BP神经网络在汽车动态称重中的应用

公路动态称重仪器测量精度受外界各种因素的影响较大,称重信号与各个影响因素的关系不明确,该文提出了利用神经网络的算法来处理动态称重信号的理论.利用神经网络建立的模型能够将输入的各种信息很好地进行数据融合,能够大大降低外界干扰对输入信号的影响.实验表明,利用神经网络对动态称重信号进行处理,能够满足精度要求.     

基于径向基网络动态称量数据修正

在动态称重仪表技术上提出了基于广义回归神经网络GRNN与径向基RBF结合的拟合逼近法,增加车型代码并入输入神经元。实验表明,GRNN网络适用于动态称量大样本下的拟合回归,提升运算速度。同时RBF网络进一步修正称量数据,提高了动态称重的准确性、快速性。     

激光诱导荧光实验系统设计及其对叶绿素a的检测研究

叶绿素a不仅是植物光合作用的重要物质,而且水质中叶绿素a的含量也是衡量水体富营养化程度的重要依据。而激光诱导荧光(Laser Induced Fluorescence, LIF)技术以检测灵敏度高、检测速度快被广泛应用到各个领域。为此,搭建了一款基于激光诱导荧光技术的检测系统,该系统以355 nm激光为光源,在无水乙醇中检测叶绿素a样品时可以发现在671 nm处有明显的荧光特征峰。利用RBF神经网络和BP神经网络对采集到的光谱数据进行建模和分析。所建立的RBF神经网络模型预测所得到的相对误差为2.966 8×10^-9,决定系数为0.937 71,平均回收率为94.103%。所建立的BP神经网络模型预测得到的相对误差为1.581 1×10^-9,决定系数为0.987 56,平均回收率为100.883%。结果表明,BP神经网络预测的各项指标优于RBF神经网络预测的各项指标。     

经验模态分解中多种边界处理方法的比较研究

经验模态分解(EMD)的一个关键问题是处理边界效应。尽管目前除了Huang申请了NASA专利的边界处理方法,仍没有一个最终的解决方案,但工程上已经提出了多种处理方法。本文实现了工程上常用的5种EMD边界处理方法:线性外延,多项式拟合,镜像法,径向基(RBF)神经网络预测和AR预测方法,设计了一套消除了EMD处理中信号的相互作用及模式混淆影响的测试方法,并利用准周期信号和随机信号对它们的边界效应处理结果进行了定量测试。结果表明镜像法是目前相对最优的EMD边界处理方法。     

一种基于因子分析改进的RBF神经网络算法

针对RBF神经网络在处理大规模多维数据时,网络结构不易设计、收敛时间较长、训练次数较多等不足,在原有的RBF神经网络模型的基础上,结合因子分析算法可以对大规模数据进行降维处理的优点,提出一种FA-RBF神经网络算法.利用该算法首先可以先对输入的数据进行降维处理,将处理后的数据作为神经网络的输入进行网络的训练和仿真.FA-RBF算法可以有效地简化网络结构、提高收敛速度、节省训练时间.将该算法用于私家车保有量的预测中,预测结果显示FA-RBF算法较之于PCA-RBF和RBF神经网络算法,其预测精度有所提高,训练时间及误差平方和都明显降低.     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

几种改善EMD端点效应方法的比较研究

经验模态分解(EMD)的一个关键问题是改善端点效应。目前工程上已经提出了多种处理方法。在此对端点镜像方法、多项式拟合法、极值延拓法、平行延拓法和边界局部特征尺度延拓法等5种方法进行对比研究,利用分解信号与原信号的相似系数、分解信号与原信号的平均相对误差以及算法的运行时间作为端点处理方法的评价指标。仿真结果表明,极值延拓法是处理准周期信号的相对较好的EMD端点效应处理方法。     

基于人工免疫RBF神经网络的分类模型研究

径向基函数(RBF)神经网络广泛应用于非函数逼近、模式识别等领域,是一种泛化能力强、训练速度快的智能信息处理方法,其隐层中心的选择很关键.用改进的人工免疫网络算法提取原数据集的特征数据,并以该特征数据作为RBF网络隐层节点的中心,从而自适应地确定聚类中心的数量和位置,提高了RBF神经网络的学习速度和精度.将改进后的人工免疫RBF应用于iris数据集分类和遥感影像分类中,实验证明了算法模型有效可行,且具有理想的分类准确率.与其它神经网络分类方法相比,大大提高了分类准确率.     

