传感器数据的高精度重构方法及其性能研究

不同传感器具有不同的非线性。为提高传感器数据重构精度,本文给出两种数据重构方法。对于不是特别严重的非线性,采用最小二乘拟合与径向基函数残差插值进行融合重构,可以在增加有限计算量条件下提高数据的近似精度;对于非线性较严重的传感器,为兼顾局部特性,采用移动最小二乘法进行数据重构,它通过全局近似向局部近似的转化,同样使重构结果具有满意的近似精度。选用两种不同传感器进行实验,结果表明两种方法均行之有效。     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

移动最小二乘法在多功能传感器数据重构中的应用

针对传统最小二乘法全局拟合的局限性, 将一种新型的数值算法---移动最小二乘法应用于非线性多功能传感器的信号重构. 通过详细研究插值函数的构造方法及性质, 合理地选取基函数和权函数, 求出试函数的系数, 进而得到信号的重构值. 详细分析了基函数维数、影响域节点数及权函数因子对计算结果的影响, 并对最小二乘法以及移动最小二乘法的重构数据进行了对比, 重构的相对误差分别小于 15.3 % 和 1.03 %, 结果表明移动最小二乘法更适合非线性曲面拟合, 且适当地增加基函数维数或影响域节点数可以进一步提高数据重构的精度.     

电容式降雨传感器及其特性曲线拟合方法

针对将电容式传感器应用于降雨测量时,特性曲线的非线性误差较大问题,分别采用最小二乘曲线拟合法和径向基函数(RBF)神经网络对其输出特性曲线进行拟合.结果表明:RBF神经网络模型具有更强的非线性映射能力,其拟合精度明显高于最小二乘多项式模型.     

移动最小二乘代理模型支持域半径的优化方法

移动最小二乘代理模型描述局部波动的能力优于一般的代理模型,但其精度受支持域半径的影响。在经验公式的基础上提出了一种针对移动最小二乘代理模型支持域半径的优化方法。对支持域内抽样点数寻优获取最佳半径值,提高近似精度进而达到减少抽样点的目的。数值实验结果表明,对于不同基函数阶次和权函数的情况,提出的方法大大提高了移动最小二乘代理模型的近似精度,与基于经验公式的移动最小二乘代理模型相比,其仅需较少的抽样点即可达到相同的近似精度。     

基于岭回归的气体预警穿戴系统的灵敏度校正

在气体预警穿戴系统中,使用电化学气体传感器来采集环境中CO气体的浓度。由于电化学气体传感器的灵敏度随着温度有着非常显著的变化,为了提高传感器的检测精度,采用一种基于岭回归算法对电化学气体传感器进行灵敏度校正。开发算法的软件工具采用Python语言进行编程,根据传感器和温度关系的已有关系样本对其进行拟合,并对拟合结果进行交叉性验证分析。通过分析对比可知,基于岭回归算法的电化学气体传感器灵敏度曲线拟合效果好于普通的最小二乘法拟合。     

加速度计几种模型辨识方法的比较研究

加速度计离心试验中,为了更精确的得到加速度计的模型系数,比较研究了3种辨识方法:最小二乘方法(加权最小二乘)、总体最小二乘方法和EV模型方法.通过仿真得出在输出噪声和输入噪声为白噪声或者近似白噪声且离心机精度优于1×10-5的情况下,最小二乘与其他2种辨识方法辨识精度相当.最后通过试验对比了最小二乘方法与加权最小二乘方...     

基于MC8051的压力传感器校准算法

以一种压力传感器为例,介绍了一种改进型压力校准算法。针对高温会对传感器影响较大的特性,同时考虑算法复杂度以及处理器的运算等问题,在高温区采用最小二乘拟合加三次样条插值法,在低常温区则用最小二乘拟合加牛顿差值算法构造温度补偿模型。所有数据运算处理采用MC8051处理器处理。实验结果表明:改进算法模型能很好消除温漂,校准误差在0. 119%以内,满足实际需求。     

基于移动最小二乘法的气动力数据建模方法

针对一体化飞行器高度耦合的非线性气动问题,提出了一种基于移动最小二乘法的气动力数据建模方法;首先,对影响模型精度的因素进行了分析;接着,在构建移动最小二乘模型时采用遗传算法获取最佳支撑域半径以及最佳影响因子β,提高近似精度从而达到减少样本点的目的;得到泛化能力较强的气动力模型,并与偏最小二乘方法的建模结果进行对比;实验结果表明:移动最小二乘法的建模效果优于偏最小二乘方法,预测误差较小,证明了将该方法应用于气动数据建模是可行的。     

应变式传感器的信号隔离及数据重构

采用较高频率的周期性方波信号作为载波及解调信号,通过调制与同步解调技术对应变式传感器的输出模拟信号进行变压器式隔离.将隔离后的模拟信号及传感器使用环境温度对应的数字量作为输入变量,传感器的实际负载作为输出变量,利用移动最小二乘回归(MLSR)重构传感器所受负载与使用温度及隔离信号之间的数据模型.试验结果表明,采用调制及同步解调技术的模拟信号变压器式隔离电路具有良好的温度稳定性,利用MLSR建立的传感器数据重构模型拥有比传统最小二乘回归(LSR)更高的精度,在试验条件下的温度变化范围内,采用变压器式隔离电路得到的模拟信号隔离相对误差低于±0.2%,基于MLSR的传感器数据重构模型的负载检测相对误差低于±0.07%.