基于GA-BP神经网络的红外CO2传感器湿度补偿研究*

为了提高红外CO2气体传感器的探测灵敏度和精度,首先研究了不同镀膜对非色散扁锥腔CO2气体传感器的红外吸收效率和灵敏度的影响.然后搭建了湿度实验平台,着重研究了环境湿度对气体浓度测量结果的影响.最后,采用遗传算法优化的BP神经网络算法(GA-BP)对传感器进行了湿度补偿.实验结果表明:在室温条件下、0～2000×10-6浓度范围内,镀金腔体的CO2传感器具有更高的红外吸收效率和灵敏度;在40％～80％湿度范围内,CO2气体传感器的测量误差与相对湿度密切相关,最高误差达645×10-6.采用GA-BP算法数据融合补偿后,传感器湿度漂移得到了较好抑制,整体平均误差小于±110×10-6,表明CO2气体传感器的测量精度得到了大幅提升.     

基于对抗式域适应网络的气体传感器漂移补偿算法

气体传感器漂移现象严重限制了其广泛应用。为降低漂移问题对气体传感器工作性能的影响，提出一种基于对抗式域适应网络的漂移补偿方法。该方法将域适应学习和对抗学习相结合，利用关联对齐(Correlation Alignment, CORAL)距离对齐源域和目标域的数据分布，从而使得源域样本训练的分类模型可以更好地在目标域样本上使用。利用该算法在公开数据集上进行漂移补偿实验，其识别气体的平均精度达到了85.9%,表明该方法可以有效补偿气体传感器的漂移，提高传感器的可靠性。     

基于FPGA的失效数据恢复器的设计

针对目前养殖场多传感器检测有害气体浓度时某传感器参数失效的问题,本文基于FPGA技术实现了一个神经网络的数据恢复器。通过神经网络的训练,恢复器可以较准确的估算出传感器在某一时刻的真实数据,进而对因传感器故障而造成的失效数据进行恢复。本文以氨气（NH3）浓度检测传感器的失效数据恢复为例,对上述恢复器的性能进行了测试,验证了其有效性。     

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.     

基于相似性测度的异类传感器的数据融合算法

雷达具有较好的测距性能,红外传感器具有高精度的测角性能。雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器信息融合因没有现成的数学工具和方法而面临诸多困难。提出一种基于相似性测度的数据融合方法,能够有效提高数据正确关联概率和多目标跟踪的精度。     

基于传感器阵列与前馈神经网络的气体辨识系统

将气体传感器阵列与前馈神经网络模式识别技术相结合形成气体辨识技术相结合形成气体辨识系统,通过实验比较了不同的传感器信号预处理方法、前馈神经网络的结构和参数对气体辨识系统性能的影响,研究结果具有一定的工程应用价值。     

智能传感器数据预处理方法的研究

主要介绍了基于模块式智能传感器的温度补偿、非线性校正、数字滤波和标度变换等数据预处理方法,通过强大的软件功能,实现测试数据的前端检测与处理,扩展了自动化传感器性能,提高了自动化检测作业系统的质量.     

气体传感器阵列测试算法研究

采用人工神经网络中的BP神经网络处理阵列式气体传感器信号,气体传感器阵列与前馈神经网络模式识别技术结合而成的人工嗅觉系统被用来进行混合气体的定量分析.利用计算机模拟方法对非线性气体传感器阵列进行模拟,并运用MATLAB神经网络工具箱设计了BP网络,最后,对模拟数据进行了比较.结果表明:神经网络法具有非线性逼近能力强、识别率较高等特点.     

