PSO-BP神经网络在多元有害气体检测中的应用

针对目前常见的多元有害气体检测问题,搭建了一种基于传感器阵列和GP神经网络相结合的多元有害气体检测系统。该检测系统中采用了GP神经网络算法对传感器阵列的4种混合有害气体的响应信号进行回归分析。为了提高GP神经网络的预测准确性,又利用了粒子群优化（ PSO）算法对GP神经网络的权值与阈值进行了优化。结果显示：通过PSO 优化的GP（ PSO-GP）神经网络预测的平均相对误差小于2%,能够有效解决气体传感器交叉敏感问题。     

基于MPSO-BP算法的四电极电化学气体传感器温度补偿研究

针对四电极电化学气体传感器的测量精度极易受环境温度影响的问题,提出一种基于粒子群优化-BP神经网络算法（PSO-BP）的温度补偿方法。利用改进的PSO算法（MPSO）对BP神经网络的权值和阈值进行优化,构造四电极电化学气体传感器的温度补偿模型,并设计了气体传感器测试系统。实验结果表明,MPSO-BP算法可有效提高BP神经网络的收敛速度和泛化能力;基于MPSO-BP算法的四电极气体传感器温度补偿模型,可将其温度补偿误差控制在0.1%以内。     

改进的粒子群算法在传感器温度补偿中的应用

针对红外气体传感器测量精度受环境温度影响较大的问题,提出了一种基于嵌入自适应Levy变异免疫粒子群-最小二乘支持向量机（ALIPSO-LSSVM）的温度补偿算法。ALIPSO算法引入Levy flight对子代粒子进行自适应变异,确保粒子多样性,并在每次迭代之前,采用相对基学习方法初始化粒子群,提高算法的收敛速度。通过5个基准测试函数对ALIPSO算法进行性能评价,仿真结果表明该算法收敛速度较快、精度高,且具有较强的全局搜索能力。利用ALIPSO算法对LS-SVM的参数进行优化,并将该混合算法应用于红外气体传感器温度补偿,数值仿真结果表明采用该算法可将补偿结果的相对误差控制在6%范围内。     

PSO-GP中文文本情感分类方法研究

中文文本的情感倾向分析是网络舆情信息挖掘和分析的关键技术之一。提出了一种粒子群-高斯过程算法(PSO-GP)的中文文本情感倾向分类方法,采用粒子群优化算法(Particle Swarm optimization,PSO)进行高斯过程(Gaussian Process)超参数的最优搜索,解决了传统高斯过程中共轭梯度法迭代次数难确定、对初值依赖性强和易陷入局部极小值等问题。首先采用多线程网络爬虫技术采集文本数据组成语料库,构建特定领域情感词典,然后通过情感词匹配选择最有效的特征,降低数据维度,并利用TF-IDF算法计算特征词的权重以生成特征向量。最终,将测试样本输入PSO-GP分类模型。实验结果表明,与传统GP方法相比,提出的改进高斯过程分类模型的分类准确率提高了近15%。     

一种温度自适应无线传感网络时间同步方法

无线传感器网络节点中的廉价晶振极易受到温度、电压、湿度等工作环境因素的影响.节点晶振的这一特性,为室外大规模无线传感器网络时间同步技术带来了两方面的挑战:(1) 过高的通信开销;(2) 精度与能耗之间的不平衡.针对以上问题,提出了一种基于温度感知的、自适应的无线传感器网络时间同步算法.该算法能够依赖本地温度信息对节点时间频偏进行估计及补偿,在保证算法同步精度的同时,降低了网络通信开销.除此之外,提出一种动态同步周期调节机制,使得算法能够根据当前环境温度变化情况对节点同步周期进行动态调节,从而达到了能耗与精度之间的平衡.大量仿真实验结果表明:所提出的时间同步算法可将通信能耗降低至传统同步算法的10%;且在环境温度不断变化的情况下,80%的频偏估计值其误差小于0.5ppm.故,所提出的时间同步方法能够有效地适用于室外环境下部署的大规模无线传感器网络.     

