CN111998887A - 一种用于参数测量的检测装置 - Google Patents
一种用于参数测量的检测装置 Download PDFInfo
- Publication number
- CN111998887A CN111998887A CN202010863414.2A CN202010863414A CN111998887A CN 111998887 A CN111998887 A CN 111998887A CN 202010863414 A CN202010863414 A CN 202010863414A CN 111998887 A CN111998887 A CN 111998887A
- Authority
- CN
- China
- Prior art keywords
- neural network
- longitudinal sliding
- platform
- sensor
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 86
- 238000013528 artificial neural network Methods 0.000 claims description 81
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 32
- 230000004060 metabolic process Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 26
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 7
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Neurology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及测量技术领域,公开了一种用于参数测量的检测装置,包括参考物架置台、传感器架置板与基层平台,参考物架置台、传感器架置板设置于基层平台上,基层平台上还设置有第一纵向滑移组件、横向滑移组件;传感器架置板设置于横向滑移组件上,传感器架置板上设置测量传感器,其随横向滑移组件横向滑动且横向滑移组件随第一纵向滑移组件纵向滑动。传感器架置板上还设置MSP430单片机检测单元,其上设置检测算法,对测量传感器的测量值进行检测。与现有技术相比,本发明通过第一纵向滑移组件、横向滑移组件实现测量传感器的横向移动与纵向移动,解决传感器测量过程中抖动测量不准的问题;通过检测算法,能准确的检测测量传感器的测量值。
Description
技术领域
本发明涉及测量技术领域,具体涉及一种用于参数测量的检测装置。
背景技术
传感器作为获取自然界信息的源头,是进行工业生产,科学研究等领域不可或缺的重要元件。现有技术中有多种测量传感器,如温湿度传感器、红外传感器、光电传感器等等。
而针对现有的多种多样的测量传感器,其测量过程中,环境因素对测量有很大的影响,如环境压强、环境温度等都对测量传感器的测量值有一定的影响,而如何能准确测量出参考物的实际参数值,在使用测量传感器测量时,如何避免环境因素对测量传感器的影响,使得测出来的参数值为参考物准确的参数值,传统的测量传感器测量没有根据参数变化的非线性、大滞后和测量传感器测量值变化复杂等特点,无法对测量传感器测量的参数值的准确性进行监测与预测。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种用于参数测量的检测装置,通过纵向滑移组件与横向滑移组件进行配合工作,快速调节测量传感器与参照物之间的纵向距离和横向距离,同时通过MSP430单片机监测单元对测量传感器测量的参考物的参数值进行精准检测。
技术方案:本发明提供了一种用于参数测量的检测装置,包括参考物架置台、传感器架置板与基层平台,所述参考物架置台、传感器架置板设置于所述基层平台上,所述基层平台上还设置有第一纵向滑移组件、横向滑移组件;所述传感器架置板设置于所述横向滑移组件上,所述传感器架置板随所述横向滑移组件横向滑动且所述横向滑移组件随所述第一纵向滑移组件纵向滑动;所述传感器架置板上还设置有测量传感器和MSP430单片机监测单元,所述MSP430单片机监测单元包括时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型、SOM神经网络分类器、多个ANFIS神经网络模型、多个NARX神经网络模型和新陈代谢GM灰色预测器;所述测量传感器的输出值分别作为时间序列DRNN神经网络预测模型、ARIMA预测模型和时间序列RBF神经网络预测模型的输入,时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出作为SOM神经网络分类器的输入,SOM神经网络分类器输出多个类型的时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出分别作为对应的多个ANFIS神经网络模型的输入,多个ANFIS神经网络模型输出分别作为对应的多个NARX神经网络模型的输入,多个NARX神经网络模型的输出作为新陈代谢GM灰色预测器的输入,新陈代谢GM灰色预测器的输出作为测量传感器的测量预测值。