基于FPGA的WIM压电式车辆动态称重信号采集系统的设计

为解决汽车动态称重系统中，实现多通道称重传感器信号采集的问题，设计了一款基于“FPGA”的WIM压电式车辆动态称重传感器的多通道高速数据采集系统，该数据采集系统可实现对多车道动态称重传感器信号的同步采集、存储、传输和处理。采用FPGA作为信号采集单元，带有2片2G的高速数据存储SDRAM模块用于多通道的数据存储；采用分辨率为16位，采样率为1Msps的AD采集模块，设计可实现最多16通道的信号采集。上位机系统中搭载嵌入式操作系统，用于完成动态称重的信号处理，其通过PCIe总线可实现与FPGA的数据传输。经过实验验证，该数据采集系统可同步实现16通道，车辆以最高120Km/H时速行驶通过压电式动态称重传感器的信号采集、存储和处理。     

基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法

在使用经验模式分解(Empirical Mode Decomposition,EMD)对激光雷达回波信号进行去噪处理时,由于信号含有脉冲及间歇等间断事件而产生模态混叠,导致不能很好地分解出有用信号成分,影响去噪效果。针对这一问题,提出了一种形态滤波与EMD相结合的组合算法。首先,使用自适应多尺度形态滤波器作为前置单元,对信号进行初步处理,剔除信号中的间断事件干扰。之后,应用EMD对处理过的信号去噪。采用仿真数据及真实激光雷达回波数据进行了去噪实验。实验结果表明,文中算法相比于直接EMD去噪,在仿真试验中信噪比提高了8.89 dB,均方根误差降低了0.0514;在真实回波数据去噪实验中,6 km以后平均信噪比提高了3.356 4 dB。该组合算法有效地抑制了模态混叠现象,具有良好的去噪效果及应用前景。     

基于EMD算法的海杂波信号去噪

为有效提取噪声背景下的海杂波信号,针对实际海杂波信号非线性非平稳的特点,提出基于EMD算法对实测海杂波数据去噪。对噪声水平未知条件下,EMD算法分解的哪些内蕴模式是信号部分难以有效界定的问题,提出基于噪声主要在高频段且能量较小、信号能量主要集中在低频段思想的噪声判断准则。为验证EMD去噪效果,将该算法对含有噪声的海杂波实测数据进行去噪,采用信噪比和均方差两项指标衡量去噪效果,并与均值、中值、db2小波等去噪方法对比,EMD算法在这两项指标均优于其他算法,说明EMD算法对海杂波数据去噪是有效的。     

组合二进制偏移载波信号的伪码周期及组合码序列盲估计

针对在非协作通信以及低信噪比下组合二进制偏移载波(CBOC)信号伪码周期和组合码序列较难估计的问题,该文提出了2次谱算法与基于径向基函数(RBF)神经网络算法。对输入信号进行2次功率谱计算,可以得到CBOC信号的伪码周期。在此基础上,首先对接收的1周期组合码序列进行重叠分段,其次优化筛选出学习系数,对每段数据向量作为RBF神经网络的输入信号并进行有监督地调节,最后对每段数据向量多次输入并反复训练权值向量就可以恢复原组合码序列。仿真结果表明,利用2次谱可以在低信噪比下估计出伪码周期;在误码率低于1%的情况下,所提出的RBF神经网络相比于反向传播(BP)神经网络与Sanger神经网络,信噪比分别提高1 dB和3 dB,并且在同等条件下所需的数据组数较少。     

