基于人工鱼群BP神经网络算法的压力传感器温度补偿研究

为实现压力传感器的温度补偿,采用BP神经网络作为压力传感器软件补偿系统的核心算法,但由于BP神经网络算法易陷入局部极值,因此采用具有全局搜索能力的算法—人工鱼群算法(AFSA)进行优化,得到的结果是压力传感器的线性度提升1个数量级,温度灵敏度系数降低2个数量级,得到了很好的补偿效果。     

基于支持向量机的传感器的非线性校正

铜热电限的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向A机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向f机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为± 0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法.     

提高传感器输出特性线性化的神经网络方法

采用BP神经网络结构和LM网络学习规则对传感器系统的非线性误差进行线性校正和补偿,并对网络结构进行了适当的改进.用Matlab语言实现,计算比较了使用两种不同初始化规则和网络结构时对网络性能的影响.计算机仿真实验表明使用NW初始化规则并改进网络结构后,网络的收敛速度更快,拟合精度也有所改善.     

路灯节能调控系统矢量传感器误差修正方法

针对路灯节能调控系统中传感器的固有误差和系统误差,使其测量值易受非线性干扰而引起矢量误差问题,提出一种路灯节能控制系统矢量传感器误差修正方法.利用BP神经网络的非线性映射能力,建立补偿逆模型,为传感器提供理想的线性特性,同时根据网络层次间取值结果,引入梯度下降法,依据结果调整权值和阈值取值,令其无限接近非线性函数,考虑...     

基于树突神经网络的ＭＥＭＳ压力传感器误差补偿方法

压力传感器的性能因自身工艺或环境温度变化而造成影响,在实际应用中,因环境温度的改变而造成的传感器输出误差尤为突出。现今微机电系统（MEMS）压力传感器在线性度与灵敏度方面较之前已有了很大提高,但温度漂移问题依然存在。传统的误差补偿方法如线性回归模型、BP神经网络或BP神经网络的优化算法,均能对传感器的误差有修正效果,但还有提升空间。针对以上问题,本文将MEMS压力传感器中嵌入温度传感器模块,并构建了一种基于树突神经网络的误差补偿模型。该模型首先对采集数据进行逻辑组合关系预处理,然后用树突神经网络对传感器数据进行误差补偿。实验结果表明,使用数据逻辑关系预处理后的BP神经网络模型评估指标MAE（平均绝对误差）由9.1降至0.191,而用树突神经网络模型后,该指标更是降低至0.04348,精度提升效果非常明显,所提方法能够有效地补偿MEMS压力传感器误差。     

用于光纤光栅传感器温度补偿方法的研究

本文比较了定长系数线性回归分析法和BP神经网络算法用于补偿温度对光纤光栅压力传感器的影响的效果。回归分析法可以起到一定的补偿作用,但对个别数据点补偿效果不理想。BP网络融合处理后的数据,其零位温度系数和灵敏度温度系数从补偿前的34．5％℃-1和34．2％℃-1分别下降到0．02％℃2-1和0．07％℃-1,提高了近3个数量级,充分证明BP神经网络对光纤光栅压力传感器进行温度补偿的有效性。     

基于神经网络的气体预警穿戴系统的温度补偿

气体预警穿戴系统采用电化学气体传感器检测作业现场的危害气体浓度,通常采用一元非线性回归模型对单一浓度下气体检测进行补偿来减少温度对浓度检测的影响,但此方法在特定浓度范围内工作就会有失其检测的准确性。该文采用BP神经网络模型对气体和温度传感器进行有效的数据融合,在特定浓度范围内消除温度对气体传感器交叉敏感的影响,从而改善气体预警系统的检测精度。通过MATLAB构建BP神经网络并仿真,发现数据融合后气体浓度线性度得到提升,温度稳定性有明显改善,使得气体预警穿戴系统的危害气体浓度的检测值比常规的一元非线性回归模型更加准确。     

电感式线位移传感器参数的计算及其输出特性线性度的改善

本文导出了电感式线位移传感器主要参数及其几何尺寸之间关系的表达式,讨论了由于绕组矩形分布引起的输出特性非线性误差,并提出了一种改善其线性度的补偿方法和理论依据。对于多数的计算结果及非线性误差的补偿办法进行了试验验证。     

