基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

BP神经网络在巡逻机器人多传感器数据融合中的应用

针对传统危化品仓库固定式监控器中监控范围小、报警准确率低的特点,研究了一款危化品仓库巡逻机器人,采用以拉依达准则改善BP神经网络融合性能的多传感器数据融合方法,通过采集泄露危化品浓度、仓库内环境温度和湿度等数据,在对数据进行拉依达去噪、归一化后利用BP神经网络进行融合输出.样机试验结果表明,该方法可有效提升危化品仓库巡逻机器人对空间环境的把握度,大幅度提高报警的准确性和可靠性,同时具备良好的传感器扩展性.     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著;从传感器信息融合的角度看,神经网络就是一个融合系统;通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求.     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。     

基于人工神经网络的压力传感器三维数据融合

针对压力传感器对温度变化和电流波动的交叉灵敏度问题,采用径向基函数(RBF)人工神经网络法对其进行数据融合处理,详细讨论了网络的训练过程和数据融合过程,消除温度和电流对压力传感器的影响。仿真结果表明:当温度变化48.5℃,电流波动3%时,经RBF神经网络数据融合后,压力波动为0.544%,大大降低了交叉干扰,提高传感器的稳定性及其精度,满足在线融合的需要。     

基于BP神经网络数据融合的瓦斯监测系统

井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。     

基于WNN的BP算法的多传感器数据融合研究

小波神经网络（WNN）是将小波理论和神经网络理论结合起来的一种神经网络,有较强的函数学习能力和推广能力及广阔的应用前景。采用基于WNN的BP权值平衡算法对多传感器测量的结果进行特征级的数据融合,融合结果提供给决策级判断。该融合算法避免了BP网络收敛速度慢,易产生局部最优解等缺点,提高了学习的速度、精度。仿真结果表明了该方法的有效性。     

利用BP神经网络提高光纤光栅压力传感器的选择性

应用BP神经网络技术抑制温度对光纤光栅压力传感器的干扰,从而提高了压力传感器的选择性.以聚合物封装的光纤光栅传感器为例,当温度从19℃变化到75℃时,光纤光栅布拉格波长偏移量是11.315 nm,由此导致传感器输出的引用误差为1 915%.经神经网络融合处理后, 其值降为2%,实现了对压力较为准确的识别.实验结果表明,该方法具有实际应用前景.     

两种数据融合算法对扩散硅压力传感器的温度补偿

针对扩散硅压力传感器在实际应用中对温度存在交叉灵敏度的问题,文章采用改进的多维回归分析法和BP神经网络法两种实用的智能化数据融合方法对压力传感器输出进行处理,以消除非目标参量(温度)对传感器的影响;研究结果表明这两种方法均能有效地抑制交叉灵敏度,减小灵敏度温漂和零点温漂;由于这两种融合算法具有各自的特点,因此可应用于不同要求的智能传感器系统中。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于BP神经网络温度补偿的压力传感器无线数据采集系统

介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经网络算法对其实现温度的软件补偿。该算法有效改善了传感器的非线性及温度变化所引起的输出的误差,提高了测量精确性和可靠性。通过无线收发模块PTR2000实现了数据的无线传输。该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收,并具有成本低、可靠性好、实用性强等优点。     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

基于BP神经网络算法的数据挖掘方法研究

详细介绍了数据挖掘技术的相关概念、任务以及神经网络原理,指出了传统的BP算法在数据挖掘过程中的不足之处,提出了一种变异的BP神经网络算法,大大提高了BP神经网路算法的收敛速度.