进一步地,所述第一纵向滑移组件包括第一纵向滑移导轨与第一纵向滑移平台,所述第一纵向滑移导轨通过支架固定于所述基层平台上,其下表面沿其长度方向转动连接有第一丝杆,所述第一丝杆上螺纹连接有第一滑块,所述第一纵向滑移平台套设于所述第一纵向滑移导轨上且其与所述第一丝杆对应位置与所述第一滑块固定连接。
进一步地,所述横向滑移组件包括垂直于所述第一纵向滑移导轨且转动连接于所述第一纵向滑移平台上表面的第二丝杆,所述第二丝杆上螺纹连接有第二滑块,所述第二滑块上固定有横向滑移平台,所述传感器架置板固定于横向滑移平台上。
进一步地,所述第一纵向滑移导轨的两侧边设置为向内凹陷的圆弧导轨,所述第一纵向滑移平台与所述圆弧导轨对应位置匹配设置。
进一步地,所述第一纵向滑移平台上与所述圆弧导轨匹配位置还滚动设置有若干个导轨滚珠。
进一步地,所述第一纵向滑移导轨的上表面沿所述第一纵向滑移平台滑移方向还设置有一对纵向直线导轨,所述第一纵向滑移平台与所述纵向直线导轨对应位置设置一对条形凸起,各所述条形凸起与各所述纵向直线导轨匹配设置。
进一步地,所述横向滑移组件上还设置有第二纵向滑移组件,所述第二纵向滑移组件包括转动连接于所述横向滑移平台的垂直于所述第二丝杆的第三丝杆,所述第三丝杆上螺纹连接有第三滑块,所述第三丝杆的螺距小于所述第一丝杆的螺距,所述传感器架置板固定于所述横向滑移平台上。
进一步地,所述第一纵向滑移组件、横向滑移组件以及第二纵向滑移组件上均设置有结构相同的驱动机构,所述驱动机构分别为第一步进电机、第二步进电机以及第三步进电机,所述第一丝杆、第二丝杆、第三丝杆的一端均设置有结构相同的主锥齿轮和从锥齿轮,3个所述步进电机输出轴均与其对应的主锥齿轮中心固定连接,所述主锥齿轮与其对应的所述从锥齿轮啮合,所述从锥齿轮套设固定于其对应的丝杆上。
进一步地,所述第一丝杆、第二丝杆和第三丝杆一端分别固定有旋转把手。
进一步地,所述参考物架置台还包括固定于所述基层平台的垫高固定台、固定于所述垫高固定台上方的若干个竖直设置的电动推杆,所述电动推杆顶端设置有所述参考物架置台。
有益效果:
一、本发明使用时间序列DRNN神经网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映测量传感器测量值的动态变化性能,可以更加精确预测测量传感器测量值的实际值,时间序列DRNN神经网络模型为10-21-1的3层网络结构,其隐层为回归层,输出层为测量传感器的输出预测值。
二、本发明采用ARIMA预测模型预测测量传感器的测量值,整合了测量传感器测量值变化的趋势因素、周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行测量传感器测量值数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数据类型束缚和适用性强的特点,是一种对测量传感器测量值进行短期预测效果较好的模型。
三、本发明采用的SOM神经网络分类器是一种数据分类方法。其目的在于将时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出等数据空间中一组数据集合按相似性准则划分到若干个子集中,使得它们输出特征归一化参数每个子集代表整个数据样本集的某个特征,建立SOM神经网络分类器对时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出特征归一化参数进行分类是找到合理的样本子集划分,根根归一化参数不同子集的特点输入对应ANFIS神经网络模型来预测测量传感器的参数值,提高预测测量传感器测量值的精确度。
四、本发明分别采用动态时间序列DRNN神经网络预测模型、趋势预测ARIMA预测模型和静态网络的时间序列RBF神经网络预测模型形成互补关系实现对测量传感器的测量值进行同时预测的特点,在ANFIS神经网络模型前利用SOM神经网络分类器进行测量传感器的预测值归一化参数样本子集划分,每个子集采用一个对应的ANFIS神经网络模型,这种方法可以根据各个子归一化参数的特点采用对应的ANFIS神经网络模型,提高ANFIS神经网络模型的预测精度和运算速度,该预测方法具有较好的拟合精度和泛化能力。
