基于环境参数融合的智能气体传感器设计

由于温度、湿度等环境参数对半导体气体传感器的测量精度有着较大的影响,对此提出了基于神经网络方法的智能气体传感器设计方法,利用神经网络对气体传感器的各种环境参数进行数据融合,以获取准确的被测气体浓度值。实验证明,该方法可以有效地提高气体传感器的测量精度,使气体传感器输出的满量程误差在±0 8%以内。通过该神经网络融合逆模型,还可以方便地根据环境参数的变化实现对气体传感器输出的补偿,从而实现传感器的智能化。     

传感器阵列的CO与H_2S混合气体检测系统设计与试验

采用气体传感器单敏感性和多敏感性相结合的交叉方法,基于传感器阵列和人工神经网络模式识别技术,设计了一种CO与H2S混合气体检测系统.该系统以AT89C51单片机芯片作为控制核心,优选MQ135,MQ136和TGS2602构成气体传感器阵列,通过RS232串行通信接口实现单片机与上位机通信连接,利用改进的BP神经网络算法进行模式识别,完成了CO和H2S混合气体浓度的检测试验.结果表明,BP神经网络训练误差均在0.01范围内,识别率达到95%,验证了检测系统设计的正确性和可行性,为气体检测传感器的进一步研究开发提供了基础.     

热式气体流量计的温度补偿

<正>本文主要利用径向基函数(RBF)神经网络算法在温度补偿中的优势,分析不同温度对气体流量测量的影响,设计一种基于RBF神经网络的温度补偿方法,有效避免硬件电路补偿方法的单一性和不稳定性,在降低成本的同时提高测量装置的准确性。最终采用软件补偿的方法对热式气体流量计的温度补偿进行了大量实验研究,实现了温度梯度变化下热式气体流量计的高精度测量。一、热式流量计的工作原理及分类     

枪管内膛缠度检测方法及误差处理研究

提出了一种新型的枪管内膛缠度检测技术,并介绍了该系统的组成及工作原理.通过实测数据进行误差处理和分析,详细分析了误差产生的原因,并采用径向基(RBF)神经网络构建了缠度误差补偿模型,通过仿真计算和试验验证:该RBF神经网络补偿法达到了良好的补偿效果,具有一定参考价值.     

运用自组织竞争网络进行气体定性分析的研究

优选了分析H2,CO气体的半导体气体传感器组成阵列，建立了实时数据采集系统，并与自组织竞争网络模式识别技术相结合，以进行气体定性分析的研究；同时为了消除气体浓度变化对传感器阵列输出的影响，提高自组织网络的识别效果，运用三种不同的数据归一化算法对传感器阵列的输出响应进行了预处理, 并对各自对应的网络识别结果进行了分析与讨论。实验结果表明，采用相对算法可实现H2,CO气体的准确识别。     

基于神经网络的传感器零点飘移补偿方法

随着压力传感器的应用范围不断扩大,对测量准确度的要求不断提高,而由于力敏电阻器的不匹配及其漏电流的影响会产生零点漂移现象。这种现象在一定程度上影响了压力传感器的精度。本文利用RBF神经网络方法构建了双输入单输出网络模型,采用带遗忘因子的梯度下降算法实现了压力传感器零点飘移的补偿。结果表明,RBF神经网络方法收敛速度快、拟合出的数据精度高。     

地下空间空气质量及外环境因素影响分析研究

随着使用地铁出行的乘客越来越多,封闭式环境下的地铁内部的空气质量受到越来越多人的关注.为了解地铁站台空气质量环境,以及影响其空气质量环境的主要因素.采用CPR-KA空气质量检测仪,对北京6个地铁站台的空气质量进行了现场测试调研,包括PM10、PM2.5、NH3、CH2O、CO、NO2、SO2、TVOCs等8种气体.结果...     

石墨烯传感器的研究进展

论述了石墨烯电化学和生物传感器的研究进展,包括石墨烯的直接电化学基础、石墨烯对生物小分子(Hydrogen peroxide,NADH,dopamine,etc.)的电催化活性、石墨烯酶传感器、基于石墨烯薄膜和石墨烯纳米带的实用气体传感器(可检测O2、CO和NO2)、石墨烯DNA传感器和石墨烯医药传感器(可用于检测扑热息痛)。     

基于人工神经网络的混合气体定量检测方法

将气体传感器阵列与人工神经网络相结合，设计了用于混合气体定量检测的人工嗅觉系统；构造了局部连接的前馈神经网络的结构和基于递推预报误差的网络训练算法；通过实验对CO，H2，CH4三种气体的混合物进行了分析，实验结果证明气体传感器阵列和人工神经网络用于混合气体定量检测是可行的。     

