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.     

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L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

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。     

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。     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法 ,提出了基于BP神经网络传感器非线性误差校正及其模型、算法与实现技术。通过计算机仿真与应用 ,显示出这种逆模型不但可实现温度补偿和非线性校正 ,而且网络结构简单 ,准确度高     

基于块联模型的动态非线性校正方法比较

针对以块联模型表示,且静态特性位于第一象限的饱和型非线性传感器,进行基于块联模型的动态非线性校正方法研究.块联模型包括Hammerstein和Wiener模型,虽然它们都是由静态非线性校正环节和动态线性补偿环节组成,但是由于位置不同,即对传感器输出信号进行处理的顺序不同,校正效果也就有所不同.根据传感器不同的阻尼比,分别研究Hammerstein和Wiener模型的动态非线性校正方法的实现,并比较它们的校正效果.结果表明,传感器模型或阻尼比不同时,动态非线性校正方法的选择也应有所不同.研究成果为以后设计同类型传感器的动态非线性校正系统提供了先验知识.     

一种利用函数链神经网络的传感器建模新方法

讨论基于函数链神经网络 (FLNN)的传感器建模新方法 ,其结构简单、使用灵活、建模容易 ,易于实时硬件实现。两个算例说明网络的训练和非线性逼近方法 ,显示出网络的自适应能力、学习能力 ,基于FLNN的传感器模型可同时实现温度补偿和非线性校正。实际上 ,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化 ,在测控系统中具有良好的应用前景。     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

热催化瓦斯传感器的特性及其补偿方法

针对热催化瓦斯传感器特性漂移严重的问题,在对热催化瓦斯传感器灵敏度、零点时漂以及环境温度、湿度对其影响实测数据的基础上,通过最小二乘法建立了传感器特性漂移的数学模型,并提出了对其特性进行补偿的方法。实验结果表明:补偿后的瓦斯检测精度大大提高。对热催化瓦斯传感器特性漂移的机理进行了分析。     

一种基于分段逆模型的传感器非线性校正方法

为解决传感器非线性校正问题,提出一种基于分段逆模型的传感器非线性校正方法。通过对传感器特性数据进行变换和分段,在给定最大拟合误差和最大拟合阶次的情况下,得到传感器逆模型;逆模型作为补偿环节实现对传感器的非线性校正。该方法采用数据步长搜索策略和最小二乘法实现对传感器特性数据的分段,并能确定各数据段拟合函数的阶次和参数。热敏电阻非线性校正试验的结果证明了该方法的有效性。     

船用温湿度传感器的温度特性研究

引起温湿度传感器测量误差的主要因素是背景噪声和传感器放大电路温漂,为了降低温湿度传感器的测量误差,通过设置滤波器并采用信号叠加方法抑制背景噪声;采用数据拟合技术确定放大电路温度特性,建立温度补偿模型编写温度校正软件并对放大电路温漂进行补偿。试验结果表明,温度补偿后的温湿度传感器测量精度得到明显提高。