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.     

基于人工鱼群BP神经网络算法的压力传感器温度补偿研究

为实现压力传感器的温度补偿,采用BP神经网络作为压力传感器软件补偿系统的核心算法,但由于BP神经网络算法易陷入局部极值,因此采用具有全局搜索能力的算法—人工鱼群算法(AFSA)进行优化,得到的结果是压力传感器的线性度提升1个数量级,温度灵敏度系数降低2个数量级,得到了很好的补偿效果。     

温度自补偿型光纤Bragg光栅土压力传感器设计

针对传统土压力传感器长期稳定性差、抗电磁干扰能力不强以及组网难度大等问题,根据传感器与土介质的匹配原则,设计了一种光纤Bragg光栅（FBG）温度自补偿土压力传感器,可实现温度和土压力2个参量的同时测量.对传感器灵敏度系数、匹配性等参数进行了理论分析计算.根据分析结果,加工封装传感器并对其进行了压力校准和温度自补偿性能实验.实验表明：传感器的输出波长分别与温度和土压力均呈线性关系,压力灵敏度系数为272.19 pm/MPa,输出分辨率为0.36％,线性相关度为99.989％;温度灵敏度系数为21.16 pm/℃,线性相关度99.998％,在0～40℃范围内具有良好的温度自补偿能力,其性能参数符合工程应用要求.     

具有温度补偿的膜片型光纤光栅温度压力传感器

阐述了具有温度补偿结构的膜片型光纤光栅温度压力传感器。传感器以弹性膜片为感压元件,在压力作用下产生轴向位移来压缩压力敏感光栅以实现压力传感;通过结构温度补偿消除压力敏感光栅的温度漂移,同时串入感温光栅进行实时修正并实现温度测量。对传感器的压力和温度特性进行了测量。试验结果表明:压力灵敏度为528 pm/MPa,温度灵敏度为8 pm/℃。     

焊接结构光纤Bragg光栅土压力传感器设计

针对传统土压力传感器长期稳定性差、抗电磁干扰能力不强以及组网难度大等问题,根据传感器与土介质的匹配原则,设计了一种焊接结构双膜片光纤Bragg光栅(FBG)温度自补偿土压力传感器,可实现温度和土压力2个参量的同时测量.传感器主要由2个膜片与基体组成,膜片与光栅固定柱一次成型,便于加工封装.对传感器灵敏度系数进行了计算分析.根据分析结果,加工封装传感器并对其进行了压力校准及温度自补偿性能实验.实验结果表明:传感器的输出波长分别与温度和压力呈线性关系,压力灵敏度系数为528.1 pm/MPa,输出分辨率为0.19%,线性相关度99.988%;在5~45℃内温度灵敏度系数为31.9 pm/℃,线性相关度99.998%,传感器在5~45℃范围内具有良好的温度自补偿能力,其性能参数符合工程应用要求.     

基于树突神经网络的ＭＥＭＳ压力传感器误差补偿方法

压力传感器的性能因自身工艺或环境温度变化而造成影响,在实际应用中,因环境温度的改变而造成的传感器输出误差尤为突出。现今微机电系统（MEMS）压力传感器在线性度与灵敏度方面较之前已有了很大提高,但温度漂移问题依然存在。传统的误差补偿方法如线性回归模型、BP神经网络或BP神经网络的优化算法,均能对传感器的误差有修正效果,但还有提升空间。针对以上问题,本文将MEMS压力传感器中嵌入温度传感器模块,并构建了一种基于树突神经网络的误差补偿模型。该模型首先对采集数据进行逻辑组合关系预处理,然后用树突神经网络对传感器数据进行误差补偿。实验结果表明,使用数据逻辑关系预处理后的BP神经网络模型评估指标MAE（平均绝对误差）由9.1降至0.191,而用树突神经网络模型后,该指标更是降低至0.04348,精度提升效果非常明显,所提方法能够有效地补偿MEMS压力传感器误差。     

基于回归分析的取样光栅传感特性分析

基于耦合模理论,采用传输矩阵法分析了取样光栅反射谱.取样光纤光栅在受到外界环境应变和温度影响时,其反射光谱的反射率和波长会发生变化.通过测量反射光谱的反射率变化和波长漂移,就能够实现用单根的取样光纤光栅同时测量应变和温度.取样光纤光栅的光弹系数为P11=0.121,P12=0.27.纤芯材料的泊松比0.17.热膨胀系数为5.5×10-7/℃,光纤材料的热光系数为8.3×10-6/℃.通过仿真实验获得了取样光纤光栅的应变和温度传感数据.采用回归分析的方法得到系数矩阵中A,B,C,D分别为-0.00033/ε,-0.00011/℃,-0.00055nm/ε,0.013 nm/℃.应变测量范围为0 με～1800 με,温度测量范围为0℃～180℃.     