基于神经网络的多传感器系统误差校正方法

为提高传感器的准确度，减少传感器的研制成本，提出了基于神经网络多传感器误差补偿的方法。该方法利用BP网络较强的非线性映射能力，网络通过学习能实现对传感器系统误差的补偿。通过实例及仿真证明了该方法的有效性。     

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%.     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。     

仿真技术在汽车发动机故障检测中的研究

针对目前汽车发动机的传感器易损坏而导致发动机状态分析的结果产生重大偏差的特点,对人工神经BP网络模型做了改进,使其具有很强的自适应能力而能使网络的收敛方向和速度得到优化,并编制了相应的程序.作为实例,文章对某一实际发动机进行了仿真试验,结果表明该改进的BP网络具有很强的自适应能力,所有的误差控制在3%以内,可以满足工程实际的需要.由于人工神经网络在实际应用中不涉及具体的物理模型,因此该模型对发动机的状态参数在线仿真、减少传感器的维护量,特别是对发动机故障诊断技术水平的提高有很大的意义.     

PSO-BP网络模型在温室数据融合中的应用研究

由于温室的众多要素之间是相互制约、互相配合的,为了形成一个准确、合理的判断,将PSO算法的全局优化能力和BP神经网络良好的非线性映射能力相结合,优化BP神经网络的权值和阈值,提出了一种基于PSO的BP网络数据融合算法,并利用该算法对温室多传感器(温度传感器、湿度传感器和光照度传感器)同时检测到的数据进行融合。仿真结果表明:基于PSO-BP网络的数据融合算法能够获得温室准确有效的信息,提高温室控制的有效性与准确性。     

基于无线传感器网络的室内无线信道测量与分析*

首次针对无线传感器网络的典型室内应用环境——室内停车场对信道传播特性进行测定,通过线性回归对室内无线信道传播模型的衰减因子等参数进行拟合,并与室外测量结果进行对比,归纳出室内与室外环境中无线信号的传播具有不同特征,但仍然可用对数阴影单折线/双折线模型进行拟合,为室内无线传感器网络系统的研究与实现提供重要参考。     

基于BP网络和D-S证据理论的瓦斯监测系统的研究

针对目前煤矿采用的瓦斯传感器输出信号具有模糊性、不确定性等问题,提出了一种基于BP网络和D-S证据理论的瓦斯监测系统的设计方案。该系统采用改进的BP算法获取煤矿环境的基本概率分配,采用D-S证据理论对BP网络输出结果进行信息融合,从而对井下瓦斯状态作出判断和决策。实验结果表明,该系统提高了瓦斯监测信息的准确性和决策的快速性。     

Adaboost集成BP神经网络在传感器阵列检测系统中的应用

针对目前常见的多元有害气体检测问题,设计并搭建了一种基于传感器阵列和集成 BP神经网络相结合的传感器阵列检测系统。在该系统中采用集成BP神经网络对传感器阵列的三种混合有害气体的响应信号进行回归分析。为了提高集成BP神经网络的预测准确性,又利用Adaboost算法对集成BP神经网络进行了优化。结果显示：该系统能够准确地检测气体组分,通过Adaboost算法对集成BP神经网络优化后,预测的平均相对误差小于2%,能够有效解决气体传感器的交叉敏感问题,提高传感器的选择性。     

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。     

声表面波压力传感器的温度补偿

基于声表面波传感器(SAW)理论基础,研究了SAW压力传感器的输入-输出特性。并对影响其性能的主要因素———温度进行了理论和实验分析,得到了SAW压力传感器的温度特性曲线。在非线性补偿方法的基础上,采用反向传播(BP)神经网络对其进行温度补偿,达到了减小误差、提高测量准确度的目的。     

基于分布式多子网神经网络的可燃气体分析

根据催化传感器在不同的电场条件下具有不同气体检测灵敏度的特点,介绍了采用单一的热催化传感器在不同的电场强度下,通过分布式多子网神经网络对含未知气体的可燃混合气体进行分析的新方法。应用分布式神经网络,通过训练建立了信号识别的模型,并以3种混合气体为对象进行实验,结果证明了分析方法的可行性。实验表明：该网络在泛化能力与学习速度等均优于BP和RBF网络,其多子网、自动分解任务的特点尤其适用于复杂样本的学习,具有很好的应用前景。