基于嵌入式系统的在线训练软测量平台

《基于嵌入式系统的在线训练软测量平台》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学硕士学位论文摘要在嵌入式系统上实现神经网络、支持向量机等软测量技术有着广泛的应用需求，同时面临巨大的研究挑战。针对石油化工、冶金等复杂过程的软测量问题，本文以ARM与浮点DSP双核控制器0MAP-L137为核心设计了一种嵌入式软测量在线训练平台。以实时性为目标，对相关因素进行研究，优化了神经网络与支持向量机算法，并成功移植到嵌入式平台，实现软测量模型的在线训练。通过对相关数据集的测试，结果表明系统具有高实时性、高精度等优良性能。本文详细阐述了基于嵌入式系统的在线训练软测量平台的开发工作，主要贡献与创新点有：(1)完成OMAP-L137双核软硬

2、件平台搭建(OMAP-L137为TI第一款面向工业应用的双核控制器)。针对硬件与软件，本平台采用模块化设计的方法。平台由核心板、扩展底板、面板、接口板等组成，软件分为底层函数、应用模块函数与主程序等，具有高度的灵活性．(2)神经网络与支持向量机算法的嵌入式实现．分别针对神经网络的隐层节点数、训练终止条件、学>---j率等相关参数，支持向量机的惩罚因子、径向基函数gamma参数、不敏感区域(容忍经验风险)、训练终止条件等因素的确定进行了完整的系统研究与测试，并提出了一整套通用移植策略。改进的神经网络与支持向量机算法在精度损失不大的情况下，有效地提高了实

3、时性。(3)软测量模型在线训练平台与训练策略的实现。在综合嵌入式系统硬件与软件、神经网络与支持向量机算法的嵌入式系统实现的基础上，搭建了基于嵌入式系统的在线训练软测量平台，提出了一种自适应参数自动调整策略与手动设置相结合的软测量模型在线训练策略。在线训练平台功能强大、操作简单、携带方便，是一体化的便携式在线训练与测量仪表。同时与离线训练仪表不同的是，移植到该仪表的神经网络算法与支持向量机算法能支持软测量模型或模式识别的在线训练。该平台为石油化工等复杂过程的软测量提供了一种低成本、便携式、高实时性的解决方案。关键词：嵌入式系统，软测量，在线训练，支持向

4、量机，神经网络Ill浙江大学硕士学位论文AbstractTherearegreatdemandsandchallengesthatneuralnetworksoft-sensorandsupportvectormachinesoft-sensorrealizedinembeddedsystems．Tosolvethesoftmeasurementincomplexpetrochemicalandmetallurgyindustrial，anonlinetrainingplatformforsoft—sensorisdesignedbasedonOMA

5、P—L137(ARMandfloating—pointDSPdual-corecontroller)．Forreal-timepurpose，byanalyzingtherelatedfactors，theoptimizedBPneuralnetworks(BPNN)andsupportvectormachine(SVM)arerealizedinthedual—coreplatformthatsupportsonlinetrainingofsoft-sensormodel．Thetestingofdatasetsdemonstratestheexc

6、ellenthigh-·precisionandreal--timeperformanceoftheinstrument．Thedevelopmentofanonlinetrainingplatformforsoft-sensorbasedonembeddedsystemisdescribedindetails．Themaincontributionsandinnovativepointsoftheprojectareasfollows：(1)BasedonTexasInstrument’Sfirstdual—corecontrollerforind

7、ustrialapplications，thesoftwareandhardwareofplatformarecompletedaccordingtomodulardesignconcept．Withahighdegreeofflexibility,platformconsistsofcoreboard，expansionboards，panelboardandinterfaceboard．Thesoftwareisdividedintolow-levelfunctions，applicationmodulesfunctionandmainfunct

8、ion．(2)TheoptimizedBPNNandSVMarerealizedinthedual·core