几种神经网络在混合气体预测中的比较

气体传感器阵列的交叉敏感性严重影响气体传感器对混合气体的测量。用M atlab平台的神经网络工具箱,分别构建了BP,径向基(RBF)和模糊(FNN)神经网络,利用掺杂不同材料的4种SnO2气体传感器组成阵列,实现对甲醛、甲苯、丙酮和乙醇混合气体的体积分数预测。结果表明:FNN神经网络对混合气体体积分数预测的精度要高于其他2种网络。而且,结合PCA和ICA对数据样本进行预处理,有利于提高神经网络对体积分数预测的精度。     

基于GA-WNN温度补偿的红外CO2气体传感器系统研究

为了提高红外CO2气体传感器的探测灵敏度和精度,首先基于计算流体动力学（CFD）仿真计算,研究了传感器腔内气体辐射功率吸收效率与腔体结构之间的关系,模拟结果表明：当圆柱腔体的直径与内壁反射率固定时,腔体结构存在最佳腔长可使传感器红外辐射功率吸收效率达到最大。然后基于CFD仿真的结果设计和实现了CO2气体传感器,并开展了实验比对与验证,进而着重研究了环境温度对气体测量结果的影响。实验结果表明：在5~45oC温度范围内,传感器在0~2000 ppm浓度范围内的测量误差随着温度升高而显著增大。最后采用遗传小波神经网络算法（GA-WNN）对传感器进行了温度补偿,数据融合补偿后传感器的温度漂移得到了较好的抑制,其绝对误差小于±70 ppm,在非样本温度点下,整体平均误差小于±100 ppm,表明CO2气体传感器的测量精度得到了较好的提升。     

清洗机器人倾角传感器信号处理研究

针对目前清洗机器人倾角传感器测量精度低、控制算法复杂等缺陷,提出了一种新的倾角传感器信号处理方法,通过Savitzky-Golay平滑滤波技术对传感器采集数据进行滤波预处理,建立了以温度、滤波后准确的传感器数字信号为输入变量的BP神经网络模型,将倾角传感器的测量精度提高到0.91％,实现了对机器人倾角传感器信号的高精度处理.研究结果表明,该方法能有效提高倾角传感器的测量精度,可为清洗机器人准确完成清洗作业提供技术借鉴.     

Adaptive resonance neural classifier for identification of gases/odours using an integrated sensor array

A new approach to intelligent gas sensor (IGS) design using a classifier based on adaptive resonance theory (ART) artificial neural network (ANN) is presented. Using published data of sensor arrays fabricated and characterised at our laboratory, we demonstrate excellent gas/odour identification performance of our classifier for a 4-gas, 4-sensor system to identify individual gas/odour. Since the ART neural network is a self-organising classifier trained in the unsupervised mode, it avoids the drawbacks associated with static feedforward neural networks trained with a locally optimal backpropagation-type training algorithms applied by researchers in the recent past. The ART neural network offers easy implementability and real time performance in addition to giving excellent classification accuracy as demonstrated by our experiments.     

一种自适应模糊聚类神经网络滤波器设计

为了获得滤除噪声和细节保留两方面更好的平衡,提出了一种自适应模糊聚类神经网络。采用模糊C—均值聚类算法对网络进行模糊化,利用改进的LMS算法对网络进行训练。仿真表明,与模糊BP神经网络及改进的BP神经网络相比,AFCN是一种性能较好的智能神经网络。     

基于LabVIEW和MATLAB的数字孪生供热系统平台的设计与仿真

数字孪生技术充分利用物理结构、传感器更新、设备运行历史等数据通过集成多领域、多物理量、多可能性的模拟过程，在虚拟空间中进行镜像，以此表达相对应的实物装置的整个生命周期过程。从智慧供热的发展历史来看，依托现代工业系统理念，提出了基于"数字孪生"的智能供热系统结构。首先介绍了数字孪生的基本结构，给出了数字孪生的构建方式基于虚拟仪器Labview的大数据采集、处理、归档、仿真；然后以采集的数据为基础，得到供热系统的孪生模型，叙述了数字孪生技术解决的关键问题；最后，通过Labview仿真平台调用Matlab中神经网络智能算法，得到基于大数据采集以及经过智能算法优化后的参数，同时系统将参数反馈给物理实体设备，从而完成孪生模型的仿真、优化、反馈过程。通过热网系统优化仿真案例验证了Labview和Matlab混合编程在建立的孪生供热平台上、应用的有效性。     