五、本发明所采用的NARX神经网络模型是一种能够有效对测量传感器测量值的非线性、非平稳时间序列进行预测的动态神经网络模型,能够在时间序列非平稳性降低的情况下提高对测量传感器测量值时间序列的预测精度。与传统的预测模型方法相比,此方法具有处理非平稳时间序列效果好,计算速度快,准确率高的优点。通过对非平稳的测量传感器测量值实验数据的实际对比,本专利验证了NARX神经网络模型对测量传感器测量输出时间序列预测的可行性。同时,实验结果也证明了NARX神经网络模型在非平稳时间序列预测中比传统预测模型表现更加优异。
六、本发明利用NARX神经网络模型通过引入延时模块及输出反馈建立模型的动态递归网络,它ANFIS神经网络模型的输出作为输入和NARX神经网络模型输出向量延时反馈引入网络训练中,形成新的输入向量,具有良好的非线性映射能力,NARX神经网络模型的输入不仅包括原始ANFIS神经网络模型的输出数据,还包含经过训练后的NARX神经网络模型输出数据,网络的泛化能力得到提高,使其在非线性测量传感器测量值时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
七、本发明采用新陈代谢GM(1,1)灰色预测器预测测量传感器测量值的时间跨度长,用新陈代谢GM(1,1)灰色预测器可以根据NARX神经网络模型的历史参数值预测未来时刻测量传感器测量的参考物的测量值,用上述方法预测出的测量传感器的测量值后,把它们再加入NARX神经网络模型输出的原始数列中,相应地去掉数列开头的一个数据建模,再进行预测其参数。依此类推,预测出测量传感器的测量值。这种方法称为新陈代谢GM(1,1)灰色预测器,它可实现较长时间的预测,用户可以更加准确地掌握测量传感器的测量值的变化趋势。
八、本发明设置纵向滑移组件与横向滑移组件配合使用,方便调节测量传感器与参考物之间的纵向以及横向距离,既可通过步进电机实现也可通过手摇旋转把手实现,可根据具体情况使用。
九、本发明设置第一纵向滑移组件的第一纵向滑移导轨的两侧边设置为向内凹陷的圆弧导轨,第一纵向滑移平台与圆弧导轨对应位置匹配设置,这样当第一纵向滑移平台在第一纵向滑移导轨上滑动的时候不会出现晃动与倾斜的情况,第一纵向滑移平台被相对固定的滑动与第一纵向滑移导轨上,更加稳定。通过导轨滚珠进行减少摩擦力,减少滑动过程中的阻力。在第一纵向滑移导轨的上表面还设置有纵向直线导轨,进一步将第一纵向滑移平台相对限位在第一纵向滑移导轨上。
十、本发明在横向滑移组件上设置有第二纵向滑移组件,第二纵向滑移组件上丝杆的螺距比第一纵向滑移组件的丝杆螺距小,起到微调作用,调节更加精确,可以小范围的调节参考物前后的距离。
附图说明
图1为本发明MSP430单片机监测单元***框图;
图2为本发明整体结构示意图;
图3为本发明传感器微调定位的整体结构示意图;
图4为本发明第一纵向滑移平台与第一丝杆连接结构示意图;
图5为本发明第一纵向滑移平台结构示意图。
其中,1-基层平台,2-传感器架置板,3-参考物架置台,101-垫高固定台,102-电动推杆,201-第一纵向滑移导轨,202-第一纵向滑移平台,203-支架,204-第一丝杆,205-第一滑块,206-第二丝杆,207-第二滑块,208-横向滑移平台,209-圆弧导轨,210-导轨滚珠,211-纵向直线导轨,212-条形凸起,213-第三丝杆,214-第三滑块,215-第一步进电机,216-第二步进电机,217-第三步进电机,218-主锥齿轮,219-从锥齿轮,220-旋转把手,221-置脚槽。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明公开了一种用于参数测量的检测装置,该检测装置的结构主要包括参考物架置台3、传感器架置板2与基层平台1,参考物架置台3、传感器架置板2设置于基层平台1上,基层平台1上还设置有第一纵向滑移组件、横向滑移组件,传感器架置板2设置于横向滑移组件上,传感器架置板2随所述横向滑移组件横向滑动且横向滑移组件随第一纵向滑移组件纵向滑动。在传感器架置板2上设置有置脚槽221,方便通过三脚架等对测量传感器进行固定。
参考物架置台3还包括固定于基层平台1的垫高固定台101、固定于垫高固定台101上方的若干个竖直设置的电动推杆102,电动推杆102顶端设置有参考物架置台3。
该检测装置的检测算法部分主要包括MSP430单片机监测单元,MSP430单片机监测单元设置于传感器架置板2上,该MSP430单片机监测单元设置于传感器架置板2上随第一纵向滑移组件、横向滑移组件、第二纵向滑移组件进行纵向、横向距离微调。
该MSP430单片机监测单元包括时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型、SOM神经网络分类器、多个ANFIS神经网络模型、多个NARX神经网络模型和新陈代谢GM(1,1)灰色预测器,在MSP430单片机监测单元中设计检测算法,其参见图2所示。测量传感器检测算法设计过程如下:
