基于SVM的传感器非线性特性校正新方法

3.2二维图像传感器非线性校正
有二维图像传感器，其校正前的输出如图4a所示，而实际像点应在栅格线的交叉点。从图4a不难看出，该传感器存在着严重的非线性，且这种非线性不能以解析式表达。
如式(1)所示，文中介绍的支持向量机每个学习样本的输入数据xi是一个多维向量，样本输出yi是一个数而非向量。待校正的二维图像传感器校正样本｛(x_a，x_b)，(y_a，y_b)｝是二维输入二维输出的数据，因此，不能直接用支持向量机进行校正。
笔者设计两个SVM来解决该问题，一个SVMa用于校正a方向上的误差，其学习样本为｛(x_a，x_b)，y_a｝；另一个SVMb用于校正b方向上的误差，其学习样本为｛（x_a，x_b)，y_b｝。两个SVM设ε＝0.01，核函数均选用多项式k(x_i，x)＝(x_i·x＋1)⁴。
用SVMa和SVMb分别校正样本数据在a和b方向非线性误差，校正结果如图4b所示。
比较图4b与图4a，校正后的二维图像传感器的非线性已得到校正，精度令人满意。

4结束语
将SVM技术应用于传感器非线性特性校正的研究刚起步，国内尚无此类文献。毕竟支持向量机理论和应用还是一个较新的领域，仍处于理论和实验研究阶段。笔者认为支持向量机今后的研究应该集中在以下几个方面：①核函数的构造与选择；②大样本条件下SVM算法研究；③惩罚函数的改进。