热敏电阻测量误差的非线性逆滤波器补偿

热敏电阻传感器存在着严重的非线性静态特性和响应滞后的动态特性，当被测量的温度变化率高于传感器的响应速度时，测量结果与真值之间存在较大的误差．为了补偿这个测量误差，文中采用一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去减小误差．IIR滤波器的系数通过实验数据得到，它是传感器的动态逆模型；非线性静态环节由查表和插值算法实现．该方法能改善热敏电阻的动态特性，具有不依赖传感器模型的特点．实验结果表明，该方法是有效的．     

压力传感器输出的一种新的非线性补偿方法

在讨论了压力传感器非线性输出误差分布规律的基础上,提出了压力传感器输出的一种新的非线性补偿方法,介绍了误差修正即补偿因子中三个基本参量的取值方法。通过对两个压力传感器实际输出数据的补偿,使其线性度分别由补偿前的１．８９％、２．０６％降低为补偿后的０．６９％、０．３３％．     

高线性数字式电容微位移传感器

设计了一种基于AD7745芯片的数字式的电容微位移传感器，采用屏蔽电缆和电容保护环技术，有效降低杂散电容的影响．采用数据滤波技术对采样数据进行处理，提高了测量的准确性和重复性．实验结果表明：该电容微位移传感器的分辨力为0．01μm，全量程线性度0．05％，性能较传统电容位移传感器有较大提高．     

汽油机进气歧管压力传感器非线性智能校正

为了消除汽油机进气歧管压力传感器在其运行状况中受温度以及电流波动因素干扰的影响,采用神经网络信息融合技术对压力测量过程中的温度以及电流波动等干扰因素进行非线性智能校正实验。结果表明：经非线性智能校正后,压力传感器非目标参量的影响被有效地消除,其输出稳定性比原来提高了约19倍,进气歧管压力传感器测量精度至少提高2．0％。     

基于神经网络的光纤光栅压力传感器的温度补偿

针对光纤光栅自身对温度和应变的交叉敏感性,以及光纤光栅压力传感器的输出受环境温度影响很大且不易消除的问题,以聚合物封装的光纤光栅传感器为例,提出了用BP神经网络实现光纤光栅压力传感器温度补偿的方法,解决了传感器输出特性的非线性校正的问题．通过Matlab仿真结果显示,系统最大测量误差由1915％降低到4．26％;实验证明该方法可以有效地减少温度对光纤光栅压力传感器测量精度的影响．     

铂电阻的A/D非线性校正

提出了四线制铂电阻在测量过程中通过硬件设计进行电阻温度之间非线性校正的一种方法，给出了相应的校正电路和实验数据。该方法具有电路简单，使用方便，测量精度较高等特点，也可将其应用到其他具有类似关系的传感器的非线性校正中。     

镜头埋入深度的组合测量方法

根据精密摄像系统中摄像头实际安装工况，为了避免传统的点接触测量法的缺点，提出了多电容传感器组合的非接触式镜头埋入深度测量法．采用电容传感器测量，可实现非接触测量，仪器体积小巧，精度高达0．1μm,此外，利用多个传感器对环境敏感而漂移的同向性，抑制了单一传感器数据的漂移，提高了测量的稳定性。克服了单一传感器无法进行形位误差测量的缺陷，标定和现场实验证明了该方法的可行性，系统测量精度达到2μm．     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论，提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能，航迹跟踪的精度得到了改善．     

一种新型磁刺激场测量用传感器

提出了一种用于磁刺激场测量的新型点磁场测量传感器的理论设计．通过对有解析表达式的刺激磁场实际测量和理论计算比较，传感器对点磁场测量误差小于±５％，可用于磁刺激场分布的准确测量．     

基于光纤光栅和BP神经网络的结构损伤识别

以光纤光栅为传感元件,四边简支板为研究对象,BP神经网络为信号处理手段,研究了光纤光栅传感器和BP神经网络在结构损伤识别中的应用,实验表明,光纤光栅传感器具有灵敏度高、稳定性好的特点,是结构损伤识别中的一种新的信号采集工具。采用光纤光栅作为传感元件,不仅可使BP神经网络成功地实现对四边简支板的损伤识别。而且提高了结构损伤识别的精度。     

基于遗传神经网络的扭矩传感器设计

分析了传统扭矩传感器存在的主要误差,利用遗传算法优化的BP神经网络对扭矩传感器误差进行了补偿,提高了系统的测量精度.利用MSP430单片机完成神经网络的回想,使设计的智能传感器体积小、耗电省、成本低.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

基于神经网络的NTC热敏电阻校正方程的试验研究

为了提高NTC热敏电阻的测温精度,采用BP神经网络对NTC热敏电阻传感器的Steinhart-Hart方程进行非线性校正,提高了测温精度。     

BP神经网络在方钢管混凝土轴心受压试验数据拟合中的应用

本文使用BP神经网络对方钢管混凝土轴心受压试验的数据进行拟合，并将BP神经网络的拟合曲线与10次多项式的拟合曲线进行了对比。结果表明，建立的BP神经网络模型能够准确拟合方钢管混凝土轴心受压的试验数据，具有较好的非线性拟合效果，拟合精度高。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

遗传神经网络在GMI传感器设计中的应用

 巨磁阻抗（GMI）微磁传感器具有灵敏度高、响应速度快等突出优点,但其输出信号呈高度非线性特性。利用交流偏置方法产生非对称巨磁阻抗效应（AGMI）,对磁场传感器的线性度有一定改善,但仍存在线性范围小、线性误差较大的缺点。BP神经网络具有良好的自学习、自适应和非线性映射能力,但通常训练速度较慢、易陷入局部极小值;遗传算法有很强的全局寻优能力,但其局部搜索能力不足。为充分发挥二者优点,本研究提出一种基于遗传神经网络的传感器非线性误差校正方法,并针对所设计的GMI传感器,设计了适合本系统的遗传神经网络,可通过Matlab软件实现。结果表明,经过训练的网络输出结果有序,网络的非线性映射性能良好,能精确反映该传感器系统的函数关系。该方法运算快速、精度高,对智能GMI传感器的设计具有一定工程应用价值。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。