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。     

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机（LS—SVM）构造函数链接型神经网络（FLANN）逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS—SVM—FLANN方法辨识得到。实验结果表明,LS—SVM—FLANN辨识逆系统模型的速度是BP—FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10％。用LS—SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。     

基于SVM逆模型的电涡流传感器非线性补偿

针对电涡流传感器检测过程中受温度和电路干扰等因素引起的非线性问题,提出了基于支持向量机（SVM,理论的非线性补偿方法,分析了存在传感器测量值中的非线性特性,建立了以检。测位移参数为输出,以电压参数为输入的SVM逆模型。通过实验数据仿真验证了SVM模型的有效性,测试样本的模型预测平均误差为0.0751mm,达到了较好的线性度,实现了电涡流传感器非线性补偿的目的。     

基于支持向量机的电容式压力传感器建模方法

将支持向量机(SVM)引入传感器建模研究中,这里,SVM作为校正误差的一个逆模型.SVM有效地解决了小样本学习问题,因此,该方法对试验数据无特殊要求.最后,电容式压力传感器(CPS)建模试验结果证明了该方法的可行性和高效性.     

工业控制中电涡流传感器位移测量精度研究

针对电涡流传感器对受温度影响较大、导致严重的温度漂移的问题,提出了采用基于支持向量机算法的温度补偿模型。首先通过对电涡流传感器采用二维定标实验,通过温度箱改变温度,再利用温度传感器测试其温度,通过学习,建立支持向量机(Support Vector Machine,SVM)模型。通过对SVM中的核函数和参数的选取及优化,最终得到SVM的电涡流传感器的温度补偿模型。经过补偿之后,电涡流传感器的灵敏度温度系数和零位温度系数与未进行温补相比均提高了一个数量级,从而达到了对电涡流传感器温度补偿的目的,同时非线性也得到了校正。     

基于神经网络的电容式压力传感器非线性校正

当环境温度变化时电容式压力传感器的非线性响应特性也发生很大的变化,为了实现对电容式压力传感器的响应特性进行自动非线性补偿,提出了基于神经网络的智能压力传感器。该系统由两个神经网络组成,一个实现对温度的补偿,另一个实现非线性补偿。仿真结果表明,补偿后的传感器输出误差低于满量程的±2.5%。     

电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

微型航姿系统中磁传感器温度漂移补偿研究

研究了微型航姿系统中地磁传感器的温度特性,根据地磁传感器噪声的频谱特性,设计了带阻数字滤波器;基于地磁传感器测量原理分析传感器输出电压随温度变化的规律,利用多项式相消的方法建立磁传感器温度漂移误差的实时补偿模型,并应用于微型航姿系统的磁航向解算。多次试验结果表明:地磁传感器零偏模型具有良好的重复性,实时温度漂移误差补偿模型可以有效地补偿地磁传感器引起的温度漂移误差;缩短了系统的预热时间,提高了系统输出的磁航向精度。     

压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

基于DE-SVM的硅基压阻式压力传感器温度补偿研究

针对硅基压阻式压力传感器易受环境温度影响的特点,提出了一种基于DE-SVM的硅基压阻式压力传感器温度补偿方案。该方案主要由训练数据预处理模块、DE参数寻优模块、SVM训练模块、数据采集模块、测量数据预处理模块及SVM校正等模块组成,以SVM算法的非线性回归功能为核心,通过DE算法优化SVM参数,经训练后得到温度校正模块,模块接收测量数据后输出校正后的压力值。实验表明,对单个传感器压力值使用DE-SVM模型进行校正,最大误差和均方误差分别下降了93.87%和99.89%;在七块硅基压阻式压力传感器构成的多传感器情况下,最大误差和均方误差分别下降了93.17%和99.27%,平均相对误差由14.06%下降至1.20%;最后选取训练数据不包含的温度点使用所建立的模型进行测试,模型仍能够较好地进行温度补偿。     

