[发明专利]一种传感器数据校准模型的学习方法

摘要

传感器数据校准模型的学习方法，步骤为：1.选择合适的线性学习器和非线性学习器分别针对初始样本进行训练，利用权重二次学习得到的权重判断线性学习器和非线性学习器的重要性。2.通过相关理论控制第一轮学习器的学习程度，线性学习器通过信息准则选择合适的特征子集，非线性学习器通过随机森林的特征选择方法选择合适的特征子集。3.选择重要性强的学习器作为第一轮学习器，第一轮学习器针对初始样本进行训练，第二轮学习器针对第一轮学习器学习后的残差进行学习。

主权项

一种传感器数据校准模型的学习方法，包括以下步骤：步骤1，线性学习器和非线性学习器的重要性学习，包括：(1.1)选择学习器，选择合适的线性学习器和非线性学习器；线性学习器选择多元线性回归模型；非线性学习器选择树回归模型；(1.2)学习器的多样性增强，通过引入数据样本扰动和输入属性扰动来增强学习器的多样性；(1.3)学习器训练，分别对线性学习器和非线性学习器进行训练；(1.4)权重的二次学习，利用二次学习法来学习线性学习器和非线性学习的权重；(1.5)重要性判断，通过权重的值来判断线性学习器和非线性学习器结合策略；步骤2，通过相关理论控制第一轮学习的程度，包括：(2.1)控制第一轮学习的程度，通过输入特征子集来控制第一轮学习的程度，通过相关理论来选择合适的特征子集；(2.1.1)线性学习器的模型选择，线性学习器的特征子集选择，通过信息准则的思想来选择合适的特征子集，信息准则给出了模型的准确率和模型的复杂性权衡的方程，选择最流行的信息准则，赤池信息量准则(AIC)；(2.1.2)非线性学习器的模型选择，非线性学习器的特征子集选择，可以使用随机森林的特征重要性评估方法；步骤3，线性学习和非线性学习器结合；(3.1)第一轮学习，基于步骤(1.5)中的结论，选择重要性强的学习器进行第一轮训练，通过步骤2中的方法为步骤2中的学习器选择合适的特征子集，学习出合适的第一轮学习器模型；(3.2)生成第二轮训练样本，用学习好的第一轮学习器的学习残差结合第一轮的训练样本生成第二轮的训练样本；(3.3)第二轮残差的学习，用重要性较弱的传感器基于第二轮的训练样本进行残差的学习。