基于神经网络的矿用红外瓦斯传感器检测模型的研究

文章简要介绍了瓦斯红外检测原理,指出了传统吸收型模型的不足,基于RBF神经网络的非线性逼近能力建立了一种红外瓦斯传感器检测模型,给出了RBF神经网络的组织,并对RBF神经网络进行了训练,得到了红外瓦斯传感器检测模型的RBF神经网络结构。实验结果表明,该模型误差小、精度高,可满足煤矿井下应用的需要。     

基于深度学习网络模型的端到端航迹关联

为提高雷达数据处理中航迹关联的智能性,充分利用目标的特征信息,并简化系统处理流程,提出了一种基于深度学习网络模型的端到端航迹关联算法。首先分析了基于神经网络的航迹关联存在样本细节少、处理流程繁杂的问题,然后提出了端到端的深度学习模型。该模型根据航迹关联数据的处理特征,改进了卷积神经网络结构用于特征提取,充分利用了长短期记忆网络对历史信息和将来信息的处理能力,并分析了前后航迹的关联性。在对原始数据进行卡尔曼滤波后,将全部航迹信息特征作为输入,并由基于卷积神经网络特征提取的长短期记忆深度神经网络模型直接输出航迹关联结果。仿真结果表明,提出的模型可以充分学习推演目标的多个特征信息,具有较高的航迹关联准确率,对航迹关联的智能化分析具有一定的参考价值。     

智能传感器数据处理方法

为提高智能传感器的测量准确度,根据数据处理的最小二乘法原理给出了动态测量中的数据平滑方法;利用神经网络良好的非线性映射能力,对标定数据进行输入/输出特性的反非线性逼近训练。结果表明:利用数据平滑处理方法,可以提高传感器测量准确度和抗干扰能力;利用神经网络进行的数据处理,相对于传统数据平滑方法,能使传感器的准确度由6.67%提高到0.98%。     

AutoTrustRec: Recommender System with Social Trust and Deep Learning using AutoEncoder

Deep learning is the most active research topic amongst data scientists and analysts these days. It is because deep learning has provided very high accuracy in various domains such as speech recognition, image processing and natural language processing. Researchers are actively working to deploy deep learning on information retrieval. Due to large-scale data generated by social media and sensor networks, it is quite difficult to train unstructured and highly complex data. Recommender system is intelligent information filtering technique which assists the user to find topic of interest within complex overloaded information. In this paper, our motive is to improve recommendation accuracy for large-scale heterogeneous complex data by integrating deep learning architecture. In our proposed approach ratings, direct and indirect trust values are fed in neural network using shared layer in autoencoder. Comprehensive experiment analysis on three public datasets proves that RMSE and MAE are improved significantly by using our proposed approach.

     

电调制NDIR传感器信噪比改善方法研究

介绍电调制非分光红外(NDIR)传感器信噪比改善方法。以煤中微量元素的测试为基础,研究了采用NDIR传感器在测量其中元素所对应的气体浓度中存在的以下问题:光源稳定性对分析结果的影响、温度对试验结果的影响、气室噪声对试验结果的影响以及后期微弱信号处理过程中滤波方法对试验结果的影响等问题,探讨了这些问题可能存在的原因,并有针对性地进行了相应的设计改进和方法优化,使整个测试系统的信噪比有较大提高。     

基于神经网络的智能传感器的数据处理

为提高智能传感器的测量准确度,利用神经网络良好的非线性映射能力,对传感器的标定数据进行输入-输出特性的反非线性逼近,同时,利用传感器实验数据进行神经网络的训练。结果表明:与传统的数据处理方法相比较,利用神经网络进行的传感器数据处理,能使传感器的准确度由±6.67提高到到±0.98。