用DSP实现光栅高准确度细分技术

对提高光栅的细分准确度进行了研究,提出了一种查表和插值相结合的方法,并用该方法设计了一个光栅测量系统,系统采用硬件对光栅莫尔条纹进行二细分和判向、用高速并行A/D转换器进行数据采样、用数字信号处理器完成插值算法,具有高速、高准确度的特点。     

基于神经网络的传感器冗余方法研究􀀁

本文把传感器硬件冗余技术、BP网络以及串并联Elman递归神经网络结合起来,提出了一种新方法用于构造具有传感器故障检测、分离且具有冗余能力的智能传感器系统。这可以减少硬件冗余技术中使用传感器的个数、消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

插值细分方法在激光衍射测量中的应用研究

在激光衍射法测量微细线径的基础上,提出用硬件插值细分的方法来确定衍射图样暗纹间距。介绍了激光衍射法测量微细直径的原理,分析了图像传感器的功能和硬件插值细分的机理,给出了插值细分的电路框图。实验结果表明:采用插值细分的方法能够提高图像传感器的分辨力和细丝直径的测量精度。     

一种智能光纤位移传感器

介绍一种用神经网络实现无级查表功能的光纤位移传感器。其非线性误差小于0．3％FS。具体介绍了硬件原理和使用神经网络的方法。     

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。     

基于模糊神经网络的温度控制系统研究

在硬件系统不变的情况下提出一种新型温度控制方案,结合自适应模糊控制和神经网络,用神经网络的学习能力计算出隶属度函数参数及相应的模糊规则,达到更高的控制精度。并运用Matlab中自适应神经网络模糊推理系统ANFIS对系统进行了仿真,研究表明系统具有极强的适应能力和稳定性。     

基于Hopfield神经网络的WSN分布式拓扑

提出一种基于Hopfield神经网络模型的传感器网络的分布式广播算法。在已有网络拓扑的基础上对其数据获取方式进行改进。用优化的Hopfield神经网络模型在各簇中分别从广播源点开始遍历所有传感节点,并返回广播源点的最优链路。利用Hopfield神经网络收敛速率快、通信路径最优,且易于硬件电路实现的特点,形成了能量消耗较少、延时较小的WSN网络,它是一种能量高效的网络。     

基于传感器阵列与神经网络的气体检测系统

在分析研究电子鼻理论和系统组成的基础上,设计构建了一套传感器阵列与人工神经网络相结合的混合气体检测系统.并采用该系统对三种气体传感器(一氧化碳CO、二氧化硫SO2和二氧化氮NO2)进行了实验,对实验数据用神经网络(BP和 RBF)进行了分析、识别和气体体积分数的计算.结果显示该检测系统识别准确,不仅能够解决气体传感器交叉敏感问题,提高器件的选择性,而且具有智能化和多功能化等优点.     

一种智能视频监控系统及其信息融合处理

本文是基于一种网络传感器与视频监控系统集成的研究,结合神经网络技术和专家系统对摄像机图像信息和传感器信息进行信息融合,赋予监控系统一定的智能性,提高了系统信息的丰富性、准确性和信息存储的效率.     

一种改进BP网络及其在智能传感器非线性校正中的应用

主要分析了神经网络存在的一些缺陷,研究了一种改进BP神经网络学习算法的相关技术,设计并实现了一种改进型BP神经网络算法,并将其应用于智能传感器的非线性自校正系统。通过在某无人机机载高度传感器上试验研究,证明了这种算法的可靠性、先进性、稳定性。     

基于深度学习的无线传感器网络数据融合

在无线传感器网络数据融合算法中,BP神经网络被广泛用于节点数据的特征提取和分类。为了解决BP神经网络收敛慢,易陷入局部最优值且泛化能力差从而影响数据融合效果的问题,提出一种将深度学习技术和分簇协议相结合的数据融合算法SAESMDA。SAESMDA用基于层叠自动编码器(SAE)的深度学习模型SAESM取代BP神经网络,算法首先在汇聚节点训练SAESM并对网络分簇,接着各簇节点通过SAESM对采集数据进行特征提取,之后由簇首将分类融合后的特征发送至汇聚节点。仿真实验表明,和采用BP神经网络的BPNDA算法相比,SAESMDA在网络能耗大致相同的情况下具有更高的特征提取分类正确率。     

