基于重叠分段和FrFT的VCO非线性度检测方法*

VCO非线性度检测是实现其非线性度精确校正的前提,研究VCO非线性度检测方法具有重要理论意义和实用价值。针对目前基于微元法和分数阶傅里叶变换的VCO非线性度检测方法在抗噪性、实时性等方面存在的不足,提出了一种基于重叠分段和分数阶傅里叶变换的VCO非线性度检测方法。所提方法采取重叠分段的策略以抑制噪声干扰,在分数阶傅里叶变换域进行幅度峰值搜索时改用收敛速度快的黄金分割法以增强实时性。仿真实验表明所提方法具有良好的抗噪性,分段重叠率为0.25时其检测的均方根误差约为现有方法的1/2;当重叠率小于2/3时,其实时性也优于现有方法。     

基于重叠分段和ＦｒＦＴ的ＶＣＯ非线性度检测方法

VCO非线性度检测是实现其非线性度精确校正的前提.针对目前基于微元法和分数阶傅里叶变换的VCO非线性度检测方法在抗噪性、实时性等方面存在的不足,提出了一种基于重叠分段和分数阶傅里叶变换的VCO非线性度检测方法.所提方法采取重叠分段的策略以抑制噪声干扰,在分数阶傅里叶变换域进行幅度峰值搜索时改用收敛速度快的黄金分割法以增强实时性.仿真实验表明所提方法具有良好的抗噪性,分段重叠率为0.25时其检测的均方根误差约为现有方法的1/2;当重叠率小于2/3时,其实时性也优于现有方法.     

MPSO-SVM的压力传感器的非线性校正研究

为了消除压力传感器受温度变化和电压波动的影响而产生的非线性特性,提出了改进粒子群优化支持向量机(MPSO-SVM)非线性校正,利用改进粒子群首先对支持向量机的参数进行搜索寻优,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,再根据支持向量机具有逼近任意非线性函数的特点,实现压力传感器非线性校正。实验结果表明,压力传感器的最大相对波动从原来的22.2%降为0.12%,有效地消除了温度和电压波动的影响,此方法实现简单、成本低,具有实用价值。     

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。     

基于遗传神经网络的传感器非线性校正研究

针对实际传感器的非线性问题,介绍了用神经网络进行传感器非线性校正的原理,提出了基于自适应遗传算法的神经网络传感器非线性校正模型、算法及实现方法。通过实验结果显示:此方法不但可以实现非线性校正和减少环境因素的影响,而且,校正后的精度也高于单一的神经网络模型。     

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DSP技术的传感器非线性校正

针对系统内含有DSP(数字信号处理)芯片的检测系统，提出了运用DSP芯片对传感器进行非线性校正的方法。与传统校正方法进行比较可以表明，此方法简化了设计，提高了通用性和灵活性。并且通过最小二乘法在DSP芯片上实现非线性校正的实例说明其可行性。     

传感器非线性的反拟合方法及校正实现

根据非线性开环校正原理,提出一种基于最小二乘方法的带权反拟合非线性校正算法,同时,利用可编程模拟器件对校正装置进行了设计。基于该方法的非线性校正具有准确度高、速度快、易实现的特点,是一种行之有效的校正方法。     

单片模拟集成锁相环在现代通信中的应用

<正> 锁相技术是现代通信的基础,而集成锁相环(PLL)则为现代通信提供了一种强有力的电子器件,大大促进了现代通信技术的发展。国产单片模拟集成PLLKD802~*就属该类器件。应用它可以方便地实现频率跟踪、锁相式倍频、分频、移频以及调频信号解调等。图1为KD802方框图。它由鉴相器(PD)、压控振荡器(VCO)、低通滤波器(LPF)、放大器(A)、限幅器以及内部稳压和温度补偿网络组成。PD比较输入信号和VCO输出信号的相位,产生一个与相位差相关的误差电压,该电压控制VCO的振荡频率,使之向输入信号的频率靠拢而实现频率自动跟踪。LPF则滤除高频成份和防止干扰。与分立元件组成的PLL相比,KD802不仅体积小、     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

基于退火遗传算法的传感器非线性校正方法

针对实际传感器的非线性问题,结合遗传算法和模拟退火算法的优点,提出了一种基于退火遗传算法的传感器非线性校正方法.该算法通过计算传感器自校正方程中的待定常数,实现非线性特性的线性化.实验结果表明:该方法不但可以实现非线性校正,而且校正后的精度也高于传统的最小二乘法.     