1、时间序列DRNN神经网络预测模型设计
时间序列DRNN神经网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力,时间序列DRNN神经网络预测模型能够更直接生动地反映测量传感器的测量值动态变化性能,可以更加精确预测测量传感器测量的值的大小,时间序列DRNN神经网络预测模型为10-21-1的3层网络结构,其隐层为回归层。在本发明时间序列DRNN神经网络预测模型中,测量传感器输出的时间序列测量值为时间序列DRNN神经网络预测模型的输入,设为时间序列DRNN神经网络预测模型输入向量,其中Ii(t)为时间序列DRNN神经网络预测模型输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)是时间序列DRNN神经网络预测模型的输出。则时间序列DRNN神经网络预测模型的输出为:
2、ARIMA预测模型设计
ARIMA预测模型是自回归积分滑动平均预测模型,ARIMA预测模型一种根据被预测测量传感器测量值的历史数据预测测量传感器将来测量值的建模方法,它对被预测测量传感器测量值的时间序列进行分析。本专利采用测量传感器测量值历史参数来分析测量传感器测量值的时间序列对ARIMA预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行研究。ARIMA预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测测量传感器测量值的方程可以表示如下:
其中,Δdyt表示yt经d次差分转换之后的序列,εt是随机误差,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA预测模型的待估计参数,p和q为ARIMA动态预测测量传感器测量值模型的阶。ARIMA预测模型预测测量传感器测量值本质上属于线性模型,建模与预测包含4个步骤:(1)序列平稳化处理。如果测量传感器测量值历史数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对测量传感器测量值历史数据进行差分处理。(2)模型识别。通过自相关系数和偏自相关系数来确定ARIMA预测模型预测测量传感器测量值模型的阶数p,d和q。(3)估计模型的参数和模型诊断。用极大似然估计得到ARIMA预测模型预测测量传感器测量值模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建测量传感器测量值模型是否可取,利用选取合适参数的ARIMA预测模型预测测量传感器测量值模型进行测量传感器测量值的预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)利用具有合适参数模型进行测量传感器测量值的预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现测量传感器测量值预测的整个建模过程。
3、时间序列RBF神经网络预测模型设计
测量传感器输出的时间序列值作为时间序列RBF神经网络预测模型的输入,时间序列RBF神经网络预测模型的输出作为一段时间测量传感器测量值的一次预测值。时间序列RBF神经网络预测模型的RBF神经网络的径向基向量为H=[h1,h2,…,hp]T,hp为基函数。时间序列RBF神经网络中常用的径向基函数是高斯函数,其表达式为:
式中,X为测量传感器输出的时间序列值,C为隐含层神经元高斯基函数中心点坐标向量,δj为隐含层第j个神经元高斯基函数的宽度;时间序列RBF神经网络预测模型的输出连接权值向量为wij,时间序列RBF神经网络预测模型输出表达式为:
4、SOM神经网络分类器设计
SOM神经网络分类器称为自组织特征映射网络,该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络,当一个神经网络接受外界输入模式时,将会分为不同的反应区域,各区域对输入模式具有不同的响应特性。本发明利用SOM神经网络分类器对时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值样本进行分类,各类样本参数输入对应的ANFIS神经网络模型来预测测量传感器测量值。SOM神经网络学习算法如下:
(1)连接权值的初始化。对N个输入神经元到输出神经元的连接权值赋予较小的权值,该网络的N=3,它们分别是时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值。
(2)计算欧氏距离dj,即输入样本X与每个输出神经元j之间的距离:
(3)按照公式(2)修正输出神经元j*及其“邻接神经元”的权值:
wij(t+1)=wij(t)+η[xi(t)-wij(t)] (6)