基于无线传感器网络的井下水位监测监控系统设计

为了满足矿井水位监测监控的需要,应用数字式水位传感器和PIC单片机,开发了一种基于无线传感器网络的智能化水位传感器系统,介绍了系统的硬件和软件设计,给出了测试结果。该系统集监测、显示、报警、通信等多种功能于一体,并采用无线传感器网络,克服了有线传感器网络的局限性,避免了其他无线通信技术高功耗的缺点。实验表明:该系统具有高精度、高可靠性、低功耗的特点,有效地实现了对矿井水位的实时监测与监控。     

Sequential modeling of a low noise amplifier with neural networks and active learning

The use of global surrogate models has become commonplace as a cost effective alternative for performing complex high fidelity computer simulations. Due to their compact formulation and negligible evaluation time, global surrogate models are very useful tools for exploring the design space, what-if analysis, optimization, prototyping, visualization, and sensitivity analysis. Neural networks have been proven particularly useful in this respect due to their ability to model high dimensional, non-linear responses accurately. In this article, we present the results of an extensive study on the performance of neural networks as compared to other modeling techniques in the context of active learning. We investigate the scalability and accuracy in function of the number design variables and number of datapoints. The case study under consideration is a high dimensional, parametrized low noise amplifier RF circuit block.     

基于GPS的车速传感器开发

多种车辆性能试验都需要测量瞬时车速,将广泛应用于定位的GPS技术应用在车速测量上,利用单片机PIC16F877作为控制器的核心,E580OEM模块接收GPS信号,通过软件、硬件设计,开发出成本低廉车载GPS车速传感器,测量精度较高,抗干扰性能较好,易于扩展升级,且有模拟、数字输出,并带车速显示,可以直接连接数据采集器采集车速信号。通过试验验证表明：系统运行快捷稳定,测量精确。     

Hardware implementation methods in Random Vector Functional-Link Networks

Recently appeared a renewed interest for Single Layer Feedforward Neural Network (SLF-NN) models where the hidden layer coefficients are randomly assigned and the output coefficients are calculated by a least square algorithm. In addition to random coefficient initialization, the main advantages for these learning models are the speed of training (no multiple iterations required) and no initial coefficient definition (e.g. no adaptation constant as in multilayer perceptron). These features are adequate for real time operation since a fast online training can be achieved, benefiting to applications (industrial, automotive, portable systems) where other neural networks learning approaches could not be used due to large resource usage, low speed and lack of flexibility. Thus, targeting hardware implementation allows its use in embedded systems, expanding its application areas to real time systems and, in general, those applications where the use of desktop computers is not possible. Typically, RVFLN demands a wide number of resources and a high computational burden; high dimension matrices are involved, and computation intensive algorithms are required to obtain the output layer coefficient values for the neural network, especially matrix inversion. This work describes the algorithm implementation and optimization of these models to fit embedded hardware system requirements together with a parameterizable model, allowing different applications to benefit from it. The proposal includes the use of fuzzy activation functions in neurons to reduce computations. An exhaustive analysis of three proposed different computation architectures for the learning algorithm is done. Classification results for three standard datasets and fixed point arithmetic are compared to Matlab floating point results, together with hardware related analysis as speed of operation, bit-length accuracy in fixed point arithmetic and logic resource occupation.     

基于ZigBee无线传感器网络的起重机监控系统

结合ZigBee无线通信技术,提出一种应用于起重机监控的无线传感网络系统架构。该方案网络节点硬件电路以MC9SDG128为控制器、CC2530为射频收发器,详细规划了网络中节点硬件和软件设计,并介绍上位监控系统。该系统具有低成本、低功耗、易扩展、安全性高等特点,能实时监控起重机的运行状况,可广泛应用于起重机监控系统。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

基于轻量自动残差缩放网络的图像超分辨率重建

近年来,由于深度卷积神经网络的出色性能,深度学习已成为图像超分辨率领域的研究热点,已经有许多具有很深结构的大型模型被提出。而在实际应用中,普通个人计算机或智能终端的硬件显然不适合大规模深度神经网络模型。提出了一种针对单幅图像超分辨率且具有自动残差缩放功能的轻量级网络(ARSN),与许多基于深度学习的方法相比,它的层和参数更少。此外,该网络中有特殊的残差块和跳跃连接用来进行残差缩放以及全局和局部残差学习。根据测试数据集结果,该网络在重建质量和运行速度上都达到了非常优异的性能。所提出的网络在性能、速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.