基于逆模型的温度传感器动态补偿方法

在瞬态测量中,温度传感器的测量滞后会影响到测量系统的精度。提出了一种通过建立温度传感器的动态逆模型来扩宽其工作频带,以此来减小因温度传感器测量滞后所形成的动态测量误差的补偿方法。用该方法设计的动态补偿器具有不依赖温度传感器动态模型的特点,可根据温度传感器和参考模型对输入激励响应的实测数据,通过微粒群(PSO)算法的优化学习得到补偿器的参数。检测信号经补偿计算后输出,能够克服传感器的测量滞后。实验证明了该方法的有效性。     

基于支持向量机逼近的内模控制系统及应用

针对同步发电机组汽门系统, 文章研究了一种基于支持向量机逼近的内模控制系统. 所研究的控制系统包括两个主要部分: 支持向量机逼近逆控制器、内模框架下的不确定性补偿. 由基于泰勒扩展的输入输出逼近模型计算逆控制律, 并由非线性系统辨识来实现. 同时, 采用一个鲁棒滤波器实现内模框架下的不确定性补偿. 针对汽门系统的仿真实验验证了该控制系统的优良性能.     

瞬态表面温度传感器动态校准及误差补偿研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差。动态补偿对于改善测温系统动态特性,减小动态误差有重要意义。该文首先熟悉现有的瞬态表面温度传感器动态校准系统;然后,利用系统所测得输人输出数据,采用系统辨识方法建立了测温系统的动态数学模型,并利用交叉检验法验证该模型的正确性;最后,利用反滤波动态补偿方法实现对瞬态表面温度传感器测温系统的动态补偿。经检验该方法可以达到理想的补偿效果,减小了动态误差,改善了系统的动态特性。     

基于支持向量机的水质浊度补偿研究

针对传统浊度传感器的非线性误差,无法满足直接对水中浊度进行精确测量的需求,提出了一种支持向量机的方法补偿其性能。而支持向量机中惩罚系数和核参数决定了其补偿的性能,传统支持向量机寻参方法速度慢、运算量大,具有一定的局限性。针对其参数的选择优化提出了改进的网格搜索法优化支持向量机,即采用改进的网格搜索法来针对水质浊度监测传感器补偿系统的特性来优化选择惩罚系数和核参数。实验结果表明,基于网格搜索法的支持向量机测量精度达到93.0%,其各项测量误差满足实际标准要求。     

基于改进QR-PSO算法的压力传感器的动态补偿方法

针对压力传感器在实际使用中动态特性难以满足测试需求这一问题,利用激波管对压力传感器进行动态标定,获取实验样本,依赖样本估计逆模型,提出了基于QR分解和改进粒子群算法构建补偿系统的设计方法.采用QR分解确定模型阶次,降低了简化传感器模型带来的动态补偿运算误差,并结合改进粒子群算法,高效、智能的确定补偿系数.通过实测样本对补偿系统进行重复性验证,结果表明压力传感器的动态响应性能显著地提高了,补偿效果令人满意.     

pH传感器温度补偿模型研究

水质pH值在线监测对提高水产品健康养殖至关重要,本文将无线传感器网络与pH值传感器相集成,设计了pH值监测的无线传感器网络系统。为克服pH值测量过程中温度对测量结果的影响,提出了一种pH传感器温度补偿模型,该模型通过pH传感器和PT100铂电阻温度传感器分别测量溶液的pH值和温度,利用最小二乘法对pH值和电压进行线性分析,建立pH传感器的温度补偿模型。实验结果表明,该补偿模型测量精度高,能够实现较精确的pH值在线监测。     

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...     

改进的粒子群算法在传感器温度补偿中的应用

针对红外气体传感器测量精度受环境温度影响较大的问题,提出了一种基于嵌入自适应Levy变异免疫粒子群-最小二乘支持向量机（ALIPSO-LSSVM）的温度补偿算法。ALIPSO算法引入Levy flight对子代粒子进行自适应变异,确保粒子多样性,并在每次迭代之前,采用相对基学习方法初始化粒子群,提高算法的收敛速度。通过5个基准测试函数对ALIPSO算法进行性能评价,仿真结果表明该算法收敛速度较快、精度高,且具有较强的全局搜索能力。利用ALIPSO算法对LS-SVM的参数进行优化,并将该混合算法应用于红外气体传感器温度补偿,数值仿真结果表明采用该算法可将补偿结果的相对误差控制在6%范围内。