电容式降雨传感器及其特性曲线拟合方法

针对将电容式传感器应用于降雨测量时,特性曲线的非线性误差较大问题,分别采用最小二乘曲线拟合法和径向基函数(RBF)神经网络对其输出特性曲线进行拟合.结果表明:RBF神经网络模型具有更强的非线性映射能力,其拟合精度明显高于最小二乘多项式模型.     

基于遗传神经网络的传感器输出特性拟合􀀁

针对最小二乘法和分段线性化等传统方法的不足,提出了解决传感器输出特性拟合和在线标定问题的遗传神经网络算法,实验验证了其有效性,本文的论述不但可以用于传感器,而且可以用于其它类似系统。     

一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

基于SAW微力传感器的GRNN拟合研究

针对传统方法拟合声表面波(SAW)微力传感器输入—输出曲线的算法为最小二乘法,但无法进行全局搜索,易获得局部最优解的不足,基于SAW微力传感器实测数据,采用广义回归神经网络(GRNN)进行曲线拟合。选取以铌酸锂为压电基底的SAW微力传感器,对其施加微压并通过网络分析仪测量输出频率数据,依据GRNN和最小二乘法基本原理采用MATLAB R2016b分别对频率—压力数据进行拟合并对比。仿真结果表明:与最小二乘法相比,GRNN误差明显减小,约一个数量级,能有效提高拟合精度。     

多参数气体检测设备数据处理研究

常用的单气体测量设备只能检测单一气体,进行多参数测量是发展的趋势。该文就多参数检测设备中,传感器信号数据的处理方法做了分析和研究。采用多传感器信号矩阵运算去除气体交叉干扰;针对传感器信号输出非线性的特性,使用最小二乘法进行传感器输出特性曲线的拟合。将上述方法应用到多参数气体检测设备上,进行了相关实验。结果表明,该方法提高了多参数气体检测设备的精度和抗干扰性。     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

机械式冲床停上死点位置的控制策略设计与实现

机械式冲床进行冲压操作时,上死点位置的精度是最关键的问题之一;为了提高冲床停上死点位置的精度,研究了冲床刹车后由于惯性而转过的角度与刹车时影响因子的关系,拟合出刹车曲线,利用此曲线保证冲床刹车后能准确停在上死点;介绍数据的获取方法及流程,利用BP神经网络对冲床刹车曲线进行拟合,以均方误差作为衡量拟合效果的评价指标,并与最小二乘法拟合的曲线进行比较;分析两种方法对冲床刹车曲线的拟合效果,均方误差分别为0.006 092 3和1.624 7,实验结果表明,使用BP神经网络对冲床刹车曲线拟合的效果较好。     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

振弦式传感器标定曲线的拟合公式

阐述了振弦式传感器标定曲线的两个拟合公式,并给出了用最小二乘法计算传感器常数的方法。     

智能传感器数据处理方法

为提高智能传感器的测量准确度,根据数据处理的最小二乘法原理给出了动态测量中的数据平滑方法;利用神经网络良好的非线性映射能力,对标定数据进行输入/输出特性的反非线性逼近训练。结果表明:利用数据平滑处理方法,可以提高传感器测量准确度和抗干扰能力;利用神经网络进行的数据处理,相对于传统数据平滑方法,能使传感器的准确度由6.67%提高到0.98%。     

载体催化型瓦斯传感器输出电压与瓦斯体积分数函数关系研究

针对载体催化型瓦斯传感器的近似直线形的输出曲线存在非线性误差较大、准确度低的问题,提出了一种采用最小二乘法建立载体催化型瓦斯传感器输出电压与瓦斯体积分数函数关系的方法。以MJC4/2.9J型载体催化元件为实验对象,结合相应的实验数据得到输出电压与瓦斯体积分数的拟合曲线,该拟合曲线的结果表明,采用最小二乘法建立的瓦斯传感器输出电压与瓦斯体积分数函数关系非线性误差较小、准确度高,并将该函数关系应用到瓦斯检测仪的设计中。实际应用结果表明,该瓦斯检测仪具有较高的精度及稳定性。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

飞控系统传感器故障诊断的神经网络方法研究

BP神经网络对于飞行控制系统传感器故障诊断是一种有效的故障模式识别方法;在标准BP神经网络的基础上,提出了一种新的BP改进算法——自适应FMBP算法(SAFMBP),用以消除标准BP网络收敛速度慢及易陷入局部极小等缺点,并且建立了飞行控制系统仿真模型和传感器常见故障模型,采用基于神经网络模式分类的故障诊断方法,应用改进的BP神经网络(SAFMBP)进行飞控系统传感器的故障诊断,最后给出了仿真诊断实例。     

一种基于神经网络算法的高精度拟合传感器温度特性曲线的方法

为了有效改善传感器温度补偿特性,提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型.分析了算法的收敛性,为学习率的选择提供了理论依据.给出了对掺杂苯的SnO2纳米传感器的灵敏度-温度特性曲线进行拟合的实例.结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度(10-6),因而是一种有效的温度特性曲线拟合方法.     

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。     

基于BP网络的电涡流传感器非线性补偿

电涡流传感器消除了传感器探头和被测材料之间的相关性,但存在较严重的非线性,采用BP网络对改进后的传感器的非线性进行补偿,并将补偿结果与拟合函数法的补偿结果进行了比较。结果表明:2种补偿方法都大大提高了传感器的线性度。但BP网络产生的补偿曲线更顺滑,补偿后的传感器线性度更高。     

基于BP神经网络的凸轮升程曲线拟合研究

基于BP神经网络方法,研究了凸轮升程曲线的拟合及BP神经网络拓扑结构、运行参数的选取规则。利用BP神经网络可实现复杂的凸轮升程曲线精确拟合,而不必事先假定凸轮升程曲线类型。实例表明采用BP神经网络拟合的凸轮升程曲线具有良好的速度、加速度连续性,保证了凸轮良好的动力性能。