支持向量回归机在颜色测温中的仿真应用

发布时间：2024-04-02 21:25

　　针对工业复杂环境中高温目标温度难以直接测量的问题,提出一种新的基于支持向量回归机(Support Vector Regression,SVR)的颜色测温软测量方法。利用支持向量回归机模型来拟合高温物体颜色图像样本特征值与其温度之间复杂的非线性映射关系,将待预测温度的颜色图像特征值输入到训练好的SVR测温模型,进而预测相应的温度。仿真结果表明改进的SOR_SVR算法具有良好的泛化能力和预测精度,且该算法需要的支持向量更少,学习速度更快。

【文章页数】：6 页

【部分图文】：

图1颜色测温系统结构示意图

。目前常用的去噪方法有时域和频域两种，由于黑体在某一恒定温度工作时，靶面上颜色分布比较均匀，故采用一般的均值滤波就完全可行。系统在采集和一系列的图像预处理过程中，会不可避免的产生误差，但对于支持向量机这种辨识模型来说，所引入的误差会被自身学习所覆盖。故通过以上一系列图像样本预处理....

图2总体测试误差与训练样本的关系

第28卷第11期系统仿真学报Vol.28No.112016年11月JournalofSystemSimulationNov.,2016http:∥www.china-simulation.com2740图2总体测试误差与训练样本的关系图3支持向量占样本比与训练样本数的关系2.2支....

图3支持向量占样本比与训练样本数的关系

第28卷第11期系统仿真学报Vol.28No.112016年11月JournalofSystemSimulationNov.,2016http:∥www.china-simulation.com2740图2总体测试误差与训练样本的关系图3支持向量占样本比与训练样本数的关系2.2支....

图4NOR-SVR算法模型训练与预测结果

第28卷第11期系统仿真学报Vol.28No.112016年11月JournalofSystemSimulationNov.,2016http:∥www.china-simulation.com2740图2总体测试误差与训练样本的关系图3支持向量占样本比与训练样本数的关系2.2支....

本文编号：3946227