超宽带系统中基于DFT的TOA/DOA联合估计方法

针对现有的脉冲超宽带（Impulse radio ultra wideband, IR-UWB）系统中到达时间（Time-of-arrival, TOA）和波达方向（Direction-of-arrival, DOA）联合估计精度不足的问题,提出了一种基于离散傅里叶变换（Discrete Fourier transform, DFT）的TOA和DOA联合估计方法。该算法首先在频域上对接收信号建模,通过DFT处理频域接收信号的协方差矩阵得到两根天线的TOA粗估计结果。然后通过设计补偿矩阵对时延向量进行相位补偿。搜索可得粗估计结果的补偿值,进一步对TOA参数作出精确估计。最后根据两根天线的到达时间差与DOA之间的关系得到信号的DOA估计值,从而实现TOA和DOA的联合估计。仿真结果表明,所提算法的参数估计性能优于矩阵束算法和传统传播算子算法,且该优势随着信噪比的增大更为明显;同时所提算法无需复杂的特征值分解以及广义逆求解步骤,更易于工程实现。     

基于PSO-BP的磁致伸缩式静力水准系统温度补偿研究

静力水准系统（Hydrostatic Leveling System,HLS）被广泛应用于基坑、桥隧和建筑物结构等工程的沉降监测。针对环境温度变化引起HLS测量误差的问题,对温度、温度变化速率和温度梯度三种温度误差影响因素进行详细分析,并提出了一种基于粒子群优化（PSO）算法和反向传播神经网络（BPNN）的温度补偿模型。通过BP神经网络对钵体液位值建立修正模型,利用PSO算法优化神经网络参数来提高拟合准确度与模型泛化能力。试验结果表明,利用多个影响因素建立的PSO-BP模型对HLS温度补偿后,使钵体液位值的均方误差和最大误差相比于补偿前平均降低80%以上,从而有效减少计算沉降的误差,极大提高HLS测量精度。     

稀疏偏差补偿最小平均对数算法

针对最小平均对数（LMLS）算法在输入信号受噪声干扰的环境下进行稀疏系统辨识时存在精度低的问题，提出了一种稀疏偏差补偿LMLS算法.利用无偏准则推导偏差补偿项来修正输入噪声带来的偏差，构建偏差补偿LMLS.借助系统稀疏特性的先验知识，采用互相关熵诱导维度作为稀疏惩罚约束条件，优化偏差补偿LMLS算法.仿真结果表明，所提算法对于含噪输入信号下的稀疏系统参数辨识具有高稳态精度.     

对人体姿态估计热图误差的再思考

近年来,基于热图的算法一直占据人体姿态估计算法的主导地位。热图解码（即将热图转换为人体关节点坐标）算法是这类算法的基本环节。而当前的热图解码算法并没有考虑系统误差的影响,因此,提出一种基于误差补偿的人体姿态估计热图解码算法。首先在训练过程中评估模型的误差补偿因子,然后在推理阶段用误差补偿因子补偿人体关节点的预测误差,这些误差同时包括系统误差和随机误差。在不同的网络架构、输入分辨率、评估指标和数据集上进行的大量实验的结果表明与目前最佳的热图解码算法相比,所提算法获得了显著的精度增益。具体来说,所提算法使HRNet-W48-256×192模型在COCO（Common Objects in Context）数据集上的平均精度（AP）提升了2.86个百分点,使ResNet-152-256×256模型的相对于头部的正确点百分比指标在MPII（Max Planck Institute for Informatics）数据集上提升了7.8个百分点。此外,由于所提算法不像现存算法需要采用高斯平滑预处理和求导操作,因此速度约为当前最佳算法的2倍。可见,所提算法对于开展高精度、高速度的人体姿态估计具有实际的应用价值。     

基于DBN的硅压阻式压力传感器高精度温度补偿模型的研究

硅压阻式压力传感器因对温度具有敏感性,工作时受环境温度的影响会产生温度漂移现象,降低了测量精度,为提升压力传感器的检测精度,提出了一种基于深度信念网络(Deep Belief Network,DBN)的高精度温度补偿模型.研究了压阻式压力传感器的工作原理和温度补偿的数学模型,利用深度学习强大的数据表征能力,设计了区间定位的温度补偿模型构建算法,建立并优化DBN模型的网络结构,将DBN温度补偿模型对实验数据进行训练拟合,结果表明:温度补偿后的满量程相对误差由原来的7.013×10-3提升至8.240×10-5,验证了所提出的方法能具有较好的稳定性和温度补偿效果,较大幅度地提升了传感器的检测精度.     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.     

