一种湿度传感器温度补偿的非线性校正方法

针对湿度传感器易受温度影响的问题,提出了基于Laguerre多项式的湿度非线性校正和温度补偿的复合校正模型,采用递推最小二乘法对标定湿度进行拟合以确定复合补偿模型的参数.该方法根据湿度传感器的测量值和环境温度即可高精度计算出实际湿度.仿真结果表明,补偿后的最大相对误差不超过4.5576e-4％,具有良好的非线性校正和温度补偿效果,在湿度检测领域具有重要的理论和应用价值.     

基于Hermite基函数的液位传感器温度补偿方法

针对液位传感器易受温度影响的问题,提出了基于Hermite基函数的液位非线性校正和温度补偿的复合校正方法,该方法使用递推最小二乘法对标定液位进行拟合以获取复合补偿模型的参数,由此根据液位传感器的测量值和环境温度即可高精度计算出实际液位。仿真结果表明,补偿后的最大相对误差不超过1.23×10^-6%,具有良好的非线性校正和温度补偿效果,在液位检测领域具有重要的理论和应用价值。     

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法。在该方法中,LS-SVM被用作构建逆模型,并通过该模型映射传感器非线性特性,同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明:所提模型建模速度比SVM模型高1~2个数量级,补偿误差仅为SVM模型的20%左右。因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正。     

压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

基于多红外传感器的智能温度测试装置设计

针对物体温度分布的检测,设计了一种新型的智能温度测试装置.该装置采用多红外传感器阵列结构,引入BP神经网络算法对测试数据进行自动补偿与非线性校正,运用基于均值的融合算法对数据进行融合处理,同时,在装置中采用集成温度传感器进行环境温度补偿.与采用红外热像仪进行温度分布检测相比,该装置具有测温精度高、兼容性强、测试成本低、易于维护等优点.     

基于神经网络的光纤光栅电流传感器的温度补偿

分析了光纤光栅电流传感器的温度特性,表明传感器的输出受环境温度的影响大且很难消除。利用神经网络具有可以逼近任意非线性函数的特点,提出了用人工神经网络对光纤光栅电流传感器进行温度补偿的方法,实现传感器输出特性的非线性校正。通过Matlab语言编程仿真实验表明,该方法可以有效地消除温度的影响。     

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Laguerre多项式的LVDT位移传感器非线性校正

针对线性可变差动变压器(LVDT)位移传感器输出电压值与位移量之间存在非线性的问题,建立了基于Laguerre多项式的位移特性曲线模型.采用递推最小二乘法对标定样本数据进行拟合,以确定位移特性曲线的模型参数.该方法根据LVDT位移传感器输出电压的测量值即可高精度计算出相应的位移量.仿真结果表明:绝对测量误差不超过0.1mm,具有明显的非线性校正效果,在位移检测领域具有重要的理论和应用价值.     

一种利用函数链神经网络的传感器建模新方法

讨论基于函数链神经网络 (FLNN)的传感器建模新方法 ,其结构简单、使用灵活、建模容易 ,易于实时硬件实现。两个算例说明网络的训练和非线性逼近方法 ,显示出网络的自适应能力、学习能力 ,基于FLNN的传感器模型可同时实现温度补偿和非线性校正。实际上 ,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化 ,在测控系统中具有良好的应用前景。     

基于RBFNN的称重传感器温度误差补偿

称重传感器存在因环境温度不同导致的非线性误差,需要进行补偿.阐述了称重传感器的温度误差机理,提出了一种基于径向基函数神经网络(RBFNN)的称重传感器温度误差补偿方法,并给出了训练算法.采用该方法,利用量程为100kg的称重传感器,在0～60℃范围内进行温度误差补偿实验.实验表明:采用这种方法补偿后,称重传感器温度误差...     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于改进型ANFIS的磁致伸缩液位传感器温度补偿

考虑到磁致伸缩液位传感器在温差变化大的环境中温漂现象严重,且产生温漂的多种因素与温漂的程度呈非线性关系,难以用数学模型表达等问题,建立基于改进型ANFIS的温度补偿系统。该系统采用附加动量算法不断修正ANFIS中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该温度补偿系统的性能,将其与基于PSO-LSSVM模型和基于BP神经网络的温度补偿系统相比较。分析与实验结果表明,改进型ANFIS模型的温度补偿的最大误差为0.88%,平均误差为0.65%,远小于另外两种补偿方法。使用了改进型ANFIS的温度补偿方法具有较强的泛化能力,能够有效消除温度对磁致伸缩液位传感器的影响。     

一种基于分段逆模型的传感器非线性校正方法

为解决传感器非线性校正问题,提出一种基于分段逆模型的传感器非线性校正方法。通过对传感器特性数据进行变换和分段,在给定最大拟合误差和最大拟合阶次的情况下,得到传感器逆模型;逆模型作为补偿环节实现对传感器的非线性校正。该方法采用数据步长搜索策略和最小二乘法实现对传感器特性数据的分段,并能确定各数据段拟合函数的阶次和参数。热敏电阻非线性校正试验的结果证明了该方法的有效性。     

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.     

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...     

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。