传感器的误差补偿技术

介绍了多项式曲线拟合原理和方法.并借助计算机高级语言程序,分别建立传感器磁场与温度、磁场与非线性输出的拟和函数.计算拟和函数的系数,系数确定后可以建立拟合曲线函数,对磁敏传感器的非线性、温度误差补偿,通过实验证明了方法可行.     

气体传感器响应信号的化学反应动力学特征提取

介绍了气体传感器响应信号的化学反应动力学特征提取方法,与多项式拟合系数等特征提取法相比,更能反映敏感过程本质,利用该特征向量可获得较高的气体分类识别正确率.     

嵌入DeviceNet总线接口的智能差压传感器系统

介绍了一种具有DeviceNet现场总线通信功能的智能差压传感器的设计,探讨了传感器输入输出特性曲线的非线性校正方法。通过内嵌的总线控制器(SJA1000)、报文收发器(82C251)和P89C668单片机等,该传感器可直接作为一个DeviceNet从节点工作;对传感器的输入输出特性曲线进行了建模,以软件手段实现高精度的非线性自校正功能。测试结果表明:该智能差压传感器不但具有DeviceNet现场总线输出功能,且经过多项式或神经网络建模的传感器非线性误差分别可达0.04%FS和0.02%FS。这为高精度传感器的制作提供了一种可行的方法。     

非线性函数规范化多项式拟合精度分析

多项式可用于非线性信号的拟合,关键在于求解其各项系数。对于任何非线性函数,文献[1]提出一个规范化的拟合方法,本文主要讨论了小数点位数和阶数的选取对规范化多项式拟合精度的影响     

非线性函数规范化多项式拟合的精度分析

多项式可用于非线性信号的拟合,关键在于求解其各项系数.对于任何非线性函数,文献[1]提出一个规范化的拟合方法,本文主要讨论了小数点位数和阶数的选取对规范化多项式拟合精度的影响     

传感器系统的非线性校正

通常传感器的输入与输出呈非线性关系,本文采用多项式拟合法列出其反非线性特性拟合方程,并用MATLAB求出方程系数;在压力传感器系统中,压力经导电橡胶传感器转换为电压,电压数据被送到LabVEW软件中的公式节点,经过节点中拟合方程的计算,使传感器系统的输入-输出呈线性,即通过软件实现传感器系统的非线性自动校正.     

多项式回归在智能传感器线性化中的应用

利用最小二乘回归分析介绍多项式回归在智能传感器非线性补偿中的应用,提出了以传感器输入量作拟合多项式自变量和传感器输出量作拟合多项式自变量的两种补偿方法,并通过实例对这两种方法进行了分析和对比.     

基于ADμC845的LVDT位移传感器非线性补偿

针对LVDT位移传感器测量电路输出电压值和位移量之间存在非线性特征,设计和制作线性度为0.05%高精度传感器比较困难的现状,在分析产生非线性误差主要原因和传统校正方法的基础上,利用单片机软件算法进行非线性校正以提高传感器设计精度。以传感器标定数据为样本,用曲线拟合法求出非线性校正环节的特性曲线,并给出在MATLAB环境下拟合多项式系数的最小二乘求解方法,编程实现位移量和电压输出。仿真分析和实验结果表明,其测量位移的线性度达到了设计要求,非线性校正效果明显,具有良好的应用价值。     

传感器非线性的一种拟合方法

介绍了非线性传感器的一种曲线拟合方法。通过对某霍尔位移传感器位移、电压值的多项式拟合曲线的特点进行分析,发现该传感器曲线具有抛物线的特点,所以采用含开方项的多项式拟合。最后对所得曲线的各参数用逼近法进一步优化,得到比普通多项式拟合更实用的、偏差更小的拟合曲线。这种处理数据的方法对于求具备开方特性的传感器拟合曲线有一定的借鉴意义。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

基于Hopfield神经网络算法的WSN路径优化

针对无线传感器网络（WSN）能量有限的特点,提出一种新的基于Hopfield神经网络的路由优化算法,同时给出能量函数各参数之间的关系。通过Matlab软件对不同规模的网络进行仿真,仿真结果表明,该算法是可行的。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

基于贝叶斯数据融合的轨道车辆pt100温度检测系统设计

Pt100温度传感器是轨道车辆温度数据实时监测的常用传感器,其性能的好坏影响着人们对轨道车辆运行状态的判断.为了准确判断出存在故障的传感器,检测系统应包含精准的信号采集系统和有效的数据融合处理方法.首先对轨道车辆Pt100温度传感器信号采集系统的放大电路、A/D转换电路等进行设计,采集系统采用分段非线性多项式拟合算法,得到不同温度区间上的标度变换表达式;将一种基于贝叶斯估计算法的多传感器测量数据融合方法应用于采集信号的处理,判断轨道车辆Pt100温度传感器是否存在故障.研究结果表明,采用上述过程测量温度精准,融合误差小,能够有效筛选出发生故障的传感器.     