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。     

环境温度对集成微沟道温差空气流量传感器的影响及其补偿

研究了环境温度对集成微沟道热式空气流量传感器的影响,并提出了相应的环境温度补偿方案,能显著减小测试误差.这种传感器的测试原理是通过加热电阻的上下游温度差来反映空气流速,不同的环境温度,该上下游温度差也不同,从而导致测试结果出现偏差.随着环境温度的增加,上下游温差变小,输出电压也减小,但可测试范围增加.同时,文中提出的一...     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。     

改进BP算法在热流传感器温度补偿中的应用

针对帕尔贴( Peltier)热流传感器存在温度漂移问题,提出了一种基于改进BP神经网络的温度补偿模型.采用BP算法的多层前馈网络建立起热流传感器输出电压、实验温度与输入热流间的映射关系,又通过增加动量因子和自适应调节学习率来提高网络的收敛速度与增强网络平稳性.研究结果表明:动量因子-自适应学习率算法温度补偿模型效果明显.     

压阻式高温压力传感器温度补偿与信号调理设计与测试

设计制作了一种集成信号调理电路的高温压阻式压力传感器,包含倒装式的压敏敏片、无源电阻温度补偿电路和信号调理电路组成;压敏芯片的制作采用SOI材料和MEMS标准工艺,温度补偿和信号调理电路采用高温电子元件;试验表明,无源电阻温度补偿具有显著的效果;此外,采用了高温信号调理电路来提高传感器的输出灵敏度,通过温度补偿来降低输出灵敏度;与传统的经验算法相比,所提出的无源电阻温度补偿技术具有更小的温度漂移,在220℃条件下传感器输出灵敏度为4.93 mV/100 kPa,传感器灵敏度为总体测量精度为±2%FS;此外,由于柔性传感器的输出电压可调,因此不需要使用一般的电压转换器随动压力变送器,这大大降低了测试系统的成本,有望在恶劣环境下的压力测量中得到高度应用。     

pH传感器温度补偿模型研究

水质pH值在线监测对提高水产品健康养殖至关重要,本文将无线传感器网络与pH值传感器相集成,设计了pH值监测的无线传感器网络系统。为克服pH值测量过程中温度对测量结果的影响,提出了一种pH传感器温度补偿模型,该模型通过pH传感器和PT100铂电阻温度传感器分别测量溶液的pH值和温度,利用最小二乘法对pH值和电压进行线性分析,建立pH传感器的温度补偿模型。实验结果表明,该补偿模型测量精度高,能够实现较精确的pH值在线监测。     

基于重掺杂的谐振式传感器频率温度系数补偿研究

MEMS谐振式传感器具有精度高、准数字输出、抗干扰能力强等特点,高精度压力传感器、应力传感器等多采用谐振式工作原理.频率温度系数补偿是实现高精度谐振式传感器的关键技术.通过实验研究了利用重掺杂改善硅频率温度系数的技术.实验表明:P型掺杂浓度达到7 × 1019/cm3 时,〈110〉晶向频率温度系数降低到-11. 68 ×10-6/K;N型掺杂浓度达到6 ×1019/cm3 时,〈100〉晶向谐振频率是温度的二次函数,在80℃左右频率温度系数有过零点.首次实验演示了利用低功耗加热控制结合N型重掺杂,当环境温度由30℃变化到40℃时,谐振频率温度漂移仅为1. 13 ×10-7/℃.利用该技术可实现超高温度稳定性的谐振式传感器.     

具有温度自补偿功能的高分辨力倾角传感器的设计

基于微加速度倾角测量原理,研制了一种高分辨力数字式倾角传感器。针对温度漂移现象,采用MSP430微处理器和DS18B20温度传感器进行了温度补偿智能化设计。针对嵌入式单片机编写了实时IIR数字滤波算法,有效抑制高频振动噪声干扰。通过分段线性化标定的方法,对传感器进行零位设置和倾角标定。实测结果表明:传感器倾角测量精度可达0.001°。