基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关,提出了采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对压力传感器输出的影响。研究结果表明,利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

基于人工神经网络的压力传感器三维数据融合

针对压力传感器对温度变化和电流波动的交叉灵敏度问题,采用径向基函数(RBF)人工神经网络法对其进行数据融合处理,详细讨论了网络的训练过程和数据融合过程,消除温度和电流对压力传感器的影响。仿真结果表明:当温度变化48.5℃,电流波动3%时,经RBF神经网络数据融合后,压力波动为0.544%,大大降低了交叉干扰,提高传感器的稳定性及其精度,满足在线融合的需要。     

多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

基于神经网络的传感器网络数据融合技术研究

研究传感器网络数据融合优化问题,由于采集数据过程各节点汇集存在大量的冗余信息,需通过融合,提高采集效率.针对传统的数据融合算法需要获得对象比较精确的数学模型,对于复杂难于建立模型的场合无法适用.为解决上述问题,提出了一种BP神经网络传感器网络数据融合方法,可对对象的先验要求不高,具有较强的自适应能力.首先建立三层网络结构,接着提取数据库中属性数据的特征值并作为网络的输入,然后通过调节输入向量与中心向量的距离及中心向量的值确定网络权值,最后对数据进行有效融合,仿真结果表明,通过对有损数据融合,无损数据融合相比较,得出采用BP神经网络对传感器数据进行融合处理,输出输入稳定简单,是一种有效的数据融合处理方法.     

基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

一种基于神经网络的力传感器的数据融合方法

电阻应变式测力传感器是目前国内外广泛使用的一种传感器。但它在使用的过程中,经常由于载荷分布不均,造成其精度的降低,使其输出特性呈现严重的非线性。引起这种误差的主要原因有：传感器的高度不足、斜载、偏心等。人工神经网络是由大量处理单元(神经元)组成的非线性大规模自适应系统,能够表达任意复杂的动态特性。因此,针对传感器的高度不足、斜载这两种情况,该文提出了利用前向多层神经网络进行数据融合。以筒式力传感器为例,阐述了其网络模型的建立过程。结果表明在高度降低和斜载的情况下,利用神经网络传感器仍能保持很高的精度。这在工程实际中是非常有用的。     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

基于神经网络的智能传感器的数据处理

为提高智能传感器的测量准确度,利用神经网络良好的非线性映射能力,对传感器的标定数据进行输入-输出特性的反非线性逼近,同时,利用传感器实验数据进行神经网络的训练。结果表明:与传统的数据处理方法相比较,利用神经网络进行的传感器数据处理,能使传感器的准确度由±6.67提高到到±0.98。     

基于蜂窝网络结构的数据融合算法

针对无线传感网中节点能耗同数据精确度之间不均衡的问题,提出一种能够基于蜂窝网络结构的数据融合算法（DFACN）。在基于蜂窝网络的分簇结构中,首先筛选最小能耗的簇头;之后通过数据精确度和节点能耗的计算判断融合因子的大小,动态选取参与融合的簇内节点数;最后簇头完成数据的融合处理。在OPNET仿真环境下,与EECDA和IDDOA算法进行实验对比,DFACN算法的数据精确度分别提高了2.6%和4.7%,节点能耗分别降低了2.7%与3.4%。结果表明,DFACN算法在降低能耗的同时,有效地提高了数据的融合精确度,并且延长了网络的生命周期。     

基于BP网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。     

基于无线传感器网络的安全数据融合技术探究

随着我国信息技术的持续完善和无线传感器网络的不断发展,在无线传感器网络中,安全数据融合技术得到了越来越广泛的应用。本文从对安全数据融合技术进行简析入手,对安全数据融合技术在无线传感器网络中的应用进行了分析。     

无线传感器网络含有缺失数据的数据融合研究

针对含有缺失数据的无线传感器网络数据融合问题,提出了一种简单易行的二次数据融合算法(TFA)。考虑到感知数据的时—空相关性,对缺失数据进行线性插值插补和回归分析插补,对插补结果利用线性组合融合算法进行融合。综合考虑各节点的信息,利用自适应加权融合算法进行融合。实验结果表明,该算法在含有缺失数据的前提下,能够以较低的计算开销和较高的估计精度实现数据融合。     

基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

基于虚拟压力传感器补偿的传感器网络模型 *

传感器网路布置模型是整个传感器网络监测系统的关键技术,直接影响网络成本及性能。目前研究者 提出很多传感器布置模型,但这些模型在实际工程中实用性差、成本高。在软传感器启发下,根据实际监测环境 特点,运用数学分析方法,提出一种虚拟传感器补偿算法,该方法大大地提高了传感器网络的性能,降低了成本。 实验显示,基于虚拟压力传感器补偿的压力传感器网络具有很高的工程实用价值。