电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

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。     

采用神经网络技术获取高抗干扰的传感器系统特性􀀁

目前消除干扰量对主传感器特性影响的研究多限于一个干扰量,本文讨论多个干扰量影响的消除方法．文中提出利用多个传感器检测影响主传感器特性的多个非目标参量,由神经网络实现融合算法．该方法可降低主传感器对非目标参量的交叉灵敏度．使主传感器系统获得高抗干扰、高稳定的输入／输出特性．以环境与供电电源波动两个干扰量为例．实验结果表明,当环境温度波动△Ｔ＝４８．５℃,供电电源波动γ＝±３％,经神经网络融合处理后,主传感器系统在两种干扰状况下的交叉灵敏度下降一个数量级。     

基于BP神经网络温度补偿的压力传感器无线数据采集系统

介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经网络算法对其实现温度的软件补偿。该算法有效改善了传感器的非线性及温度变化所引起的输出的误差,提高了测量精确性和可靠性。通过无线收发模块PTR2000实现了数据的无线传输。该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收,并具有成本低、可靠性好、实用性强等优点。     

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温度补偿方法研究

硅压阻式压力传感器在工作时受温度的影响较大,随着温度的升高或降低,传感器的实际测量值会出现一定的误差,出现温度漂移的现象。为了抑制温度漂移对传感器的影响,采用人工神经网络中的BP神经网络的方法对温度漂移现象进行补偿,通过对补偿前后数据的对比,使传感器的灵敏度温度系数和满量程误差分别提升了两个数量级,得到了较为理想的效果,提升了传感器的性能和可靠性。     

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。     

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。     

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。     

基于神经网络的传感器输出特性样本集研究

研究了压力传感器输入/输出特性样本集结构和样本集的实时校正。首先,通过加速试验获得了传感器特性的时漂以及受温度影响的变化规律,并据此构建了样本集。基于BP神经网络模型,对样本集的融合精度进行了动态对比试验,进而验证了样本集构建的合理性。此外,提出一种对样本集进行实时校正的方法,校正过程由程序控制。将实时校正后的数据与初始标定样本数据、加速试验600 h后的标定数据对比,最大偏差仅为0.08 kPa,样本集经校正后,数据准确度提高了近1个数量级。     

基于径向基神经网络的电涡流传感器输出特性拟合研究

针对电涡流传感器的输出特性参数非线性较大,不能精确地反映被测物理量的问题,提出了一种采用径向基神经网络对电涡流传感器的输出特性参数进行拟合的方案。该方案采用newrb函数创建一个径向基神经网络,以被测物理量作为输入矩阵、电涡流传感器输出电压作为输出矩阵,对该径向基神经网络进行训练,从而可得到均方根误差小且光滑的电涡流传感器输出特性拟合曲线。实验结果表明,只要选择合适的创建函数和扩展系数,径向基神经网络能有效地实现电涡流传感器输出特性的拟合。     

基于CMAC神经网络改善振筒式传感器静态特性

利用小脑模型连接控制器(CMAC)神经网络的非线性函数逼近,并以振筒式压力测试系统为例,提出了一种综合修正传感器静态误差的新方法。计算机仿真与实验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.