双层石墨烯掺杂Pd对CO和NO的气敏特性研究

采用基于密度泛函理论的第一性原理计算方法,研究了AA堆叠型双层石墨烯掺杂Pd原子(Pd/BG)后对气体分子CO和NO的气敏特性和吸附机理.结果表明,Pd原子的掺杂改变了双层石墨烯的电子性质和局部几何结构.Pd原子替代双层石墨烯的一个碳原子后,杂质原子突出层外区域(Po)和突入层间区域(Pi)都可以形成稳定结构,但是突出(Po)构型更有利于气体分子的吸附.对于Po构型,CO和NO吸附在Pd/BG上的最稳定结构是不同的,CO分子与石墨烯表面呈一定夹角,而NO分子近似垂直于石墨烯表面.Pd/BG对NO分子的吸附强于CO分子.气体分子在Po构型上属于化学吸附,而在Pi构型上属于物理吸附.Pd/BG吸附CO和NO气体分子后具有不同的电子性质.Pd/BG体系为半导体性质,在吸附CO气体分子后,转变为金属性,系统无磁性;而在吸附NO气体分子后变为金属性且具有较大磁矩.这种电子性质的变化能够阐明气体分子吸附的敏感程度.研究结果能够为石墨烯基的气体传感器或者探测器提供理论基础和实验指导.     

基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测

针对神经网络在预测复合镀层性能方面的应用情况,以及传统的BP神经网络存在缺陷;通过对RBF神经网络的基本原理和特点的研究,建立了利用RBF神经网络对Ni-TiN纳米复合镀层显微硬度进行预测的模型。通过实验数据验证了所建立的RBF神经网络模型具有很高的精确度,其最小相对误差可达0.62%,而且所建立的预测模型具有优化工艺参数的功能,对复合镀层的其它性能进行预测具有指导意义。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

基于RBF神经网络的生物质电站高温气体CO2浓度测量方法

电站气体浓度测量对实现燃烧优化、提高燃烧效率和火焰品质、减少污染物排放具有重要意义。以CO₂气体为例进行研究,基于近红外波段可调谐激光吸收层析成像技术,提出了基于径向基(radial basis function, RBF)神经网络的高温气体CO₂浓度测量方法。通过实验获取不同浓度下的CO₂吸收可调谐激光光谱信号,计算CO₂吸收谱线和原始信号的差值,提取出描述该差异性的统计特征参数作为RBF神经网络的输入,CO₂浓度作为RBF神经网络的输出,建立了基于RBF神经网络的高温气体CO₂浓度测量仿真模型,通过仿真实例验证了该方法的有效性和正确性。与GRNN神经网络对比分析表明:RBF神经网络法可以有效提高CO₂浓度测量精度,为生物质发电高温气体计量提供理论依据。     

基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿

针对关节臂式坐标测量机(AACMM)长度误差补偿问题,分析了误差来源,通过实验确定了影响其测量长度的误差参数。引入BP神经网络对长度误差补偿模型进行了建模,并通过粒子群化算法对BP神经网络的权值和阈值进行全局寻优,克服了BP神经网络收敛速度慢和易陷入局部极值的缺陷。在不同输入参数的条件下测量标准尺,获得了误差补偿模型的训练样本。进行了长度误差补偿验证,补偿后误差均值减小了0.014 mm,使AACMM的测量精度提高了31.8%。     

Mobile Fourier-transform infrared spectroscopy monitoring of air pollution

Fourier transform infrared spectroscopy is an efficient technique for the detection and quantification of molecules in gas mixtures. Measurement results from a mobile laboratory for ambient air analysis and for remote sensing of plume emission with the commercially available K300 spectrometer are reported. CO, CO(2), NO, NO(2), N(2)O, NH(3), CH(4), SO(2), H(2)O, HCl, and HCHO concentrations have been determined with good agreement with in situ results. The on-line multicomponent analysis software is based on line-by-line retrieval and least-squares fitting procedures, including the effects of multiple aerosol scattering and cloud and rain influences.     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于RBF神经网络的商场建筑空调能耗预测

商场建筑夏季空调能耗占总能耗的50％以上,鉴于空调能耗较高,对空调能耗进行预测有利于提升运行经济性.针对商场建筑空调系统非线性、多变量等问题,提出一种基于RBF神经网络空调系统能耗预测模型.该方法将日最高温度、日最低温度、日平均温度、日最高湿度、日最低湿度、日平均风速和空调能耗作为RBF神经网络的输入,建立空调系统能耗...     

神经网络在色空间转换中的应用

通过运用MATLAB7.8进行了BP和RBF的数值仿真,并作出了二者的转换误差图,研究了采用BP和RBF神经网络方法进行色空间转换的精度差异问题。结果表明:BP神经网络由于本身收敛速度慢及训练无记忆性等缺陷,整体性能低于RBF神经网络,即用RBF来解决色彩管理中的色空间转换问题更符合要求。     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。