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.     

一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

基于改进PSO优化RBF的压力扫描阀温度补偿研究

压力扫描阀由于结构紧凑、通道数多、精度保持性好等优点,在航空航天领域压力测量方面得到了广泛应用。针对压力扫描阀在工程应用中存在压力随温度漂移的现象,提出了一种基于改进粒子群算法(PSO)优化径向基神经网络(RBF)隐含层权值的方法,对温度漂移进行算法补偿研究。同时,对比了最小二乘法的曲面拟合、BP神经网络、RBF神经网络的补偿效果,结果表明：改进PSO优化RBF的方法补偿精度较高,在-40℃～60℃温度范围内,绝对压力的最大满量程误差为0.1%FS。不仅满足项目0.5%FS的误差要求,而且提高了压力扫描阀在该温度环境下的测压精度与性能。     

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.     

基于LS-SVR的压力传感器温度自补偿策略

硅压阻式压力传感器在实际使用过程中受环境温度影响易发生温度漂移,同时传感器本身又存在一定的非线性,这使得传感器测量精度大幅度降低.针对传统的温度补偿方法中需引入温度传感器的情况,提出一种基于最小二乘支持向量回归(LS-SVR)的压力传感器温度自补偿策略,通过定义并测量传感器桥路自身参数获取温度信息实现温度补偿,而无需配置额外的温度传感器.通过粒子群算法和交叉验证对LS-SVR的参数进行了优化.实验结果表明:这种利用传感器自身桥路进行温度补偿的方法能够有效地消除压力传感器的温度漂移.补偿后测量精度达到0.1%FS.     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

硅电容式高精度双轴倾角传感器温度漂移补偿研究

为了提高倾角传感器测量精度,提出了一种基于最小二乘多项式分段函数非线性曲线拟合温度漂移补偿方法。根据倾角传感器原理与温度漂移补偿特性,结合实验情况,建立两段分段函数温度漂移补偿模型,忽略其它粗大误差的影响,引入自变量温度,并固定角度,使用最小二乘法对实验采集的数据进行分析与处理。经实验证明:温度在-36～55℃范围内倾角传感器测量误差精度达到0. 001°。该方法有效地提高了倾角传感器的测量精度,取得了良好的补偿效果。     

硅压阻式压力传感器的高精度补偿算法及其实现

硅压阻式压力传感器广泛应用于汽车、医疗、航空航天、环保等领域。随着科学技术的发展,各领域对压力测量精度的要求越来越高。但由于半导体材料的固有特性,硅压阻式压力传感器普遍存在零点随温度漂移、灵敏度随温度变化和非线性等问题。为了提高硅压阻式压力传感器测量精度、降低输出误差,对该传感器的几种常用补偿算法进行了对比分析和研究,提出了一种基于最小二乘法的曲面拟合高精度补偿算法。该补偿算法能有效消除硅压阻式压力传感器零点漂移、灵敏度漂移和非线性误差,提高该传感器的输出精度。试验结果表明,在-40^+80℃温度范围内,硅压阻式压力传感器经该补偿算法计算后,测量精度得以大幅度提高,输出误差小于0.01%F·S。     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

基于最小二乘支持向量机的硅压阻式传感器温度补偿

针对硅压阻式传感器灵敏度和零点温度漂移大、硬件补偿电路效果不佳的问题,提出最小二乘支持向量机方法对其温度漂移进行补偿。首先分析了经硬件补偿后的硅压阻式传感器的温度漂移特性,在整个检测范围内选取均匀分布的温度、压力数据作为模型输入,经预处理后对输出数值进行训练,并运用网格搜索法和交叉确认法优化模型的惩罚因子和正则化参数,建立了传感器温度补偿模型。实验结果表明,基于最小二乘支持向量机的温度补偿算法在0~100℃温度范围内把传感器输出综合精度从3.2%FS提高到0.25%FS,进一步提高了传感器的精度和温度使用范围,具有较高的实用价值。     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

声表面波压力传感器温度误差及补偿方法研究

要提高声表面波压力传感器的测量精确度，温度补偿是主要难题。尽管目前有许多补偿方法，但其效果不佳。采用软件方法进行温度补偿的研究在国内外已成热点，但选用神经网络对SAW压力传感器进行温度补偿尚罕见报道。本文以CSF-10型SAW压力传感器为研究对象，通过理论分析和实验，得到了SAW压力传感器的温度特性曲线，又经现场实际操作，BP神经网络对SAW压力传感器温度补偿的效果良好，充分表明了应用神经网络在提高声表面波测量精度方面是行之有效的方法。     

一种基于神经网络算法的高精度拟合传感器温度特性曲线的方法

为了有效改善传感器温度补偿特性,提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型.分析了算法的收敛性,为学习率的选择提供了理论依据.给出了对掺杂苯的SnO2纳米传感器的灵敏度-温度特性曲线进行拟合的实例.结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度(10-6),因而是一种有效的温度特性曲线拟合方法.     

基于蚁群聚类算法的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存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。     

基于支持向量机的电容式传感器温度补偿研究

针对电容式传感器极易受到温度影响这一特性,基于支持向量机（SVM）建立电容式传感器系统补偿逆模型,对电容式传感器进行的温度补偿。实例分析表明：与RBF神经网络温度补偿法相比较,SVM逆模型在很大程度上提高了传感器的线性度,并且,补偿曲线更顺滑,预测性更强,提高了系统计量的准确度。     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。