基于FOA- LSSVM算法的扩散硅压阻式压力传感器温度补偿

扩散硅压阻式压力传感器具有精度高、灵敏度高、动态响应快等优点,但是存在严重的温度漂移现象,因此必须对其进行温度补偿。针对扩散硅压阻式压力传感器的温度漂移现象,设计了一种基于果蝇算法优化最小二乘支持向量机(FOA-LSSVM)算法的温度补偿模型。首先,运用MPX10扩散硅压阻式压力传感器和LM35温度传感器,进行压力和温度的二维标定试验。然后,利用果蝇优化算法(FOA)自动寻优的优点,解决了最小二乘支持向量机(LSSVM)手动选取参数的问题,从而提高了算法的效率和补偿精度。试验证明,运用FOA-LSSVM算法对扩散硅压阻式压力进行温度补偿,零位温度系数(α_0)和灵敏度温度系数(α_s)均提高了一个数量级,达到了对该传感器温度补偿的目的。     

霍尔效应式位移传感器的温度补偿

针对霍尔位移传感器温度漂移的问题,提出了一种基于粒子群优化算法与遗传算法优化最小二乘支持向量机(PSO-GA-LSSVM)的温度补偿新模型。该模型利用粒子群优化算法对最小二乘支持向量机中的惩罚因子和核函数进行优化选取,提高了模型的训练速度与准确度;并引入遗传算法中的变异思想,拓展模型的群搜索空间,提高了寻取更优值的概率。研究结果表明,补偿后该传感器的零位温度系数由1.25×10^-2/℃减小到6.33×10^-4/℃,其灵敏度系数由4.55×10^-3/℃减小到4.22×10^-4/℃,均提升了一个数量级,实现了对该传感器的温度补偿。     

光纤位移传感器温度补偿的研究

为了减小温度漂移对光纤位移传感器测量精度的影响,采用基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的模型对该传感器进行温度补偿。通过对光纤位移传感器做二维标定试验,利用LM35温度传感器获取试验环境温度数据,建立了PSO-LSSVM温度补偿模型。该模型的核心思想是利用粒子群优化(PSO)算法对最小二乘支持向量机(LSSVM)算法中的惩罚因子C和核函数参数δ不断地进行优化选择,直至适应度函数值达到预期要求,此时温度补偿达到最优效果。比较温度补偿前后的数据,零位温度系数从9.78×10~(-3)/℃提升到2.07×10~(-3)/℃;灵敏度温度系数从7.47×10~(-3)/℃提升到1.51×10~(-3)/℃。PSO-LSSVM模型能够有效地实现对光纤位移传感器的温度补偿。对光纤位移传感器进行温度补偿的研究,将对使用该传感器进行测量的领域产生积极的影响。     

基于DBN的硅压阻式压力传感器高精度温度补偿模型的研究

硅压阻式压力传感器因对温度具有敏感性,工作时受环境温度的影响会产生温度漂移现象,降低了测量精度,为提升压力传感器的检测精度,提出了一种基于深度信念网络(Deep Belief Network,DBN)的高精度温度补偿模型.研究了压阻式压力传感器的工作原理和温度补偿的数学模型,利用深度学习强大的数据表征能力,设计了区间定位的温度补偿模型构建算法,建立并优化DBN模型的网络结构,将DBN温度补偿模型对实验数据进行训练拟合,结果表明:温度补偿后的满量程相对误差由原来的7.013×10-3提升至8.240×10-5,验证了所提出的方法能具有较好的稳定性和温度补偿效果,较大幅度地提升了传感器的检测精度.     

基于QPSO—SVM算法的PDS变送器温度补偿方法

由于PDS压力变送器[1] 的测量数据会随着温度的变化而发生温度漂移,文中提出了量子粒子群[2](QPSO)算法和支持向量机[3](SVM)算法相结合的方法对压力变送器的输出数据进行补偿处理,通过QPSO算法优化SVM参数C、δ²,然后利用SVM的函数拟合建立补偿模型;通过分析工程实验结果,该方法在全局收敛性、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性。     

