传感器特性曲线的自适应分段最佳拟合及应用

为了减小传感器的非线性误差问题,提出了一种传感器的非线性传输曲线的自适应分段最佳逼近拟合方法, 介绍了该方法的数学模型和应用实例,实验结果表明, 应用本方法, 使传感系统的非线性误差大大减小.     

用小波神经网络补偿传感器非线性误差的研究

研究了一种用小波神经网络对传感器非线性误差进行补偿的方法 ,给出了相应的算法和计算公式。该方法可将传感器传输特性的非线性模型改造成为与实际物理过程相一致的不失真的线性模型 ,从而使传感器的非线性误差大大减小。应用实例结果表明了该方法的有效性。     

传感器信号的非线性补偿

针对传感器信号中存在的非线性误差 ,介绍了硬件补偿和软件补偿两种方法。硬件补偿是基于电压源可变来实现传感器特性的线性化 ,从而消除了非线性误差 ;软件补偿是通过函数拟合的办法来有效减小信号中的非线性误差 ,进而提高传感器的准确度。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

传感器模糊神经网络非线性误差补偿的研究

在测量系统中。传感器的非线性特性是测量系统误差的主要来源。要提高测量系统的精度，就必须进行误差补偿。设计了一个用模糊小脑神经网络实现的补偿环节。该补偿环节是一个用神经网络拟合的传感器逆特性，通过传感器的逆特性将传感器非线性特性改造成与实际物理过程相一致的不失真的线性特性。从而减小非线性误差。通过应用实验，验证了该方法的有效性。     

路灯节能调控系统矢量传感器误差修正方法

针对路灯节能调控系统中传感器的固有误差和系统误差,使其测量值易受非线性干扰而引起矢量误差问题,提出一种路灯节能控制系统矢量传感器误差修正方法。利用BP神经网络的非线性映射能力,建立补偿逆模型,为传感器提供理想的线性特性,同时根据网络层次间取值结果,引入梯度下降法,依据结果调整权值和阈值取值,令其无限接近非线性函数,考虑到实际建模过程中误差,增加误差惩罚因子,明确样本高于线性中间模型的精度级别,转化为Lagrange方程,最后利用SVM算法辨识中间模型系数,并应用参数矩阵间的关系来完成矢量传感器误差修正。仿真结果表明,上述方法能有效地减小非线性误差对传感器测量值的影响,提高传感器的测量精度。     

基于三次多项式的磁弹性传感器非线性误差修正

磁弹性传感器输出信号大,具有较高的过载能力,非常适合用于测量金属板材的轧制力和桥梁支撑柱的压力。理论上,传感器输入和输出之间是线性关系;但实际上,传感器的输入输出特性都是非线性的。非线性误差是传感器的关键指标,直接决定产品的定级。对于重复性好和回差小的传感器,可以用三次多项式修正降低其非线性误差,以提高产品等级。通过400 t磁弹性传感器在标准测力机上进行的测力试验,验证了非线性误差修正方法的可行性,将传感器的非线性误差从2.75%减小到了0.35%,大大降低了非线性误差,且修正方法简单实用,使用单片机的仪表在现场即可进行数据修正操作。对于电阻应变式传感器和其他线性仪表,此方法同样适用。     

最佳拟合与神经网络相结合实现传感器特性线性化

提出了一种传感器特性线性化的方法.该方法把传感器特性分为线性和非线性段,用一种改进的BP神经网络映射传感器特性非线性段的反函数作为校正环节,用最佳拟合方法得到线性段的直线方程,从而实现传感器特性的线性化.经过仿真试用表明,这种方法可使传感器的非线性误差减小近十倍.最后,给出了一些仿真实验和仿真结果.     

水下定位系统传感器安装误差标定技术研究

提出了一种基于非线性参数估计的水下定位系统传感器安装误差标定技术.水下定位系统由声学传感器,GPS和船体姿态传感器组成,各传感器的坐标系并不能完全重合,需要对传感器之间的误差标定后进行修正才能够获得高精度的定位效果.已有的标定方法多基于高斯-牛顿迭代法,而当非线性系统模型线性化带来较大误差时,常规的基于高斯-牛顿迭代法的标定方法已无法达到高精度的要求,而非线性模型参数估的直接解法则掺人了三阶量,有效减小线性化的模型误差,提高了各传感器安装误差的标定精度.海试数据处理表明:定位精度可由1 m提高到0.7 m.     

