神经网络技术在智能传感器系统中的应用与发展

将神经网络技术应用于智能传感器 ,可赋予传感器更多的智能。重点介绍了神经网络在智能传感器中的多方面应用。指出算法的改进、与其它技术以及人工智能相结合是神经网络、人工智能在智能传感器应用、发展中的主要特点。

人工神经网络在传感器非线性校正上的应用

讨论了利用人工神经网络对浓度传感器进行非线性校正的原理以及神经网络权值的调整算法 ,并利用VB编程语言设计了非线性校正参数的计算程序。

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。

人工神经网络在电容式压力传感器设计上的应用

论述了利用函数链人工神经网络 (FLANN)对电容式压力传感器的非线性和温度影响进行校正和补偿的方法 ,并利用计算机对FLANN的性能进行了仿真研究。通过比较 ,在电容式压力传感器的非线性校正和温度补偿问题上 ,采用FLANN比用多层感知器(MLP)具有计算简单、硬件电路少。

基于神经网络的传感器非线性静态特性模型辨识

本文介绍了近几年来利用ANN可以任意精度逼近任意复杂的非线性函数的特性,所进行的传感器非线性静态特性模型辨识的研究,分析了各种模型与算法的特点及应用,提出了展望。

基于神经网络的速度传感器幅频特性改进

为了降低磁电式振动速度传感器的下限测量频率,以实现超低频振动速度测量,提出改进其幅频特性的函数连接型人工神经网络(FLANN)方法。该方法以磁电式振动速度传感器动态试验数据为基础,通过FLANN训练来确定传感器动态补偿网络,以改善它的幅频特性。介绍了原理和FLANN权值调整的算法,给出用FLANN建立的磁电式振动速度传感器动态补偿网络的数学模型。结果表明:这种幅频特性的改进方法具有精度高、鲁棒性好,并能在线修正等优点,在工程测试领域有重要的实用价值。

一种基于函数型神经网络的传感器静态模型辨识方法

本文提出一种基于函数型神经网络的传感器静态模型辨识方法．该神经网络连接系数直接反映了传感器静态模型中的被辨识参数，网络结构简单，具有良好的收敛性．文章将这一方法实际应用到铂热电阻静态模型辨识．仿真结果表明，本方法是可行的．

运用BP算法神经网络拟合传感器的输出特性

首先介绍了 BP算法神经网络的基本原理 ,然后将 BP算法神经网络应用于拟合传感器的输出特性 ,并在 MATLAB下通过训练和仿真验证了应用

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

一种OTA电流模温度/电流变换电路及其神经网络修正法

本文提出一种由跨导放大器所组成的温度 /电流变换电路 ,以及基于神经网络对变换电路的参考电压波动和传感器非线性信号进行修正的方法。通过将遗传算法和神经网络的相结合 。

基于神经网络的人工嗅觉系统设计

利用半导体气体传感器的交叉敏特性 ,将气体传感器阵列与自适应共振理论神经网络相结合 ,构建了一个用于临场感机器人的人工嗅觉系统 ,用于对气体的定性识别。实验结果表明 ,该设计方案是可行的。

基于SVR构造FLANN的传感器动态补偿研究

提出了一种利用支持向量回归机（SVR）对函数链接型神经网络（FLANN）进行构造的新方法，并将其应用于传感器动态补偿。文中将SVR的解与常规FLANN估计进行对比，发现两者具有相同的问题形式，因此，在适当的参数条件下可通过SVR对FLANN进行优化构造。与常规FLANN构造方法比较，SVR-FLANN具有明显特点，即将权值迭代逼近问题转化为二次规划问题求解，使得在整个训练过程中有且仅有一个全局极值点，确定了所构造FLANN补偿器的唯一性。实际压力传感器动态补偿实验结果表明：用该方法构造的补偿器与常规方法相比，具有更高的精度、更强的抗干扰能力及更稳定的补偿效果。因此，更适合传感器动态补偿。