(4)根据下公式计算输出实现对时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值样本分类。
(5)提供新的学习样本来重复上述学习过程。
5、多个ANFIS神经网络模型设计
ANFIS神经网络模型是基于神经网络的自适应模糊推理***ANFIS,也称为自适应神经模糊推理***(Adaptive Neuro-Fuzzy Inference System),将神经网络和自适应模糊推理***有机地结合起来,既能发挥二者的优点,又可弥补各自的不足。ANFIS神经网络模型中的模糊隶属度函数及模糊规则是通过对大量测量传感器的测量值已知预测值历史数据的学习得到的,ANFIS神经网络模型的输入为时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值,ANFIS神经网络模型的输出是对测量传感器测量的预测量,ANFIS神经网络模型主要运算步骤如下:
第1层:将输入的时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值模糊化。
第2层:实现规则运算,输出规则的适用度,ANFIS神经网络模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化。
第4层:每个节点的传递函数为线性函数,表示局部的线性模型
第5层:该层的单节点是一个固定节点,计算ANFIS神经网络模型的输出。
ANFIS神经网络模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS神经网络模型每一次迭代中首先时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值沿网络正向传递直到第4层,采用最小二乘估计算法调节结论参数;信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络模型将获得的测量传感器测量值的误差信号沿网络反向传播,用梯度法更新条件参数。以此方式对ANFIS神经网络模型中给定的条件参数进行调整,可以得到结论参数的全局最优点,这样不仅可以降低梯度法中搜索空间的维数,还可以提高ANFIS神经网络模型参数的收敛速度。ANFIS神经网络模型的输出作为测量传感器测量的预测量。
6、多个NARX神经网络模型设计
多个NARX神经网络模型的输入是对应的多个ANFIS神经网络模型的输出,NARX神经网络模型实现对个ANFIS神经网络模型的输出实再一次预测,进一步提高测量传感器测量值预测的精确度。NARX神经网络模型(NonlinearAuto-Regression with Externalinput neural network)是一种动态的前馈神经网络,NARX神经网络模型是一个有着ANFIS神经网络模型输出作为输入的非线性自回归网络,它有一个多步时延的动态特性,并通过NARX神经网络模型反馈连接封闭网络的若干层,NARX神经网络模型是非线性动态***中应用最广泛的一种动态神经网络,其性能普遍优于全回归神经网络。NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n),还取决于当时的输入向量ANFIS神经网络模型输出的延迟阶数。NARX神经网络模型包括输入层、输出层、隐层和时延层。其中,ANFIS神经网络模型输出通过时延层传递给隐层,隐层对ANFIS神经网络模型输出的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的NARX神经网络模型输出信号,时延层将网络反馈的信号和输入层输出的信号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点。x(t)表示NARX神经网络的外部输入,即ANFIS神经网络模型的输出值;m表示外部输入的延迟阶数;y(t)是NARX神经网络模型的输出,即下一时段的NARX神经网络模型的输出控制量;n是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j个隐含神经元的偏置值,NARX神经网络模型的输出y(t+1)的值为:
y(t+1)=f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1);W] (14)
NARX神经网络模型的输入数据为ANFIS神经网络模型的输出,NARX神经网络模型的输出为测量传感器的测量值,NARX神经网络模型的输入层、输出层和隐层的个数分别为1,1和10,NARX神经网络模型实现对ANFIS神经网络模型输出值的再一次预测,提高预测测量传感器测量值的动态性能、快速性、准确型和可靠性。
7、新陈代谢GM(1,1)灰色预测器设计