一种基于示值误差的传感器标定方法

以传感器测量值的示值误差为拟合对象,给出了在应用该方法标定传感器时,拟合传感器测量值的示值误差曲线时的最小二乘法公式和计算拟合曲线的系数时调用计算机数据处理模块的格式,同时,给出了标定曲线、标定值的示值误差和非线性误差的计算公式。以某力传感器为例,对该方法的具体应用进行了详细的论述,将其示值非线性误差从0.416%分别降低到0.066%,0.023%,0.026%。     

基于复合RBFNN的数字温度传感器误差补偿方法

数字温度传感器存在零点误差与非线性误差,需要进行误差补偿.提出了一种复合径向基函数神经网络(CRBFNN)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,构造两个相互独立的子RBFNN网络,获得两个独立的冗余补偿值;然后根据特征阈值、数字温度传感器的输出估计器和权值调节器,获得复合RBFNN输出融合权值...     

改善传感器非线性的自适应分区神经网络方法

提出了一种传感器特性反函数的自适应分区神经网络辨识方法,这种方法根据学习准确度的要求,用自适应方法把传感器特性的反函数分成若干区间,分别用一个BP神经网络去学习辨识进而取代,从而实现传感器特性的线性化。实验结果表明,非线性误差可减小到原来的十分之一。     

基于MEMS技术的微电容式加速度传感器的设计

给出了一种基于MEMS技术制作的微电容式加速度传感器的结构及工艺。为了准确地把握这种微电容式加速度传感器的力学和电学特性,仔细地建立了它的力学模型。在此基础上,详细分析了它的动态特性———模态。并用有限元的方法分析和计算了微电容式加速度传感器的加速度与电容信号的非线性输入输出关系,并结合实测参数验证了模型的有效性。最后提出了一种详细的有效的基于MEMS技术的微电容式加速度传感器的结构以及加工工艺流程。基于MEMS技术制作的微电容式加速度传感器具有结构简单、工作可靠和工作范围大的特点。根据这套方法,可以比较方便地设计并加工不同测量要求的加速度计。     

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法。在该方法中,LS-SVM被用作构建逆模型,并通过该模型映射传感器非线性特性,同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明:所提模型建模速度比SVM模型高1~2个数量级,补偿误差仅为SVM模型的20%左右。因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正。     

色度传感器非线性误差校正的神经网络模型

介绍了色度传感器的结构和特点及其非线性误差问题，提出了一种基于人工神经网络的非线性滤波器黑箱模型，并成功地应用于色度传感器光谱三刺激值非线性误差的校正中。     

基于FLNN的塔机起重量软测量方法研究

通过起重量限制器的受力分析,指出在塔式起重机(塔机)起重量软测量中钢丝绳张力与拉力传感器拉力之间呈非线性关系,提出应用函数型连接神经网络(FLNN)建立软测量模型,为塔机起重量的间接在线测量提供了新方法。结合塔机QTZ63给出了网络的实现过程,实测研究表明:该测量方法具有误差小、精度高、容易实现等优点。     

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CMAC的非线性逆滤波改善传感器的动态特性

在测量系统中许多传感器存在着严重的非线性静态特性和响应滞后的动态特性,当被测量对象的变化率高于传感器的响应速度时,测量结果与真值之间存在较大的误差.为了补偿这个测量误差,采用了一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去改善传感器的特性.IIR滤波器的系数通过实验数据得到,非线性静态环节采用单输入单输出小脑神经网络(SISO CMAC)实现.SISO CMAC具有学习简单、收敛速度快、函数逼近精度高等特点.最后,通过对热敏电阻动态测量误差的补偿,验证了该方法的有效性.     

双旁路磁弹索力传感器

基于磁弹索力传感器测量的基本原理,讨论了一种改进型双旁路磁弹索力传感器;利用磁阻分析法对双旁路磁弹索力传感器的结构进行磁路分析,并进行设计方法研究,提出了具体的结构设计准则与线圈参数设计方法;考虑剩磁的影响,对励磁方式的选择进行了详细分析,采用了正负脉冲电流励磁;根据钢缆索材料磁弹效应的材料特性优化传感器的励磁磁场工作...