数字角位移传感器在航空发动机系统中的应用研究

根据某型发动机角位移传感器的工作原理,设计了一种数字角位移传感器,分析了其静态和动态特性。该传感器以角位移传感器和CMOS低频锁相环电路为核心,用于航空发动机控制系统中角位移测量。实验表明,该传感器相位移动小,干扰噪声抑制能力强,响应速度较快;测量精度可达±0.01°,可以及时有效地对角位移进行跟踪测量。     

基于自整角机的雷达方位角测量系统研究

介绍了雷达方位角测量系统的原理和组成,从理论上分析测角系统及各典型环节误差的产生,并结合实验结果,提出了提高雷达方位角测量精度的方法。     

数字自整角机转换器和数字分解器转换器选择指南

本文简要介绍了美国ADI公司生产的数字自整角机转换器(DSC)和数字分解器转换器(DRC)的基本特点、一般选择方法、选择时应注意的问题及其应用领域。     

数字自整角机转换器和数字分解器转换器选择指南

本文简要介绍了美国ＡＤＩ公司生产的数字自整角机转换器（ＤＳＣ）和数字分解器转换器（ＤＲＣ）的基本特点、一般选择方法、选择时应注意的问题及其应用领域。     

自整角机-数字转换器及其应用

本文主要介绍自整角机－数字转换器的工作原理，以12位自整角机一数字转换器在PXI平台中的应用。     

基于RD-19230的自整角机接口电路设计

自整角机是一种被广泛应用的微控制电机,它既能作为传感器测量远距离机械装置的角度位置,也可以控制远距离设备装置的角度位移.应用跟踪型模拟信号转16位数字单片变换器RD-19230,将自整角机输出的模拟信号转化为数字角度信号,介绍了自整角机的基本原理,设计了RD-19230与自整角机的接口电路.测试证明,该电路的设计方法可...     

自整角机／数字转换器在轴角测量系统中的应用

介绍了自整角机/数字转移器的电路组成和工作原理。给出了由AD2S80A组成的轴角测量电路,分析了测量误差以及提高测量精度的方法。     

基于LPC2292数字自整角机转换控制的研究

介绍了如何用以微处理器LPC2292和AD7537为核心部件产生两个正、余弦函数,同时利用斯柯特变压器实现数字信号到自整角机信号的转换,分析了如何采用分段控制方法来对自整角机的速度进行控制。实验结果表明,在自动操舵仪数字信号驱动自整角机的接口系统中采用该方法其性能可满足要求。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

二维PSD非线性修正的神经网络算法的研究

分析了位置传感器(PSD)的非线性成因，并根据PSD的非线性特点，提出了用神经网络的BP算法对PSD的非线性进行补偿，从而使PSD的B区获得了与A区近似的线性度。故在不增加成本、不改变测量设备的复杂度的情况下，扩大了测量范围，提高了B区的测量准确度及数据的置信度。     

基于神经网络的纳米MOSFET量子更正

提出了基于Levenberg-MarquardtBP神经网络的纳米MOSFET量子更正模型,并对拥有不同隐层、不同隐层神经元数的网络的训练精度和速度进行了研究对比。结果表明,包含2个隐层的网络可以获得高的训练速度和精度。该模型可用于快速预测纳米MOSFETSi层各点载流子量子密度,并对其电容及漏电流进行量子更正,其结果与Schrdinger-Poisson方程的吻合度很高。     

A/D转换器非线性特性简易测试方法

A／D转换器非线性测试是A／D转换器静态特性测试的一项重要内容。相对于以往成本较高的测试方法，文章提出了一种简易可行的测试方法：利用高精度D／A转换器和低精度A／D转换器的精度差，借助8051仿真系统进行测试。实验表明，该方法成本低廉，操作简单，适用于A／D转换器非线性特性的初期评测。     

基于神经网络的红外焦平面非均匀校正的新算法

传统的神经元网络算法对噪声具有较好的自适应性,但当噪声略强时,它的校正效果会出现下降,为进一步提高性能,原作者提出了基于神经元网络的红外焦平面非均匀性校正的改进算法.但在场景静止时,原算法就不再适用.针对这种情况,分析了基于神经元网络的红外焦平面非均匀校正的改进算法,提出了在场景静止时的校正算法.并结合两者,最后提出了基于神经元网络的红外焦平面非均匀校正的新算法.仿真证明,新算法具有优异的性能.     