Neural systems as nonlinear filters

Experimental data show that biological synapses behave quite differently from the symbolic synapses in all common artificial neural network models. Biological synapses are dynamic; their "weight" changes on a short timescale by several hundred percent in dependence of the past input to the synapse. In this article we address the question how this inherent synaptic dynamics (which should not be confused with long term learning) affects the computational power of a neural network. In particular, we analyze computations on temporal and spatiotemporal patterns, and we give a complete mathematical characterization of all filters that can be approximated by feedforward neural networks with dynamic synapses. It turns out that even with just a single hidden layer, such networks can approximate a very rich class of nonlinear filters: all filters that can be characterized by Volterra series. This result is robust with regard to various changes in the model for synaptic dynamics. Our characterization result provides for all nonlinear filters that are approximable by Volterra series a new complexity hierarchy related to the cost of implementing such filters in neural systems.     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

热催化气体传感器的特性分析及其设计原则

热催化气体传感器的输出受诸多因素的影响,从理论上分析其输出特性有助于传感器的优化设计和性能评估。从一个热催化气体传感器的典型结构和热催化气体敏感机理出发,应用热平衡方程和热敏电阻的电阻温度关系推导了传感器输出与被测气体浓度、催化反应速度、工作温度以及传感器结构尺寸等之间的定量关系。从推导过程中的诸多假设,得出了热催化气体传感器设计时应遵循的一般原则。     

潮汐河流水质的模型辨识与参数估计

本文设计统计系统辨识,其目的是利用水质参数的非平稳时间序列以及水力学参数的时 间序列建立潮汐河流的水质动态模型.文章中推导了变系数的差分模型,并将变系数分解成时 变和时不变两部分,以导出时不变的待辨识参数.然后通过对噪声性质的讨论,指出可以采用 时间序列的分析方法,从而建立潮汐河流水质的动态模型,并应用Allen的PSS准则确定非 线性的待估参数值. 本文还提出了通过预报来修正非线性参数的一种方法.最后,通过实例计算,证实了本文 方法是可行的.     

基于卷积神经网络的永磁同步电机转矩观测器

内嵌式永磁同步电机具有高功率密度、高可靠性和弱磁性等诸多优点,但由于电动机参数具有非线性化特征,导致电磁转矩难以精确估算。该文提出了一种基于卷积神经网络的电磁转矩估算方 法,即转矩观测器。首先,基于所搭建的高保真非线性内嵌式永磁同步电机模型,获得用于神经网络训练的转矩观测器数据;然后,基于所提出的卷积神经网络转矩观测器实现内嵌式永磁同步电机的精确控制;最后,为获取最优的转矩估算误差,在仿真实验阶段对不同参数和结构的卷积神经网络进行了对比和分析。结果表明,该神经网络可以实现电磁转矩的准确估算,所建立的转矩观测器具有良好的性能参数和泛化能力。     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

基于栈式循环神经网络的血液动力学状态估计方法

利用fMRI数据准确地估计血液动力学状态, 能得到一种更接近神经元层面的大脑活动的客观表示, 这将促进人们对大脑运行机理的深刻理解, 推动脑认知的进一步发展.迄今为止, 人们已经提出了许多血液动力学状态估计方法.然而, 这些方法大都只考虑了相邻时刻血液动力学状态之间的关系, 忽视了更深层次的时序特征.而对模型参数先验信息的需求也使一些方法在实际应用中受到了限制.为此, 本文提出了一种基于循环神经网络的血液动力学状态估计新方法.首先, 利用血液动力学模型中非线性函数的反函数建立BOLD信号与血液动力学状态之间的映射关系, 并构建模型的反演过程.然后, 采用一种堆叠三个RNN模块的栈式神经网络结构来拟合这种映射关系, 使其能够以BOLD信号作为输入, 得到血液动力学状态的估计值.最后, 在仿真数据上验证新方法的性能.实验结果表明:与一些代表算法相比, 新方法能够更合理地提取fMRI数据中的时间特性, 有效地拟合BOLD信号与血液动力学状态之间的动态非线性关系.