窄声束阵列传感器的仿真优化与研制

针对厚壁管道的检测,提出并研制了一种新型的超声导波阵列传感器,其特点是声束窄、能量集中.首先,选取了对厚壁管道内外表面缺陷均敏感的周向导波模态,确定了激励该模态的入射角度及频率;然后,对阵元间距为0.5λ~1.0λ、阵元个数为4~8的传感器进行了声场的有限元仿真优化,选取了最优的阵元个数与阵元间距.最后,制作了传感器实物并进行了声场指向性测量.实验结果表明,该传感器相较于传统单阵元传感器,指向性好,能量集中.     

阵列传感器在分析检测中的应用与发展

在分析检测中研究较多的阵列传感器主要有电荷耦合器件、电荷注入器件、光电倍增管和光电二极管阵列检测器.电荷耦合器件应用最广,适用于大多光谱仪器.电荷注入器件运行成本较高,应用范围受限.光电倍增管最适用于光电直读光谱仪.光极管阵列检测器则更多地用于液相色谱分析.随着传感器研究不断深入,有更多新技术应用于分子识别、物质结构分析等化学检测中.     

霉变玉米电子鼻识别及其传感器阵列优化

收集了玉米样品40份,利用电子鼻技术对样品进行模式识别,并对电子鼻传感器阵列进行优化.结果表明,电子鼻能够对正常与霉变样品进行区分.在优化传感器阵列后,主成分分数较优化前的84.36%提高至97.54%.对测试集的判别采用4种算法(Euclid、Malahanobis、Kohonen和DFA)进行判别,电子鼻判别率较优化前均有不同程度的提高,其中Kohonen法判别率可达90.63%.     

粒子群算法在模糊神经网络系统辨识中的应用

由于模糊算法过于依赖专家知识,参数决定过程中人为主观因素过大且无法进行自学习;而神经网络算法收敛速度较慢,还可能陷入局部最小.本文针对上述这两种算法在实际应用中的缺陷,引入并介绍了一种高效的粒子群算法,在采用Sugeno模糊推理计算模型建立模糊神经网络的基础上,利用粒子群算法收敛快、算法简单和全局寻优的优势,实现模糊神经网络的优化辨识,并进行了仿真实验.     

粒子群优化粒子滤波算法及其在循环流化床床温辨识中的应用

在基于现场数据的神经网络训练中,粒子滤波算法对非线性、非高斯噪声系统的适应性及全局寻优能力都优于传统BP算法。针对粒子滤波算法的粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波过程,使粒子在权重更新前更加趋向于高似然区域;同时,优化过程使得远离真实状态的粒子趋向于真实状态出现概率较大的区域,提高了每个粒子的作用效果。将优化前后的粒子滤波算法训练2-1-1结构的神经网络并进行比较,结果表明优化算法提高了神经网络模型预测精度,降低了精确预估所需粒子数。最后,应用该算法对基于现场数据的循环流化床床温神经网络模型进行训练并预测,验证了算法的有效性。     

OPCM阵列传感器及其在工程结构NDT中的应用

阵列换能器是在超声相控阵检测中实现电-声转换的传感器件,是影响无损检测(NDT)成像质量的关键因素。传统的超声相控阵换能器中存在力电参数不合理导致的结构不可设计性、驱动电压高等不足。为提高成像分辨率,设计了OPCM驱动/传感器相控阵列,并应用于铝板损伤检测。结果表明:OPCM驱动/传感器使相控阵超声损伤检测的成像分辨率优于常规的普通压电陶瓷阵列结果,研究拓展了复杂工程结构的无损检测技术(NDT)。     

一种基于神经网络和遗传算法的桥梁加速度传感器优化布置方法

为实现桥梁加速度传感器的优化布置, 提出一种基于神经网络和遗传算法的布置方法。利用ANSYS软件建立桥梁模型并获得模态数据,通过随机生成大量布置方案及对应MAC值形成数据集,并建立双隐藏层的神经网络模型进行训练,将训练好的模型利用遗传算法搜索出最优值及对应的布置方案,最后对结果进行了分析,表明该方法可行。     

混沌优化BP网络在指纹分类中的应用

利用混沌运动的遍历性、随机性和规律性等特点,将加速混沌优化方法与BP算法相结合,并用混沌激励函数代替部分S型激励函数的混合优化方法对BP网络进行了改进.仿真实验结果表明,改进后的BP网络能够对指纹进行准确分类,其精确度高于传统BP网络.     

