基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关，提出了采用BP神经网络技术对其进行数据融合处理，以消除非目标参量对压力传感器输出的影响。研究结果表明，利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

多传感器数据融合在涂层厚度检测中的应用

在涂层厚度测量的过程中,电感传感器的输出值存在对温度的交叉灵敏度,为消除温度对测量数据的影响,提出了一种基于神经网络的多传感器数据融合技术处理方法,该方法以传感器的输出值与温度值作为网络的输入,通过对网络的训练达到消除非目标参量—温度的影响。通过对融合前后的数据进行比较分析,表明该方法大大降低了交叉干扰,有效提高了测量精度。     

两种数据融合算法对扩散硅压力传感器的温度补偿

针对扩散硅压力传感器在实际应用中对温度存在交叉灵敏度的问题,文章采用改进的多维回归分析法和BP神经网络法两种实用的智能化数据融合方法对压力传感器输出进行处理,以消除非目标参量(温度)对传感器的影响;研究结果表明这两种方法均能有效地抑制交叉灵敏度,减小灵敏度温漂和零点温漂;由于这两种融合算法具有各自的特点,因此可应用于不同要求的智能传感器系统中。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.     

采用神经网络技术获取高抗干扰的传感器系统特性􀀁

目前消除干扰量对主传感器特性影响的研究多限于一个干扰量,本文讨论多个干扰量影响的消除方法．文中提出利用多个传感器检测影响主传感器特性的多个非目标参量,由神经网络实现融合算法．该方法可降低主传感器对非目标参量的交叉灵敏度．使主传感器系统获得高抗干扰、高稳定的输入／输出特性．以环境与供电电源波动两个干扰量为例．实验结果表明,当环境温度波动△Ｔ＝４８．５℃,供电电源波动γ＝±３％,经神经网络融合处理后,主传感器系统在两种干扰状况下的交叉灵敏度下降一个数量级。     

Elman神经网络多传感器融合技术的研究与应用

由于重力传感器容易受环境温度等各种非目标参量的影响,其输出性能大大降低,为此,采用Elman神经网络多传感器融合技术加以解决.传感器信息融合是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术.多传感器信息经过融合后能够完善、准确地反映环境的特征.采用Elman神经网络补偿由系统的非线性和外界干扰引起的误差.仿真试验表明,该算法计算量小、拟合程度好、精确度高.     

神经网络在电磁力平衡传感器中的应用

针对电磁力平衡传感器在实际应用中受温度等非目标参量影响而导致其输出数据不能准确反映目标参量的问题,提出了应用神经网络技术与电磁力平衡传感器相结合的方法.神经网络具有以任意精度逼近任何非线性函数的能力,利用神经网络中的BP网络较强的非线性映射能力,采用BP算法对传感器的原始数据进行修正.理论分析和仿真结果表明了该方法的可行性和有效性.由此说明,此种结合方法对于电磁力平衡系统的设计和应用具有较强的现实意义.     

LM算法在传感器数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,采用LM算法对其进行数据融合,消除温度对压力传感器的影响,大大提高传感器的稳定性及其准确度;针对传感器存在测量误差问题,提出了增加一个噪声来训练网络,增强了网络的容错性。对所提方法进行了仿真研究和简单分析,并与非线性插值(三次多项式插值)作了比较,粗浅地指出:神经网络在数据融合过程中的实现机理。     

基于人工神经网络的压力传感器三维数据融合

针对压力传感器对温度变化和电流波动的交叉灵敏度问题,采用径向基函数(RBF)人工神经网络法对其进行数据融合处理,详细讨论了网络的训练过程和数据融合过程,消除温度和电流对压力传感器的影响。仿真结果表明:当温度变化48.5℃,电流波动3%时,经RBF神经网络数据融合后,压力波动为0.544%,大大降低了交叉干扰,提高传感器的稳定性及其精度,满足在线融合的需要。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

木材干燥窑内判断传感器有效状态方法的研究

为了判断传感器的有效工作状态,提出了基于D-S证据理论和CMAC神经网络的信息融合方法。利用传感器在空间和时间上的冗余或互补信息,依据D—S证据理论,消除故障检测、诊断中的不确定性。采用模块化的小脑模型识别网络建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D—S证据理论确定基本信任分配函数的困难和因输入参数改变影响信任分配函数构建的问题。仿真结果表明：该方法可以对木材干燥过程中传感器工作状态进行有效诊断。     

基于SVR的多传感器数据融合处理方法

为了提高传感器的稳定性和每个参量的测量精度,本文提出了一种新的基于支持向量机回归估计(SVR)的多传感器数据融合处理方法.仿真实验结果表明,该方法能有效降低压力传感器的交叉灵敏度系数,提高压力和温度的测量精度.而且压力传感器的零位压力相对温度变化的稳定性明显优于多维回归分析和人工神经网络的数据融合处理方法.     

基于神经网络的无线传感器网络数据预测应用研究

无线传感器网络是一种由数量庞大的网络节点形成的复杂无线网络,是无线传感器的典型应用,目前已经广泛应用在多个领域当中。将神经网络引入到无线传感器网络当中,通过神经元描述每一个无线传感器数据,构建神经网络元模型。对传统的神经网络模型进行改进,利用无线传感器的神经网络模型,实现无线传感器网络采集数据的融合与提取。通过各种应用类型的差异,选择影响数据输出结果的主要因素,建立一种能够进行预测的模型。以某个区域是否发生火灾为实验原型,对该区域的火灾发生概率进行预测,采用已有的火灾发生数据为训练样本,通过收敛的网络预测火灾发生的概率。实验结果表明,基于神经网络的无线传感器网络数据预测是一种可行、有效的方法。     

基于T-S型模糊神经网络的轮式机器人避障方法研究

针对超声波传感器产生的不确定信息,研究了一种基于Takagi-Sugeno(T-S)模型的模糊神经网络信息融合避障方法;对超声波传感器所获得的数据进行融合,建立控制器输入信号和机器人速度输出之间的模式映射关系;在MATLAB环境下对模糊神经网络避障算法进行了仿真,最后在实际环境中进行避障实验;实验结果表明,该算法具有较好的准确性和鲁棒性,能够适用于移动机器人的导航需要.