随着科学技术的不断发展,测试需求的不断提高,微型化、智能化、网络化、无线化、多功能化已经成为传感测试技术的几大主要发展方向。多功能传感器可同时测量多个物理量,更准确客观地反映测试对象与测试环境,可极大地消减测试系统的体积与功耗,在航空、航天、环境监测、农业生产制造等诸多领域具有重要意义和广阔的应用前景。多功能传感器对测试对象的准确测量依赖于有效的信号重构方法,但由于被测量的增加、测量环境的不确定性以及多功能传感器敏感机理的复杂性,使得现有的多功能传感器信号重构方法普遍存在着模型估计能力差、信号重构精度差以及过拟合、局部极小解、维数灾难等问题。因此,本文针对现有信号重构方法中存在的问题,研究相应的解决方法,提高多功能传感器信号重构精度,促进多功能传感器的开发与应用。本文主要研究内容如下:多功能传感器信号重构问题中常用的线性参数化多元回归处理方法具有辨识模型简单、信号重构过程易于实现的优点,但该方法通常利用最小二乘方法实现模型参数辨识,由于最小二乘法在应用中只考虑了观测向量中存在的误差而忽略了数据矩阵中的误差影响,而在实际应用中观测向量和数据矩阵均由测试数据构成,不可避免的含有误差,因而影响了辨识模型的可靠性与信号重构的精度。而总体最小二乘方法同时考虑了观测向量和数据矩阵的扰动问题,更适于实际应用情况。仿真试验表明基于总体最小二乘方法的传感器信号重构结果优于最小二乘方法。支持向量机方法是适用于小样本情况下的新型机器学习方法,它利用结构风险最小化准则来代替传统的经验风险最小化准则,有效地避免了传统方法中存在的过拟合、局部极小化、维数灾难等问题。其中,最小二乘支持向量机方法通过采用二次损失函数来度量经验风险并利用等式约束来代替不等式约束,将求解简化为处理线性方程组问题,而无须处理二次规划问题,极大地消减了数据处理的计算复杂度,因而相比标准支持向量机方法更适宜于处理多功能传感器信号重构问题。但由于在实际应用中线性方程组由测量信号构成,直接采用矩阵求逆处理时易出现扰动问题和数值不稳定现象,因此本文采用总体最小二乘法处理最小二乘支持向量机求解问题,抑制矩阵扰动、增强求解的数值稳定性,提高信号重构精度。仿真结果表明基于总体最小二乘解的支持向量机方法的信号重构精度优于标准支持向量机方法和标准最小二乘支持向量机方法。标准鲁棒最小二乘支持向量机中的权函数因为缺少对粗差数据的淘汰处理机制,使得粗差数据仍对最终的求解过程产生影响,影响了算法的鲁棒性。因此本文采用IGGIII权函数对估计残差进行加权处理并利用总体最小二乘法处理回归参数矩阵,IGGIII权函数通过对粗差域数据赋予零权值可有效去除粗差数据点对于重构结果的干扰,增强算法鲁棒性;总体最小二乘法可增强求解的数值稳定性与计算精度。仿真结果表明,对于含有粗差数据情况下的多功能传感器信号重构问题,改进算法的鲁棒性及重构精度均优于标准鲁棒最小二乘支持向量机方法。对于复杂重构问题利用全局建模方法进行处理时,通常存在着模型复杂度大、计算效率低、泛化性能差等缺点,而局部化建模方法通过在待分析样本附近直接构建重构函数,可有效降低模型复杂度、增强预测效率和泛化性能。本文通过构建基于邻域风险最小化思想的局部化最小二乘支持向量机实现多功能传感输入、输出函数关系的局部化建模,并采用总体最小二乘法处理局部化最小二乘支持向量机的回归参数求解问题,从而实现传感器信号重构。仿真结果表明,相比全局化方法,局部化最小二乘支持向量回归方法具有更高的信号重构精度和计算稳定性。为了检验本文提出的传感器信号重构算法在实际应用中的效果,将其用于解决一个设计新颖的多功能多元溶液浓度传感器的信号重构问题。利用传感器标定样本数据集合和基于总体最小二乘解的最小二乘支持向量机方法对传感器输入、输出信号间的函数关系进行辨识,从而得到对应不同输出电压、渡越时间以及温度下的多元溶液中氯化钠和蔗糖的浓度信息。实验结果验证了本文提出的多功能传感器信号重构算法在实际应用中的可行性和有效性。