用于语音信号非线性建模的RBF神经网络的训练方法及其性能

语音信号非线性建模符合语音信号的性质,可以提高语音信号处理的性能.神经网络是信号非线性建模的有效工具之一.本文深入研究了应用于语音信号非线性建模的RBF神经网络的训练方法,即k-均值法、OLS算法和梯度下降法.实验结果表明,在RBF神经网络的结构已定情况下,不宜使用k-均值法及OLS算法,而应该使用梯度下降法.文章阐述了各训练算法性能差别的原因,并讨论了语音信号非线性及线性建模的性能比较.     

称重传感器蠕变补偿的RBF网络模型

称重传感器的蠕变是影响精度的主要因素之一。针对传感器蠕变的实时性与非线性,建立了称重传感器蠕变补偿的RBF网络模型。设计硬件采集电路并采用低功耗处理器对传感器数据进行软件补偿。仿真结果表明,RBF神经网络具有很强的逼近非线性函数和自学习能力,能够对称重传感器的蠕变误差进行修正。补偿后的蠕变误差减小至0.005%以内,补偿效果明显。     

Mie散射激光雷达回波信号处理方法

为了提高Mie散射激光雷达测量斜程能见度的精度,提出了一种回波信号处理的组合算法。首先,采用基于经验模式分解(EMD)的自适应算法,去除回波信号中的高频噪声,提高信噪比。其次,采用基于不动点原理的迭代算法进行消光系数的反演,它不需要准确的边界值就可计算消光系数均值,同时还能得到准确的边界值,可用于求取消光系数的分布。数值仿真表明:EMD算法比五点三次平滑去噪算法输出信噪比提高4.67 dB,不动点迭代算法比最小二乘法估算消光系数边界值算法反演得到的消光系数均值的相对误差减小31.50%,而迭代次数只有3~5次,因此该组合算法是有效的。     

耦合型光纤应变传感器用于汽车动态称重研究

提出了一种耦合型光纤应变传感器的设计和应用于汽车动态称重的方案,制作了耦合型光纤应变传感动态称重仪,对基于耦合型光纤应变传感器的动态称重系统进行了静态和动态测试.对测得的信号进行小波变换和消噪处理,取得了有价值的试验数据.现场测试数据分析表明,系统的测量误差为2.03%,称重分辨率为2.5 kg,能满足动态称重的需要.     

Mie散射激光雷达大气回波信号经验模式分解算法的研究与应用

详细论述了经验模式分解(EMD)的激光雷达大气回波信号降噪信号处理方法.并进行系统仿真及实验验证.这种基于EMD的去噪算法适合处理含有脉冲的信号(如Block,Bump和脉冲回波信号等).通过利用该算法对米(Mie)散射激光雷达大气回波信号进行分析处理,其结果表明该去噪方法能去除大气回波中含有的噪声,能为下一级消光系数反演提供高信噪比(SNR)的初始数据.     

基于改进压缩感知的缺损光纤Bragg光栅传感信号修复方法

光纤光栅传感在实际的应用中,存在采样信号数据丢失问题,该文提出一种改进重构算法的压缩感知信号修复方法。根据缺损信号特征,选取与之匹配的观测矩阵与稀疏字典。基于压缩感知重构算法,提出匹配光纤布拉格光栅(FBG)信号特征的自适应阈值函数,同时增设阈值判决条件。分析了信号修复与传感测量精度的关系,采用重建信号的寻峰误差来验证信号的修复效果。仿真结果显示,在FBG光谱数据缺失30%的情况下,恢复信号的平均相对误差为10-6;均方根误差为0.0707,比对比算法低0.0232~0.1159;且系统平均运行时间远低于对比算法,表明采用该文算法修复缺损的FBG传感信号具有较高的重构精度与较好的实用性。     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难。本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰。解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题。本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE)。结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法。