傳感器的性能指標通常分為靜態和動態兩大類。目前，國內外對傳感器的靜態特性研究較為深人和全面，而對動態特性研究較少。傳感器動態模型是研究其機理、評價其性能的有效手段，是設計動態數字校正環節、改善動態特性的重要依據。近年來，隨著計算機特別是神經網絡的發展，有不少學者又提出了基于神經網絡的傳感器動態建模方法。這些方法一般用BP神經網絡或FLANN網絡[1l去學習傳感器輸人、輸出關系從而建模，算法相對簡單，實現容易。但是 ， 通 過分析神經網絡建模的基本工作原理，作者認為該方法依然存在一些不足:首先在訓練的過程中神經網絡極容易陷入局部最小，而不能得到全局最小，所以有時為了得到更好的泛化性能，就只能犧牲網絡的性能;其次，神經網絡過分依賴訓練的數據質量和數量，但大多數情況下樣本數據十分有限，而且存在數據不一致情況，對神經網絡的訓練結果影響較大。支持 向 量 機SVM( su pportve ctorm achine)的基礎是由Vapnik教授及其合作者于上世紀90年代中期創建的統計學習理論[2l，是一種新興的基于統計學習理論的學習機。SVM不存在局部最小問題，尤其在小樣本學習過程中具有很強的泛化能力，不過分依賴樣本的數量和質量。將 SV M 技術應用于傳感器建模的研究目前還沒有文獻報道。本文提出基于SVM的動態建模方法發揮支持SVM的優勢，在一定程度上彌補神經網絡傳感器動態建模方法中的不足，并將其應用于實際觸覺傳感器上取得了較好效果。

SVM動態建模方法
1.1 傳感器動態數學模型
對于一個單輸人、單輸出的線性定常傳感系統，可根據傳感器動態校準時測得的輸人、輸出信號建立差分方程的單變量形式予以描述[1l,對將 要 進 行動態建模的單輸人、單輸出傳感器進行實測，其輸人、輸出序列為{u(k),y(k)}，按式(2)組成訓練用的輸出、輸人樣本任(k),XKI.對 SV M學 習機進行訓練求得id-和b,SV M動態建模原理如圖1所示。