基才BP神经网络的数字式涡流传感器特性曲线拟合的实现

为了正确反映数字式涡流传感器的实际特性,首先介绍了数字式涡流传感器的工作原理,然后从实测数据出发．提出了应用BP神经网络拟合其特性曲线的方法,运用MATLAB语言编程建立BP神经网络并进行训练和仿真,与现有最小二乘法进行对比。仿真结果表明,基于BP算法所得拟合曲线误差很小、收敛速度快且具有更高的拟合精度．比最小二乘法更具有实际意义。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

人工神经网络在电涡流传感器非线性补偿中的应用研究

电涡流传感器输入/输出特性曲线具有很强的非线性,为保证仪表输入/输出的线性化关系,必须对电涡流传感进行非线性补偿。采用RBF网络对电涡流传感器进行非线性补偿,并将补偿结果与拟合函数法(最小二乘法)进行比较。结果表明:神经网络产生的补偿曲线更顺滑,预测性更强,补偿后的传感器线性度更好。     

基于PSO-LSSVM的振弦传感器温度补偿

针对振弦传感器测量精度受环境温度影响的问题,本文提出基于粒子群-最小二乘支持向量机的温度补偿方法。采用泛化能力好、收敛速度快、全局最优的最小二乘支持向量机,并引入粒子群算法对最小二乘支持向量机的两个参数进行优化,建立预测模型,进行温度补偿。实验表明:与BP神经网络算法相比,该方法提高了传感器的精度。     

压力传感器温度补偿各种算法的比较分析

压力传感器是一种常用的传感元件,由于其自身的非线性和外界测量条件的影响,传感器的输出特性大都为非线性,故存在多种误差因素。这些误差因素通常同时存在,但以温度的影响最为明显,所以对传感器的温度补偿也就尤为重要。本文结合目前应用比较普遍的各种温度补偿方法,通过编制程序,对压力传感器的输出非线性作了补偿。结果表明,基于最小二乘法的温度补偿方法简单,速度快,但是精度一般,应用BP神经网络补偿的效果好,但是算法复杂。     

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。     

一种新型三维加速度传感器静态解耦研究

所述新型三维加速度传感器由于受到结构、应变片粘贴、加工等因素的影响,在测量中存在维间耦合,影响测量精度。传统的是利用最小二乘法线性解耦。该文根据BP神经网络的强非线性映射功能研究了其非线性解耦方法。以新型传感器标定实验中的实验数据为对象,分别对其进行了非线性解耦和线性解耦,结果表明解耦精度提高了六倍。     

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.     

基于OBF神经网络的温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,提出应用递推最小二乘法训练正交基(OBF)神经网络进行非线性补偿的方法.研究结果表明,与RBF神经网络非线性补偿模型和BF神经网络非线性补偿模型相比,该正交基神经网络非线性补偿模型具有误差小,精度高,训练次数少的优点,故为一种有效的非线性补偿方法,在测控领域具有实用价值.     

基于BP神经网络的红外测温系统温度标定方法

介绍了红外测温系统温度标定方法和BP算法神经网络,将BP算法神经网络应用于温度标定物理实验中的灰度与温度的特性曲线拟合,并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性,其拟合精度远高于最小二乘拟合,为测温数据的软件处理提供了新的方法。     

基于神经网络的双目视觉摄像机标定方法的研究

摄像机标定是精密视觉测量的基础，传统的双目标定位需要建立复杂的数学模型。神经网络可以有效地处理非线性映射问题，本文介绍了一种BP神经网络，可以很好地描述双目视觉中三维空间特征点坐标和2个摄像机对应像点间的非线性关系，并且为了提高网络的学习能力引入了动态因子。将神经网络标定方法与传统的常用标定方法比较，实验结果表明，基于神经网络的双目视觉标定方法能获得较高的标定精度。     

一种新颖的基于神经网络的压力传感器标定系统

根据一种特定的输入-输出特性曲线,本文提出了一种新颖的标定算法,同时设计了一种可有效消除该非线性误差的标校系统。 不同于常规的BP和RBF,本文的方法首先获取该特性曲线的斜率和截距,然后得到电压-压力的特性曲线。测试结果表明：本算法收敛速度快,具有很强的鲁棒性,同时可得到很小的MSE。不同的试验结果也表明：本标校系统工作稳定,测量精度优于设计要求,而且,本系统具有很好的实时性。     