新陈代谢GM(1,1)灰色预测器所需建模信息少、运算方便和建模的精度较高,因而在各种预测领域有着广泛的应用,本发明引入它对测量传感器的测量值预测获得了较好的效果,它的输出作为测量传感器测量参考物的预测值,实现对测量传感器测量测量值的多次预测。新陈代谢GM(1,1)灰色预测器中把NARX神经网络模型输出的历史数据作为输入,它的输出为下一阶段测量传感器测量的预测值。新陈代谢GM(1,1)灰色预测器是用NARX神经网络模型输出的历史数据生成后建立的微分方程,它将无规律的NARX神经网络模型输出的历史数据使其变为较有规律的生成数列再建模,所以新陈代谢GM(1,1)灰色预测器实际上是生成数列模型,一般用微分方程描述。由于新陈代谢GM(1,1)灰色预测器的解是微分方程的解是指数曲线,因此要求生成数列是递增的且接近指数曲线。测量传感器测量值本身均为正值,经一次累加生成后即变为递增数列,设NARX神经网络模型输出的历史数据为:
x(0)=(x(0)(1),x(0)(2)…x(0)(n)) (15)
作一次生成为:
x(1)=(x(1)(1),x(1)(2)…x(1)(n)) (16)
对x(1)对于可以建立如下一阶一个变量的线性微分方程为:
解该微分方程,并可得到测量传感器测量的预测值:
x(0)(k+1)=x(1)(k+1)-x(1)(k) (18)
新陈代谢GM(1,1)灰色预测器必须等距、相邻和不得有跳跃,以最新的NARX神经网络模型输出数据作为参考点去掉最老的数据预测值下一阶段测量传感器测量值。在测量传感器测量值预测中可用最近NARX神经网络模型输出值来建模,由此来预测下一阶段测量传感器测量值。用上述方法预测出一阶段的测量传感器测量值后,把此测量传感器测量值再加进原始数列中,相应地去掉数列开头的一个数据建模,再预测未来下一阶段测量传感器测量值的预测。依此类推,预测出测量传感器未来的测量值。
本实施方式中,第一纵向滑移组件包括第一纵向滑移导轨201与第一纵向滑移平台202,第一纵向滑移导轨201通过支架203固定于基层平台1上,其下表面沿其长度方向转动连接有第一丝杆204,第一丝杆204上螺纹连接有第一滑块205,第一纵向滑移平台202套设于第一纵向滑移导轨201上且其与第一丝杆204对应位置与第一滑块205固定连接,第一纵向滑移平台202的结构参见附图3与附图4所示。
横向滑移组件包括垂直于第一纵向滑移导轨201且转动连接于第一纵向滑移平台202上表面的第二丝杆206,第二丝杆206上螺纹连接有第二滑块207,第二滑块207上固定有横向滑移平台208,传感器架置板2固定于横向滑移平台208上。
进一步地,为了解决第一纵向滑移平台202在第一纵向滑移导轨201上滑动出现晃动的情况,将第一纵向滑移导轨201的两侧边设置为向内凹陷的圆弧导轨209,第一纵向滑移平台202与圆弧导轨209对应位置匹配设置,所以第一纵向滑移平台202与圆弧导轨209对应位置设置向圆弧导轨209凸起的圆弧形的凸起,这样圆弧导轨209与圆弧形的凸起匹配设置,当第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,其上下被限位,不会出现滑动倾斜的情况,也很难出现第一纵向滑移平台202晃动的情况,。
进一步地,为了减少第一纵向滑移平台202与第一纵向滑移导轨201之间的摩擦力,在第一纵向滑移平台202上与圆弧导轨209匹配位置还滚动设置有若干个导轨滚珠210。这样第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,导轨滚珠210可以减少两者之间的摩擦力。
进一步地,为了更加稳定第一纵向滑移平台202,在第一纵向滑移导轨201的上表面沿第一纵向滑移平台202滑移方向还设置有一对纵向直线导轨211,第一纵向滑移平台202与纵向直线导轨211对应位置设置一对条形凸起212,各条形凸起212与各纵向直线导轨211匹配设置,第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,第一纵向滑移平台202下表面的条形凸起212被限位在纵向直线导轨211内滑动,第一纵向滑移平台202被左右限位,不会出现倾斜。
进一步地,在调节测量传感器与参照物之间的距离时,其前后距离的调节有的时候需要进行微调,第一纵向滑移组件的调节螺距比较大,有的时候很难达到要求的调整精度,所以我们在横向滑移组件上还设置有第二纵向滑移组件,第二纵向滑移组件包括转动连接于横向滑移平台208的垂直于所述第二丝杆206的第三丝杆213,第三丝杆213上螺纹连接有第三滑块214,第三丝杆213的螺距比第一丝杆204的螺距小。传感器架置板2固定于横向滑移平台208上。