四元数在均匀圆形矢量传感器阵列信号参数估计中的应用

四元数的四维超复数结构是一种正交结构,各矢量传感器分量保持其固有的正交性,从而提高了矢量传感器阵列的抗干扰能力以及分辨力。在均匀圆形矢量阵列信号的参量估计中引入四元数理论,建立基于四元素的电磁矢量传感器阵列信号接收模型。充分利用四元数的多维正交特性,结合四元数矩阵理论及已有算法对电磁矢量传感器阵列信号的波达方向和极化信息进行联合估计,仿真实验验证了方法的有效性。并与传统的基于长矢量的MUSIC算法(V-MUSIC算法)进行比较,结果表明,基于四元素的信号接收模型可显著提高信号参数的估计精度。     

基于ISSA-GRNN的无线传感器网络定位优化算法

为了减少无线传感器网络(WSN)节点在传统方法上的定位误差,增强定位的准确度,提出了一种融合改进的麻雀搜索算法和广义回归神经网络(ISSA-GRNN)的节点定位优化算法。首先,对普通DV-Hop算法和Centroid定位算法的节点信息分别优化,利用加权优化思想和节点信号强度修正DV-Hop算法的跳距与Centroid算法的质心。然后将修正后的跳距、质心特征和节点其他特征相融合,作为GRNN的输入向量进行训练。为了解决网络调节参数随机设置的问题,通过ISSA改进网络参数,并得到未知节点的最优预测位置。仿真结果表明,与其他优化算法相比,该算法平均定位误差较小,定位精度得以提升。     

电磁矢量传感器取向误差自校正方法

采用子空间方法研究了基于发射天线旋转的信号波达方向估计和取向误差自校正方法．利用一个到达方向未知的信号源,将校正过程中信号源发射天线绕z轴和x轴以90°进行两次坐标旋转,待校正电磁矢量传感器阵列分别接收和这3个到达方向有一定关系的发射信号,根据子空间理论并利用坡印廷矢量间的关系估计信号源到达方向和阵列的取向误差矩阵．该方法仅需要一次特征分解,不需要搜索运算和参数配对运算,计算量小,计算精度高．由实验结果可看出,校正后的参数估计值与真实值吻合得很好．     

玉米须急性毒性及致突变性

考察了玉米须对小鼠急性毒性及致突变作用。利用最大耐受量法对小鼠的急性毒性进行研究,采用常用的小鼠精子畸形,骨髓微核,Ames试验考察玉米须/玉米须水提液对小鼠是否有致突变作用。结果表明,玉米须的LD50≥15g/kg,按照国家标准规定属于实际无毒物质;玉米须对抑制小鼠精子畸形有一定抑制作用,并且对小鼠雄性器官、摄食量及体重变化无影响;骨髓微核试验及Ames试验均表明玉米须无致突变作用。     

应用模拟韧化算法设计传感器阵方向图

介绍了一种传感器阵方向图设计的新方法,该方法应用快速模拟韧化算法(FSA),通过选择合适的能量函数,设计所需要的方向图.并给出一个设计实例.     

