一种新型的双模式红外传感器热电元件温度测量方法

传统的红外温度测量传感器由热电元件和热敏电阻两种传感器构成,其中热电元件用于测量待测物体的目标温度,热敏电阻用于测量环境温度。本论文提出了一种新型的温度测量方法,通过使用单一的热电元件及其AD(analog-digital)模块和PMOS(positive channel metal oxide semiconductor)电路实现双模式的切换,在一个测量周期内实现红外传感器测温和环境温度补偿的作用。采用TSMC (Taiwan Semiconductor Manufacturing Company)0.35μm CMOS(complementary metal oxide semiconductor)工艺制造红外传感器,对红外传感器进行温度校准后按照双模式切换方法进行测试和实验,经过温度补偿后温度测量平均误差小于0.01℃,极大地提高了测量精度和环境温度补偿精度,减小动态温度测量误差,同时简化了红外温度传感器的设计制造过程,具有很好的实用价值。     

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.     

数字式红外CO2测量仪

介绍了用红外传感器和微处理器组成的ＣＯ２测试议,讨论了增加仪器灵敏度和消除误差的方法。实验结果表明,利用这种技术可以组成廉价的气体成份分析仪。     

TGS4160新型二氧化碳传感器

空气中的二氧化碳浓度直接影响人体健康．所以人们常用二氧化碳传感器来监测和控制环境空气的质量。TGS4160新型二氧化碳传感器具有长期稳定性好、检测灵敏度商、湿度依赖性低等优点．本文结合二氧化碳对环境的影响来介绍它的应用。     

采用室温电容传感器的红外成像仪

非致冷红外传感器在空间遥感、夜视、目标识别、热测绘、运动探测等方面都具有很重要的应用。然而, 由于现有非致冷红外传感器的性能还比较低,采用非致冷红外传感器的红外成像系统还难以满足许多应用的     

基于GWO-BP神经网络补偿的SF6红外气体传感器

为实现电力系统中SF 6气体的有效监测与控制,本文基于非色散红外原理(NDIR),设计了一种SF 6气体传感器。但是,在实际的测量中,环境的温度与气压差异性容易影响SF 6气体浓度检测装置的检测精度,因此需要采取适当的方法消除环境引起的测量误差。本文采用灰狼智能优化算法—误差反向传播(GWO-BP)神经网络对环境温度与气压变化引起的测量误差进行了补偿,并与其他补偿方法作了比较。分析得出:进行补偿后的浓度数据在0~2000 ppm范围内误差为±15 ppm,满量程误差为0.75%FS,有效提升了传感器的测量精度与稳定性。相较于电路补偿法,该方法有更高的测量精度,并且降低了传感器的体积和成本。     

矿用红外一氧化碳监测仪设计

针对井下温度、湿度等特点,文章提出了一种神经网络数学模型补偿方法,采用最大最小距离法确定聚类数目,用聚类算法计算RBF神经网络中心和扩展常数,实验结果表明,新型红外一氧化碳检测仪性能良好,抗干扰能力强,稳定性好,测试数据准确,可连续在线监测.     

RBF神经网络在传感器故障诊断中的应用研究

针对传感器在自动化系统中的重要性，指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点，阐述了RBF神经网络的基本理论和优点，提出了一种基于RBF神经网络用于传感器故障诊断的思路和方法。     

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。     

光纤光栅应变传感器温度补偿系统研究

提出了采用BP神经网络算法来实现FBG应变传感器的温度补偿系统,用以改善FBG应变传感器的温度交叉敏感现象。通过计算机程序和实验表明,此方法实现了FBG应变传感器对应变量和温度量的精确分离,较好地改善了温度对传感器造成的非线性干扰,使传感器对应变的测量误差达到10-3数量级。同时,有效地抑制了FBG应变传感器非线性特性的影响。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

基于改进BP网络的甲烷传感器温度影响试验研究

温漂会影响催化甲烷传感器检测精度,为减小这种影响,提高传感器检测精度,本文在不同温度环境下进行甲烷传感器环境影响实验,并利用一种基于主成分分析的BP神经网络温度补偿模型对实验数据进行处理,补偿温漂对检测精度的影响,结果表明:本文提出的模型能提高甲烷传感器的稳定性和准确性,减少温漂的影响.     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

一种新的复值递归神经网络训练方法及其应用

一种新的基于数字滤波器理论的全互连复值递归神经网络训练方法被提出.每个递归神经元均具有复数ⅡR滤波器结构.通过优化ⅡR滤波器的系数来更新神经网络的权值,而优化过程则采用逐层优化(LBLO)技术和递归最小平方(RLS)方法.该算法的性能通过将其应用于复信道均衡来加以说明.计算机仿真结果表明,该算法具有较快的收敛速度.这为快速训练复值递归神经网络提供了一条新的途径.