光纤位移传感器温度补偿的研究

为了减小温度漂移对光纤位移传感器测量精度的影响,采用基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的模型对该传感器进行温度补偿。通过对光纤位移传感器做二维标定试验,利用LM35温度传感器获取试验环境温度数据,建立了PSO-LSSVM温度补偿模型。该模型的核心思想是利用粒子群优化(PSO)算法对最小二乘支持向量机(LSSVM)算法中的惩罚因子C和核函数参数δ不断地进行优化选择,直至适应度函数值达到预期要求,此时温度补偿达到最优效果。比较温度补偿前后的数据,零位温度系数从9.78×10~(-3)/℃提升到2.07×10~(-3)/℃;灵敏度温度系数从7.47×10~(-3)/℃提升到1.51×10~(-3)/℃。PSO-LSSVM模型能够有效地实现对光纤位移传感器的温度补偿。对光纤位移传感器进行温度补偿的研究,将对使用该传感器进行测量的领域产生积极的影响。     

基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

基于BP神经网络的压力传感器温度补偿方法研究

硅压阻式压力传感器在工作时受温度的影响较大,随着温度的升高或降低,传感器的实际测量值会出现一定的误差,出现温度漂移的现象。为了抑制温度漂移对传感器的影响,采用人工神经网络中的BP神经网络的方法对温度漂移现象进行补偿,通过对补偿前后数据的对比,使传感器的灵敏度温度系数和满量程误差分别提升了两个数量级,得到了较为理想的效果,提升了传感器的性能和可靠性。     

探空仪湿敏电容器的误差校正模型研究

为了减小探空仪湿敏电容器在高空大气,特别是低温环境下的测量误差,设计了一种基于改进型pi-sigma模糊神经网络的误差校正模型,采用了K-means聚类算法和权值直接确定法提高了网络性能。通过实际测试和BP神经网络进行比较,结果显示:pi-sigma模糊神经网络和BP神经网络对于-30～40℃的144组训练样本的最大相对误差分别为4.774%,15.27%,收敛时间分别为0.01,2 s。4组检验样本结果证明:pi-sigma模糊神经网络有效实现了湿敏电容器在低温条件下的温度补偿和非线性校正,同时在预测精度、泛化能力以及训练速度上均优于BP神经网络。     

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5．11—1对铀价格进行预测。结果表明：QPSO—BP模型的预测精度（0．15％）高于PSO-BP模型（4．55％）与BP模型（30．86％）。泛化能力指标平均相对变动值为O．0025,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。     

基于人工神经网络的混凝土碳化深度研究

介绍了BP神经网络的基本概念与结构,提出了计算和预测混凝土碳化深度的神经网络模型。建立1-3-1单因子(时间)输入向量网络与传统回归分析方法进行比较;建立6-4-1多因子输入向量网络计算及预测混凝土碳化深度。分析结果表明该模型计算和预测精度都能达到工程要求,适合在工程中应用。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于神经网络的印刷体数字字符的识别

提出了一种基于BP网络的印刷体数字字符的识别方法。通过对BP网络的研究与学习,设计了一种结构合理,收敛速率快的BP网络。实验结果表明,该方法对标准的印刷体数字字符的识别率达到了100％,对有1～3度倾斜角度的字符识别率也达到了96％以上。     

基于GA-LM-BP神经网络的锂离子电池预测研究

针对BP神经网络训练学习速度慢、容易陷入局部极小值的缺陷,利用LM算法融合高斯-牛顿法和梯度下降法优点的快速性,充分利用遗传算法全局随机搜索强的优势,构建了三层5-6-1型的GA-LM-BP神经网络结构,优化BP神经网络的初始权值和阀值,减少了BP神经网络陷入局部极小值的几率。通过对锂离子电池数据进行了实验,结果表明了该方法预测的有效性。     