基于神经网络的纳米MOSFET载流子密度量子更正

为了处理纳米MOSFET载流子分布的量子效应,提出了基于Levenberg-Marquardt BP神经网络的量子更正模型,通过载流子的经典密度计算其量子密度,并对拥有不同隐层数和隐层神经元数的神经网络的训练速度和精度进行了研究.结果表明:含有2个隐层的神经网络具有高的训练速度和精度,但隐层神经元数对速度和精度的影响并不明显;对于单栅和双栅纳米MOSFET,其载流子量子密度可以通过神经网络进行快速计算,其结果与Schrodinger-Poisson方程的吻合程度很高.     

Neural-Network-Based Charge Density Quantum Correction of Nanoscale MOSFETs

为了处理纳米MOSFET载流子分布的量子效应,提出了基于Levenberg-Marquardt BP神经网络的量子更正模型,通过载流子的经典密度计算其量子密度,并对拥有不同隐层数和隐层神经元数的神经网络的训练速度和精度进行了研究.结果表明:含有2个隐层的神经网络具有高的训练速度和精度,但隐层神经元数对速度和精度的影响并不明显;对于单栅和双栅纳米MOSFET,其载流子量子密度可以通过神经网络进行快速计算,其结果与Schrodinger-Poisson方程的吻合程度很高.     

基于神经网络的MOS电阻阵列非均匀性校正

对MOS电阻阵列非均匀性产生的原因进行了深入分析,并提出了一种可明显提高红外图像生成质量的新的电阻阵列非均匀性校正方法.通过离线测试得到整个电阻阵列的电压-温度数据和待校正单元的电压-温度数据.以这些原始数据作为神经网络的输入,建立电阻阵列中每个单元的校正前输入和期望输入之间的函数关系,生成查找表,从而解决MOS电阻阵...     

一种红外导引头成像自适应非均匀性校正方法

在红外成像制导应用中,为满足长周期免拆卸贮存的应用需求,红外导引头非均匀性的研究越来越多的集中于采用自适应的校正方法来代替传统的参考源的非均匀性校正方法。针对传统基于神经网络的自适应非均匀性校正算法容易造成“鬼影”的问题,提出了一种改进的红外导引头成像自适应非均匀性校正算法。该方法在传统神经网络非均匀性校正的基础上,进行了4点实用化的改进：首先,通过对图像运动判断,避免场景静止时的过学习;其次,采用自适应学习率,避免细节丰富区域的过学习;然后,利用双边滤波求期望目标的评估,减少细节的损失;最后,通过判断误差函数的波动量来决定是否对偏置进行更新。实验结果表明,该方法在校正精度、收敛速度和稳定性方面均优于传统的神经网络校正算法。     

基于中值滤波的红外焦平面阵列非均匀性神经网络校正

统的神经网络校正算法存在收敛速度慢和校正精度低的缺点。当背景噪声较大时,它更难以获得令人满意的校正效果。 针对其不足之处, 提出一种基于中值滤波的红外焦平面阵列(IRFPA)非均匀性神经网络校正算法。该算法首先利用中值滤波对强噪声进行预处理,在此基础上 采用改进的神经网络校正算法对IRFPA非均匀性进行自适应校正。实验结果表明,该算法与传统的神经网络方法相比具有收敛速度快和校正精 度高等特点,并且使图像的峰值信噪比至少提高了10dB。