基于B样条递推最小二乘的温度传感器非线性校正

提出一种基于B样条递推最小二乘的温度传感器非线性校正方法。利用具有低阶光滑特性的B样条函数进行逆向建模,有效地提高了校正精度;考虑到在线应用的实际需求,采用易于微处理器实现的递推最小二乘估计控制参数。分别对铂电阻和热电偶温度传感器进行了非线性校正,表明所提出的非线性校正方法具有样本点少、校正精度高、简单实用等优点,符合传感器向智能化、灵巧化方向发展的需求。     

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。     

嵌入DeviceNet总线接口的智能差压传感器系统

介绍了一种具有DeviceNet现场总线通信功能的智能差压传感器的设计,探讨了传感器输入输出特性曲线的非线性校正方法。通过内嵌的总线控制器(SJA1000)、报文收发器(82C251)和P89C668单片机等,该传感器可直接作为一个DeviceNet从节点工作;对传感器的输入输出特性曲线进行了建模,以软件手段实现高精度的非线性自校正功能。测试结果表明:该智能差压传感器不但具有DeviceNet现场总线输出功能,且经过多项式或神经网络建模的传感器非线性误差分别可达0.04%FS和0.02%FS。这为高精度传感器的制作提供了一种可行的方法。     

基于RBF人工神经网络的遥感图像校正算法

遥感图像的几何校正是阻碍其应用的瓶颈问题。遥感图像的几何校正函数是一个非线性、不确定的复杂函数, 难以用精确的数学模型来表达问题, 对此提出了一种基于RBF 人工神经网络和地面控制点( GCP) 相结合的遥感图像几何校正算法。该算法利用RBF 网络能以任意精度逼近任意函数的特性, 模拟地表空间分布这一复杂的非线性函数。该算法原理简单, 易于实现, 是一种实用、可行的遥感图像几何校正算法。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

用于SoC电源噪声测量的低温漂VCO

提出了适用于片上系统(SoC)电源噪声测量的带两级温度补偿的基于环路压控振荡器(ring VCO)的量化器.通过粗略和精细两级温度补偿电路得到更低温漂的ring VCO.在粗略补偿一级中,将正比于温(PTAT)的电流注入尾限流管控制的ring VCO中,用来补偿VCO中较大的温度系数;在精细补偿一级中,用一个VCO复制...     

基于VCN智能特性动态实时输入技术的算法

提出一种基于VCN智能特性的定时向量中断技术,来实现工业上非线性动态实时输入的测试与控制技术的方法.即增加一路这样的变步数据VSD采样,用于智能地确定计算机对其他信号的采样速度,同时套用VCN分段处理技术及其变溢性VCO等动态计数设置规则加以实现.     

一种基于超限学习机的电子磁罗盘非线性误差补偿方法

针对磁罗盘传感器非线性校正中现有方法的不足,提出采用小波函数和双曲正弦函数作为超限学习机(ELM)的激活函数,并将此改进超限学习机用于磁罗盘的校正.同时,阐述了传感器的非线性校正原理,磁罗盘航向误差模型及改进超限学习机的实现过程,并分别采用BP神经网络法和传统ELM对磁罗盘进行非线性校正.实验结果表明,改进ELM算法补偿后最大误差为0.103°,均方根误差为0.0596°,优于BP神经网络算法(补偿后最大误差为0.5°,均方根误差为0.1805°)和传统ELM神经网络(补偿后最大误差为0.21°,均方根误差为0.1056°).