Comparison of five modes of carrying a load close to the trunk†

Abstract

This study was designed to investigate the cardiorespiratory, metabolic, and subjective responses to carrying a load close to the trunk in five different ways. Each of five subjects carried a load equivalent to 35% body weight (BW) for one hour at 4-5 km hr^?1 and 0%grade on a motor driven treadmill using each of the following modes of load carriage: (1) the total load carried in a backpack with frame (BP/F), (2) the total load carried in a backpack with no frame (BP/NF), (3) half the load in a backpack (with frame) and half in pouches attached to a waist belt (BP/WB), (4) half the load in a backpack (with frame) and half in a front pack on the chest (BP/FP), and (5) the total load carried as a trunk jacket (TJ), i.e. a military type ‘flak’ jacket with weights inserted in pockets evenly distributed about the trunk. There were no statistically significant differences in the mean cardiorespiratory and metabolic costs associated with each of the five modes of load carriage. However, BP/FP and TJ were subjectively rated as significantly (P < 001) more comfortable than BP/F and BP/NF, suggesting that there may be physiological differences between the five modes of load carriage which were not detected by the cardiorespiratory and metabolic measurements used in this study (i.e. heart rate, oxygen consumption and minute ventilation). In contrast, the BP/FP was reported to be the hardest to don and doff and was associated with a statistically significant (P <0-05) restrictive type of ventilatory impairment. In conclusion, in practical terms there may seldom be a single ‘best’ way to carry a 35% BW load close to the trunk.     

BP神经网络在室内甲醛定量分析中的应用

针对室内低浓度甲醛气体的定量分析中,反向传播(BP)算法初始权重敏感性、容易陷入局部极值等问题,以遗传算法优化BP网络,对浓度范围在(0.002~0.06)×10 -6的30组不同浓度的甲醛气体进行定量分析.通过对室内气体中的甲醛气体的初始数据进行优化,将优化的权值阈值代入BP网络,进行浓度的回归分析,并与BP神经网络模型回归效果对比,结果表明:遗传算法优化BP网络方法运行时间约为BP网络的1/2,且预测精度明显高于BP网络.相较于BP网络,遗传算法与BP网络结合更适合处理甲醛气体定量分析问题.     

Downscaling of Remotely Sensed Land Surface Temperature with the BP Neural Network

Downscaling algorithms based on statistical models have been widely utilized to address the issue of coarse-resolution Land Surface Temperature (LST).However,most methods (e.g.,TsHARP algorithm) could be affected by land environment,including land cover,seasons.In this study,a Back Propagation (BP) neural network was introduced for LST downscaling in a specific area with complex land covers.The method comprises two steps.First,five reprehensive spectral indices were selected to training according to three typical land cover,including vegetation,building,and water.And the structure of network was trained using coarse-resolution spectral indices and LST.Second,high-resolution spectral indices were input to the network to get a high-resolution LST.A stratified linear regression downscaling with land-cover classification was conducted for comparative evaluation.The comparative results showed that in urban,vegetation,and water areas,the Root Mean Square Error (RMSE),determination coefficient (R²),and relative accuracy for the proposed approach (BP neural network) were better than those for stratified linear regression.Finally,the verification results show that RMSE and bias of the algorithm are 0.98 ℃ and 0.51 ℃,which is obviously better than the result of stratified linear regression (RMSE is 2.9 ℃ and Bias is 1.7 ℃).It shows that this method has a higher downscaling accuracy.And the approach is potential for producing high-resolution LST for the study on urban thermal environment.     

分压型氧传感器在氧气体积分数测量中的应用

介绍了采用分压型氧传感器的氧气体积分数测量系统的构成,讨论了分压型氧传感器结构和应用方法。给出了分压型氧传感器和环境压力传感器的信号处理和检测方法,以及控制电路的设计。经过测试,系统在室温环境下测量精度优于±1％FS,-55-70℃范围内优于±2％FS。在70℃环境下1000h寿命试验中,工作稳定,精度漂移量小于±1％。