玉米须对Wistar大鼠神经行为的毒性作用

研究了玉米须对Wistar大鼠认知、学习、记忆及神经兴奋度等神经行为的毒性作用。选用测试组合自主活动箱,Morris水迷宫和避暗程序自动控制仪对连续77天经口接受不同剂量玉米须的Wistar大鼠进行测试。自主活动试验结果表明:雄性动物5min平均自主活动量明显高于雌性动物,但各性别动物之间无显著性差异。水迷宫试验显示:雌性试验各组平均游泳距离明显低于雌性对照组,雄性高剂量组动物平均游泳速度提高显著性高于雄性其余各组,其他试验参数之间无显著性差异。避暗试验显示:玉米须各剂量组对Wistar大鼠记忆无毒副作用,相反具有一定促进作用,但无剂量效应关系。连续77天饲喂Wistar大鼠玉米须最高剂量达8.0%(相当于雄性大鼠玉米须日摄入量9.354g/kg体重,雌性大鼠为10.308g/kg体重),对大鼠神经行为无毒副作用,相反在一定程度上能促进动物的记忆能力。     

Sensor array calibration for uniform rectangular array in presence of mutual coupling and sensor gain-and-phase errors

The sensor array calibration methods tailored to uniform rectangular array （URA） in the presence of mutual coupling and sensor gain-and-phase errors were addressed. First, the mutual coupling model of the URA was studied, and then a set of steering vectors corresponding to distinct locations were numerically computed with the help of several time-disjoint auxiliary sources with known directions. Then, the optimization modeling with respect to the array error matrix （defined by the product of mutual coupling matrix and sensor gain-and-phase errors matrix） was constructed. Two preferable algorithms （called algorithm I and algorithm II） were developed to minimize the cost function. In algorithm I, the array error matrix was regarded as a whole parameter to be estimated, and the exact solution was available. Compared to some existing algorithms with the similar computation framework, algorithm I can make full use of the potentially linear characteristics of URA＇s error matrix, thus, the calibration precision was obviously enhanced. In algorithm II, the array error matrix was decomposed into two matrix parameters to be optimized. Compared to algorithm I, it can further decrease the number of unknowns and, thereby, yield better estimation accuracy. However, algorithm II was incapable of producing the closed-form solution and the iteration operation was unavoidable. Simulation results validate the excellent performances of the two novel algorithms compared to some existing calibration algorithms.     

基于小波统计特征的行块级朝汉文种辨识

提出了一种基于小波统计特征的朝汉文种识别方法．首先计算行文档图像的垂直及水平方向的投影;其次对垂直方向的投影及水平方向的投影进行一维小波分解并分别计算小波统计特征,然后将两个方向上的小波统计特征进行合并作为该文档图像的特征向量（本文方法构造的特征向量仅为11维）;最后通过神经网络进行训练和测试,结果显示平均测试准确率超过94％．     

基于二维离散小波的鲜玉米果穗成熟度的等级评定

采用计算机视觉技术,经二维离散小波分解后提取与玉米果穗成熟度相关的图像特征实现成熟度等级评定。在HSI颜色模型下对鲜玉米果穗图像H分量进行二维离散小波分解,提取低频子带的颜色特征。在RGB颜色模型下提取鲜玉米果穗图像高频子带的纹理特征。通过主成分分析法实现特征参数的降维。以前4个主成分值作为网络输入,构建概率神经网络,实现鲜玉米果穗成熟度的等级评定,评定正确率为95%。     

运用人工神经网络进行混合气体定量分析的研究

优选了分析CO、H2和CH4混保气体的传感器阵列,构造了传感器信号预处理和神经网络训练算法,从而建立了用于混合气体定量分析的人工嗅觉系统。实验结果证明,系统能够以较高的精度分辨出3种气体的浓度。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

Soft sensor for ratio of soda to aluminate based on PCA-RBF multiple network

Based on principal component analysis, a multiple neural network was proposed. The principal component analysis was firstly used to reorganize the input variables and eliminate the correlativity. Then the reorganized variables were divided into 2 groups according to the original information and 2 corresponding neural networks were established. A radial basis function network was used to depict the relationship between the output variables and the first group input variables which contain main original information. An other single-layer neural network model was used to compensate the error between the output of radial basis function network and the actual output variables. At last, The multiple network was used as soft sensor for the ratio of soda to aluminate in the process of high-pressure digestion of alumina. Simulation of industry application data shows that the prediction error of the model is less than3%, and the model has good generalization ability.