以支持向量机(SVM)为代表的人工智能技术在智能传感器系统中得到了广泛的应用,但传统的SVM有"灾难性遗忘"现象,即会遗忘以前学过的知识,并且不能增量学习新的数据,这已无法满足智能传感器系统实时性的要求。而Learn++算法能够增量地学习新来的数据,即使新来数据属于新的类,也不会遗忘已经学习到的旧知识。为了解决上述问题,提出了一种基于壳向量算法的Learn++集成方法。实验结果表明:该算法不但具有增量学习的能力,而且在保证分类精度的同时,提高了训练速度,减小了存储规模,可以满足当下智能传感器系统在线学习的需求。 速度也就越慢。事实上，训练样本集中通常只有很少一部分可能成为支持向量，大多数训练样本都无法成为支持向量，然而这些样本却占用了大部分的训练时间。所以，如果能够只对那些最有可能成为支持向量的训练样本进行训练，不仅可以提高训练速度，而且大大减小了训练样本集规模，并且对算法的性能也无太大影响。训练样本集的凸壳是指包含某一类训练样本集的最小凸集(一般为多面体)，而壳向量则是该训练样本集的凸顶点［13］。壳向量包含了所有的支持向量，而并非所有的壳向量都是支持向量，但支持向量一定是壳向量。本文由张家港市泰宇机械有限公司大棚折弯机网站采集网络资源整理!    http://www.dapengzhewanji.com/如图1所示，□和○均是训练样本集L不同类别的壳向量，支持向量是在壳向量中产生的，不可能是样本集凸壳内部的样本点。所以，只要求得壳向量集，并在此样本集上进行SVM训练，就可大大缩短训练时间。y=-1y=0y=1L-L+图1支持向量与壳向量于一个二分类问题，求取壳向量的算法步骤如下:设有训练样本集L(分L+和L－两类)。1)训练样本集有线性可分和线性不可分2种情况。若训练样本集为线性可分，则直接跳转到步骤(2);若训练样本集为线性不可分，则通过核函数将其映射到一个线性可分的特征空间;2)利用Qhull算法［14］分别求取训练样本集L+和L－两类的壳向量集L+HV和L－HV，令LHV=L+HV∪L－HV，并将其作为新的训练样本集;3)在此样本集上进行SVM的训练，得到SVMVH，并以此构造出最优决策函数。1．2壳向量分析设有训练样本集L，维数为k，样本个数为n，则其壳向量个数mk和样本数n之间关系如下［15］:1)当n→∞时，k维球体中均匀独立地随机分布n个点光敏BCB作为粘结介质进行键合工艺实验研究。实验中选用XUS35078负性光敏BCB,提出了优化的光刻工艺参数,得到了所需要的BCB图形层,然后将两硅片在特定的温度与压力条件下完成了BCB键合。测试表明:该光敏BCB具有较小的流动性和较低的塌陷率。键合后的BCB胶厚约为11.6μm,剪切强度为18MPa,He细检漏率小于5.0×10-8atm·cm3/s。此键合工艺可应用于制作需要低温工艺且不能承受高电压的MEMS器件。合工艺研究-数控滚圆机电动滚圆机滚弧机价格低电动滚圆机滚弧机多少钱 采用N型(100)双面抛光硅片，厚度为(450±涂胶区结构区图2实验版图F键合粘结介质XUS35078光敏BCB为负胶，本文由张家港市泰宇机械有限公司大棚折弯机网站采集网络资源整理!    http://www.dapengzhewanji.com/曝光部分的BCB胶发生光固化反应形成不可溶物质而留下，没有曝光的部分通过显影而去掉。此种光敏BCB为厚胶，使用范围在10～30μm之间。胶厚与转速的关系曲线如图3［10］的转速，由图3可知，理论上得到胶厚为12μm左右。光敏BCB的涂胶光刻和显影的具体步骤如下型光敏BCB胶厚与转速关系曲线(后烘之后)Fi)对两片双面抛光硅片进行清洗，除去表面杂质。2)在两硅片上用DeepＲIE干法刻蚀出划片槽和用于观察BCB胶流动性的标记。3)实验中涂胶用的是ＲC8涂胶机。先涂上BCB增粘剂，然后涂光敏BCB，设置涂胶机程序为开盖500r/min，时间为10s;闭盖3000r/min，时间为30s;开盖500r/min，时间为10s。4)将涂好光敏BCB胶的硅片放在110℃的热板上前烘90s。5)将带胶硅片放在光刻机里进行曝光，功率350W，时间75s。6)曝光后将硅片放在90℃的热板上烘60s。7)将DS3000显影液置于41℃恒温环境，硅片在此显影液中静置3min后，开始慢慢搅拌4min，然后将硅片取出，放入室温显影液中搅拌1～2min，停止显影。8)取出硅片后立即吹干，放在90℃的热板上后烘60s，将残留的有机溶剂挥发掉。9)观察显影后的BCB图形。显影温度与时间的良好控制是保证显影成功的关键因素。显影时间过长会导致光敏BCB留胶区域胶的脱落，因此，实验过程中要严格控制显影时间。光敏BCB光刻之后在显微镜下观察合工艺研究-数控滚圆机电动滚圆机滚弧机价格低电动滚圆机滚弧机多少钱本文由张家港市泰宇机械有限公司大棚折弯机网站采集网络资源整理!    http://www.dapengzhewanji.com/