一种基于LS-SVM构造FLANN的热电偶非线性校正方法*

提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②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,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.     

对等式测控网的设计与实现

为了提高单片机测控网络系统的灵活性,进一步降低测控网络的成本,解决传统通迅网络中主机负担过重的问题,提出了对等式单片机测控网络新结构。通过对系统结构的特殊设计,取消主机并采用令牌环总线的通信方式,使节点间实现对等通信成为可能,并保证了通信的可靠性。经过实验室构建实际系统,验证了方案的可行性。该方案突破了传统的主从式通讯模式,克服了现在一般数据采集站中从站间通信困难的缺点;具有数据吞吐量大、节点与节点间通信渠道宽、主机的功能被彻底地取代等优点,对于构建低成本分布式测控网络具有实用价值。     

小型磁化器条件下的变励磁MFL检测新方法

为解决常规储罐和管道的漏磁检测(MFL)方法中磁化器体积大、耗能多的缺点,提出了一种小型磁化器条件下的变励磁MFL检测新方法。首先,分析了小磁化器条件下被测钢板磁化状态随外部励磁强度的变化特性,推导了偏置磁化条件下励磁通变化量与漏磁场变化率的关系模型;其次,根据所建立的关系模型,设计了一种新型变励磁MFL检测探头,并给出变励磁MFL法的系统实现方案;再次,结合实现方案,搭建了变励磁MFL相应的实验平台;最后,在该平台上,开展了一系列的物理实验并对实验结果进行了深入讨论。实验结果表明,所提变励磁MFL法无需对被测钢板进行局部饱和磁化,适合小型磁化器条件并具有较高的灵敏度。变励磁MFL法为漏磁检测领域提供了一种新的检测思路。     

利用局部磁滞回线特性的无损检测新方法

提出了一种利用局部磁滞回线特性的无损检测新方法。首先,研究了钢板内部缺陷对其动态磁导率分布的影响规律。其次,探讨了变励磁条件下局部磁滞回线的形成机理,并建立了动态磁导率与局部磁滞回线之间的关系模型。再次,根据所建立的关系模型,提出了一种利用局部磁滞回线特性实现对钢板缺陷进行无损检测的新方法,并给出检测系统的实现方案。最后,通过3D有限元法对实验模型进行仿真,并开展了一系列的物理实验进行了验证。结果表明,缺陷对钢板动态磁导率分布的影响显著,可利用局部磁滞回线特性来检测磁导率变化,从而达到检测内部缺陷,甚至背面缺陷的目的。所提新方法无需检测静态漏磁场磁感应强度,因此有效减小了磁化器体积。     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上,探讨了一种利用LS-SVM进行传感器动态误差补偿的方法,并给出了相应的过程和算法。与标准SVM补偿方法比较,该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,在相同样本条件下,使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明,在噪声条件下,LS-SVM方法的补偿误差约为SVM的40％。因此,LS-SVM补偿方法学习速度快,抗噪声干扰能力强,更适合传感器动态补偿。     

一种任意正交折线线圈阻抗的解析建模新方法

提出了一种位于导体上方正交折线线圈的阻抗解析建模方法。首先,在前人研究的基础上,定义了外形位置因子,得出了单矩形线圈的入射场感应电压及散射场电压简化计算方法;其次,将多个矩形线圈自感电压及两两之间的互感电压叠加,建立了串联等效电感模型;再次,根据任意正交折线线圈的几何原理,将该线圈拆解为有限个相同截面的矩形线圈并进行重构,得出入射场阻抗及散射场阻抗的广义二重积分表达式。最后,利用Mathematica对回折线圈实例进行了计算与实验比较,并根据影响阻抗的各个变量绘制阻抗平面图。拆解重构方法可用于不同形状、不同激励频率、不同提离高度的正交折线线圈平行置于任意电导率导体上方的阻抗解析计算。     

一种带约束的电压空间矢量脉宽调制方法

为解决传统调制方法中的最小脉宽问题,提出了一种带约束的电压空间矢量脉宽调制(space vector pulse width modulation,SVPWM)方法。首先,建立新的三相桥臂坐标,取消了扇区的划分和判断;其次,将基本电压空间矢量由8个减小为3个,并将其作用时间与三相桥臂的导通时间一一对应;再次,通过增加约束条件,将传统SVPWM方法的调制过程及其结果离散化,从而避免了窄脉宽的出现;最后,给出了一种快速的计算策略,其计算量仅与SVPWM方法一个扇区的计算量基本相同。相对于SVPWM方法,所提方法调制的基波与杂波在频谱上的分布更清晰,低次谐波较少,有利于进行低通滤波处理,更适合较高电压和较大电流的逆变要求。仿真及实验结果均验证了该方法的可行性。     

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.     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

一种基于支持向量机思想的无监督聚类算法

支持向量机作为一种新的机器学习方法，由于其建立在结构风险最小化准则之上，而不是仅仅使经验风险达到最小，从而使对支持向量分类器具有较好的推广能力。本文分析了支持向量机在解决无监督分类问题上的不足，提出一种基于支持向量机思想的最大间距的聚类新方法。实验结果表明．该算法能成功地解决很多非监督分类问题。