避免陷入局部最优的能力。为了验证NAPSO-SVM的性能，选择了三种类型的算法来优化SVM的参数：粒子群优化算法（PSO），改进的PSO优化算法（NAPSO），萤火虫群优化算法（GSO）。两个传感器的动态测量误差数据被用作测试数据。采用均方根误差和平均绝对百分比误差来评价预测模型的性能。实验结果表明，NAPSO-SVM方法具有较好的预测精度和较小的预测误差，是一种有效的传感器动态测量误差预测方法。
Dynamic measurement error correction is an effective way to improve sensor precision. Dynamic measurement error prediction is an important part of error correction, and support vector machine (SVM) is often used for predicting the dynamic measurement errors of sensors. Traditionally, the SVM parameters were always set manually, which cannot ensure the model’s performance. In this paper, a SVM method based on an improved particle swarm optimization (NAPSO) is proposed to predict the dynamic measurement errors of sensors. Natural selection and simulated annealing are added in the PSO to raise the ability to avoid local optima. To verify the performance of NAPSO-SVM, three types of algorithms are selected to optimize the SVM’s parameters: the particle swarm optimization algorithm (PSO), the improved PSO optimization algorithm (NAPSO), and the glowworm swarm optimization (GSO). The dynamic measurement error data of two sensors are applied as the test data. The root mean squared error and mean absolute percentage error are employed to evaluate the prediction models’ performances. The experimental results show that among the three tested algorithms the NAPSO-SVM method has a better prediction precision and a less prediction errors, and it is an effective method for predicting the dynamic measurement errors of sensors.
登录
查看更多内容
适用于智能城市应用的具有负载均衡功能的节能多约束路由算法
影响因子：
10.6
作者：
Jiang, Dingde;Zhang, Peng;Song, Houbing
通讯作者：
Song, Houbing
多跳无线网络中具有最大网络吞吐量的节能多播算法
影响因子：
3.6
作者：
Jiang, Dingde;Xu, Zhengzheng;Li, Tao
通讯作者：
Li, Tao
无线传感器网络中的曲线查询处理
影响因子：
6.8
作者：
Cheng, Siyao;Cai, Zhipeng;Li, Jianzhong
通讯作者：
Li, Jianzhong
影响因子：
8.7
作者：
Sasikala, S.;Balamurugan, S. Appavu alias;Geetha, S.
通讯作者：
Geetha, S.
DOI：
10.1007/bf00864756
发表时间：
1987-04-01
期刊：
MEASUREMENT TECHNIQUES USSR
影响因子：
--
作者：
YAKOVLEV, VT
通讯作者：
YAKOVLEV, VT