基于QPSO-LSSVM的数据库相似重复记录检测算法

针对大规模数据库的相似重复记录的检测问题,提出了一种量子群优化算法(QPSO)与最小二乘支持向量 机(LSSVM)相结合的相似重复记录检测方法(QPSC}LSSVM)。首先计算记录字段的相似度值;然后利用QPSO对 LSSVM参数进行优化,构建相似重复记录检测模型;最后通过具体数据集进行仿真测试实验。仿真结果表明,QPSCL LSSVM不仅提高了重复记录检测准确率,而且提高了检测效率,是一种有效的相似重复记录检测算法。     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究;首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法;仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度;该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。     

基于三次样条插值的硅压阻式压力传感器的温度补偿

传感器的零点温度漂移、灵敏度温度漂移和非线性误差是影响传感器性能的主要因素,如何能使该类误差得到有效补偿对于提高其性能有重要意义。提出了基于三次样条曲线插值的温度补偿方法,改进了传统三次样条曲线插值的补偿方法,分别对传感器的零点、灵敏度以及非线性进行补偿,用这种方法对测压范围为1.0140×105 Pa～3.0140×105 Pa,温度范围为-20℃～+60℃的硅压阻式压力传感器的实验标定结果进行了温度补偿。通过比较传统三次样条插值补偿后的传感器输出信号,验证了使用改进后的三次样条曲线插值法的补偿效果更好。这种方法为高精度压力传感器的温度补偿提供了一种有价值的理论依据。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10~(-9)~10~(-7)%之间,其拟合性能明显优于常规方法。     

基于GA-WNN的电涡流传感器的温度补偿

针对电涡流传感器的温度漂移对其测量精度带来较大影响的问题,提出了基于遗传优化小波神经网络(GA-WNN)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立GA-WNN神经网络模型。该模型用遗传算法对小波神经网络的权、阈值进行全局的优化,改善了小波神经网络训练速度慢的问题,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的灵敏度温度系数由8.69×10^-3/℃提升到3.48×10^-4/℃;零位温度系数由4. 78×10^-3/℃提升到1.85×10^-4/℃,均提高了一个数量级,成功实现了温度补偿的目的。     

基于TDLAS-WMS的近红外痕量CH_4气体传感器

为了对煤矿CH4气体进行实时监测,基于混合可调谐二极管激光吸收光谱(TDLAS)与波长调制光谱(WMS)的检测技术,采用中心波长为1.65μm的分布反馈(DFB)激光器,设计并研制出痕量CH4气体传感器。利用自主设计的DFB激光器温度控制器,通过调节激光器工作温度,进而使其发光光谱扫描CH4气体的吸收跃迁谱线。同时利用WMS检测技术将待测信号频率移至高频区,减小1/f噪声。利用该痕量CH4气体传感器,在被测气体体积分数为(0~106)×10-6的范围内,对二次谐波信号进行了提取。测试结果显示:在(0~106)×10-6范围内相对测量误差小于7%,检测下限为11×10-6。同时,研究人员可以通过更换其他波长的激光器,实现对其他气体的检测。     

基于Hermite基函数的液位传感器温度补偿方法

针对液位传感器易受温度影响的问题,提出了基于Hermite基函数的液位非线性校正和温度补偿的复合校正方法,该方法使用递推最小二乘法对标定液位进行拟合以获取复合补偿模型的参数,由此根据液位传感器的测量值和环境温度即可高精度计算出实际液位。仿真结果表明,补偿后的最大相对误差不超过1.23×10^-6%,具有良好的非线性校正和温度补偿效果,在液位检测领域具有重要的理论和应用价值。     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。     

基于Laguerre基函数的液位传感器温度补偿方法

针对环境温度影响液位传感器的检测问题,提出了基于Laguerre基函数的液位非线性校正和温度补偿的复合校正模型,采用递推最小二乘(RLS)法对标定液位进行拟合以确定复合补偿模型的参数.根据液位传感器的测量值和环境温度可高精度计算出实际液位.仿真结果表明:补偿后的最大相对误差不超过(3.4145×10-7)％,具有良好的非线性校正和温度补偿效果,在液位检测领域具有重要的理论和应用价值.     

硅-蓝宝石压力传感器温度补偿研究

针对硅-蓝宝石压力传感器在测量过程中容易受温度影响的问题,提出了一种基于串并联恒定电阻法和分段插值法的温度补偿方法;从硬件补偿电路和软件补偿算法两个方面论述了补偿方法的原理及实现方法,并通过实验验证了该方法的可行性.实验结果表明,最终制成的硅-蓝宝石压力传感器最大相对误差为0.357％,综合误差小于0.129％.     

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.     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.