基于FOA优化SOM-RBF的压力传感器温度补偿研究

硅压阻式差压传感器受硅片和封装介质温度特性的影响,温变时,传感器输出呈现明显的非线性。文中提出一种全新温度补偿方法,采用基本RBF网络确定网络隐含层节点数,建立自适应SOM网络得到RBF网络中心值,采用FOA对RBF网络扩展参数进行寻优得到最终优化RBF网络,最后将测试数据输入网络得到补偿输出。结果表明:补偿精度随着RBF网络的优化逐步提升,补偿后平均最大相对误差精度为9.642 7×10-4,相对均方误差精度为2.476 2×10-7。模型输出结果验证了算法用于硅压力传感器温度补偿的有效性,抑制了温度对传感器输出的影响。     

压力传感器温度漂移补偿的RBF网络模型

压力传感器在实际应用中普遍存在着温度漂移现象,这降低了传感器的测量精度,因此需要采取适当的补偿措施对传感器的温度附加误差进行修正,从而提高测量的准确性.本文针对在压力传感器电路中采用温度硬件补偿措施成本较高且精度不高的情况,建立了RBF网络软件补偿模型.RBF网络具有良好的非线性映射能力和泛化能力,采用带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高.对实验中采集的数据进行非线性补偿,取得了良好的效果,大大提高了压力传感器的性能和测量精度.     

基于温度补偿的甲烷检测系统设计与实现

由于现场农田环境的复杂多变性,红外甲烷传感器所测数据的准确性和稳定性受外界环境温度影响较大,因而由温度造成的浓度测量偏差需要补偿。分析温度对浓度测量的影响,采用温度、浓度控制单一变量法,对同一浓度甲烷标准气体在不同温度下作标定实验,研究红外甲烷传感器输出值随温度变化关系,得到补偿温度影响率,结合补偿数据处理算法得到补偿值。针对不同浓度的甲烷气体,进行温度特性实验和温度补偿数据处理,实验结果表明:温度补偿前最大测量误差为0.2%,经补偿后,甲烷浓度测量值随温度变化较小,误差范围为0~0.02%。补偿后传感器稳定性和准确性得到改善,能检测0~5%浓度甲烷气体,检测精度可达40×10-6,满足对CH4气体实时监测需求。     

基于RBF神经网络的光纤电流互感器温度补偿

光纤电流互感器在实际运行中易受外界温度影响,其输出精度会出现漂移偏差。为提高光纤电流互感器测量比值误差的温度稳定性,提出了基于RBF神经网络的光纤电流互感器温度补偿方法。将温度和温变率作为神经网络输入、光纤电流互感器的比值误差作为输出,建立了RBF神经网络温度补偿模型。相比BP神经网络,仿真结果显示,基于RBF神经网络的温度补偿模型准确度较高,预测结果误差低于3%。同时,经过RBF神经网络温度补偿,实验结果表明,光纤电流互感器在输出比差小于±0.1%,满足GBT20840.8标准规定的0.2S级准确度。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

基于BP神经网络的热导气体分析仪

介绍了利用BP神经网络对传统热导气体分析仪改善的新方法。通过大量的样本数据训练构建了双输入早输出网络模型,通过单片机来实现整个控制处理过程。结果表明：仪器测量精度有了很大提高,采用改进的算法可以实现传感器高精度温度补偿。     

基于RBF神经网络算法在重金属浓度测量中的应用

针对在线重金属检测仪器其测量数据精度较低的问题进行研究,同时考虑电化学传感器随温度变化易产生误差,提出了采用多传感器数据融合方法,将RBF(Radial Basis Function Neural Network)算法应用到检测中。研究结果表明此方法可使重金属浓度检测系统的输出结果更加准确,实现了温度补偿,减轻了环境温度对传感器测量精度和稳定性带来的不利影响。     

变温加热和神经网络方法检测混合气体

研究了采用单只气敏元件通过变温加热和神经网络信息处理,对乙醇和醋酸混合气体的识别和浓度检测的方法。根据气敏元件的灵敏度随加热温度发生改变的特点,在气敏元件上施加锯齿波加热电压,测量了周期变温条件下25种不同浓度乙醇和醋酸混合气体的归一化电导—温度曲线。然后,采用由64个输入节点和2个输出节点组成的BP网络,以及Levenberg-Marquardt算法对测量数据进行处理。结果说明,该气体分析系统对乙醇和醋酸混合气体有较好的分类识别效果。     

基于神经网络模型的传感器非线性校正

讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行不同的测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点.以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差.实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度.当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6.结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的.     

利用前馈神经网络进行气体定性分析

本文将气敏传感器阵列与前馈神经网络模式识别技术相结合,建立了人工嗅觉系统;构造了前馈神经网络的结构和算法;通过实验对一定浓度范围（５００～１０００ｐｐｍ）的甲烷、乙烷和丙烯等三种气体进行了识别,结果表明利用气敏传感器阵列和前馈神经网络进行气体定性分析是可行的。