医用体内光纤温度传感器探头神经网络设计

利用误差反向传播算法(BP)和径向基函数(RBF)神经网络法，分别对医用体内光纤温度传感器探头进行设计，训练神经网络的数据通过实验和插值得到。该方法具有准确、可靠和知识辅助设计的特点。结果证明，此方法可以节省设计成本，缩短设计周期，有很高的实用价值。     

基于WLSE-KF的传感器融合定位算法研究

多传感器融合在定位中的应用越来越广泛。在利用这些传感器进行定位的过程中,需要对其采集的数据进行融合。射频识别融合定位一般采用最小二乘法,然而,它可能使定位误差较大。文中提出了将最小二乘和卡尔曼滤波相结合的算法。该算法先利用加权最小二乘估计获得移动用户的初步位置,再利用扩展卡尔曼滤波进一步使定位精度得到提高。仿真结果表明该算法相比多种传统定位算法,误差减少,定位精度明显提高。     

基于RBF神经网络的被动声定位算法研究

提出了基于RBF神经网络的被动声定位算法.该算法根据TDOA定位原理,以四元十字阵作为定位模型,利用RBF神经网络较快的学习特性和逼近任意非线性映像的能力,实现对声源的快速准确定位,并与WLS算法、Chan算法、Taylor算法作对比分析.仿真结果表明,该算法定位精度高,鲁棒性好,性能优于其他算法.     

On localization in sensor network with inaccurate and incomplete distance measurements

The sensor network localization problem has received a lot of attention in recent years because many important applications resort to node position information. In contrast to the many interesting algorithms proposed in the literature, this paper provides a relatively straightforward procedure that can tackle localization problem for sensor network in a Least Squares Euclidean Distance Matrix Approximation （LS-EDMA） framework. Simulation results reveal that our proposed algorithm is more robust than another popular Multi-Dimensional Scaling （MDS） and Semi-Definite Programming （SDP） based localization techniques, especially with inaccurate and incomplete distance measurements.     

传感器位置误差下外辐射源雷达三维定位代数解算法

机载外辐射源雷达系统中,部署在飞机上的观测站传感器位置无法精确获知,观测站位置误差将严重影响目标定位精度。对此,该文提出一种观测站位置误差下多基外辐射源雷达3维定位代数解算法。该算法首先利用辅助变量将非线性双基距离和差(BRD)观测方程进行线性化,构造伪线性目标估计模型。然后将观测站位置量测噪声的统计特性融入定位算法,提出一种改进两步加权最小二乘(TS-WLS)算法实现观测站位置误差下外辐射源雷达目标定位。最后推导了克拉美罗下界(CRLB)和算法的理论误差。仿真结果显示,在适中的BRD量测误差和观测站位置误差下,所提算法的目标定位性能能够达到CRLB。     

Energy-Scalable Protocols for Battery-Operated MicroSensor Networks

In wireless sensor networks, the goal is to gather information from a large number of sensor nodes and communicate the information to the end-user, all under the constraint of limited energy resources. Network protocols minimize energy by using localized communication and control and by exploiting computation/communication tradeoffs. In addition, data fusion algorithms such as beamforming aggregate data from multiple sources to reduce data redundancy and enhance signal-to-noise ratios, thus further reducing the required communications. We have developed a sensor network system that uses a localized clustering protocol and beamforming data fusion to enable energy-efficient collaboration. We compare the performance of two beamforming algorithms, the Maximum Power and the Least Mean Squares (LMS) beamforming algorithms, using the StrongARM SA-1100 processor. Results show that the LMS algorithm requires less than one-fifth the energy required by the Maximum Power beamforming algorithm with only a 3 dB loss in performance, thus showing that the LMS algorithm is better suited for energy-constrained systems. We explore the energy-scalability of the LMS algorithm, and we propose an energy-quality scalable architecture that incorporates techniques such as variable filter length, variable voltage supply and variable adaptation time.     

基于递归正交最小二乘的径向基函数网络人脸识别

本文提出了一种基于递归正交最小二乘的径向基函数(RBF)网络人脸识别算法,该算法首先使用主成分分析(PCA)提取输入图像特征,将提取的特征作为RBF网络的输入进行识别,在求取网络权值时采用递归正交最小二乘(ROLS)算法。实验表明,该算法能明显地缩短训练时间同时具有较高的识别率。