进一步地,为了实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板2在相应的滑轨上滑动进行调节测量传感器的纵向和横向的距离,第一纵向滑移组件、横向滑移组件以及第二纵向滑移组件上均设置有结构相同的驱动机构,驱动机构分别为第一步进电机215、第二步进电机216以及第三步进电机217,第一丝杆204、第二丝杆206、第三丝杆213的一端均设置有结构相同的主锥齿轮218和从锥齿轮219,3个所述步进电机输出轴均与其对应的主锥齿轮218中心固定连接,主锥齿轮218与其对应的从锥齿轮219啮合,从锥齿轮219套设固定于其对应的丝杆上。
步进电机带动主锥齿轮218转动,主锥齿轮218带动从锥齿轮219转动实现丝杆的转动,丝杆与滑块螺纹连接,丝杆转动实现滑块在丝杆上的相对位置转变,进而实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板2在对应的第一丝杆204、第二丝杆206以及第三丝杆213上滑动。
进一步地,如果不用电动实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板2在相应的滑轨上滑动进行调节测量传感器的纵向和横向的距离,可以在第一丝杆204、第二丝杆206和第三丝杆213一端分别固定有旋转把手220,通过旋转把手220实现对应丝杆的转动进而实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板2在相应的丝杆上滑动。
工作原理:
首先将测量传感器通过三脚架固定于传感器架置板2上,将参考物设置于参考物架置台3上,通过第一纵向滑移组件、横向滑移组件、第二纵向滑移组件调节测量传感器与参考物之间的距离,根据预先设定的需要将测量传感器移动到设定位置,首先启动第一步进电机215驱动第一丝杆204转动实现初步调整参考物与测量传感器的纵向距离;再启动第二步进电机216驱动第二丝杆204转动实现调整测量传感器与参考物的横向距离;最后再启动第三步进电机217驱动第三丝杆213转动实现微调参考物与测量传感器的纵向距离,实现精确定位测量传感器的位置。
在测量传感器进行测量参考物的某点参数值时,通过MSP430单片机监测单元中的检测算法进行对测量传感器的测量值进行检测,使测量传感器测量的参数值更加趋于参考物的准确参数值。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于参数测量的检测装置,包括参考物架置台(3)、传感器架置板(2)与基层平台(1),所述参考物架置台(3)、传感器架置板(2)设置于所述基层平台(1)上,其特征在于,所述基层平台(1)上还设置有第一纵向滑移组件、横向滑移组件;所述传感器架置板(2)设置于所述横向滑移组件上,所述传感器架置板(2)随所述横向滑移组件横向滑动且所述横向滑移组件随所述第一纵向滑移组件纵向滑动;所述传感器架置板(2)上还设置有测量传感器和MSP430单片机监测单元,所述MSP430单片机监测单元包括时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型、SOM神经网络分类器、多个ANFIS神经网络模型、多个NARX神经网络模型和新陈代谢GM(1,1)灰色预测器;所述测量传感器的输出值分别作为时间序列DRNN神经网络预测模型、ARIMA预测模型和时间序列RBF神经网络预测模型的输入,时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出作为SOM神经网络分类器的输入,SOM神经网络分类器输出多个类型的时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出分别作为对应的多个ANFIS神经网络模型的输入,多个ANFIS神经网络模型输出分别作为对应的多个NARX神经网络模型的输入,多个NARX神经网络模型的输出作为新陈代谢GM(1,1)灰色预测器的输入,新陈代谢GM(1,1)灰色预测器的输出作为测量传感器的测量预测值。
2.根据权利要求1所述的一种用于参数测量的检测装置,其特征在于,所述第一纵向滑移组件包括第一纵向滑移导轨(201)与第一纵向滑移平台(202),所述第一纵向滑移导轨(201)通过支架(203)固定于所述基层平台(1)上,其下表面沿其长度方向转动连接有第一丝杆(204),所述第一丝杆(204)上螺纹连接有第一滑块(205),所述第一纵向滑移平台(202)套设于所述第一纵向滑移导轨(201)上且其与所述第一丝杆(204)对应位置与所述第一滑块(205)固定连接。
3.根据权利要求2所述的一种用于参数测量的检测装置,其特征在于,所述横向滑移组件包括垂直于所述第一纵向滑移导轨(201)且转动连接于所述第一纵向滑移平台(202)上表面的第二丝杆(206),所述第二丝杆(206)上螺纹连接有第二滑块(207),所述第二滑块(207)上固定有横向滑移平台(208),所述传感器架置板(2)固定于横向滑移平台(208)上。
4.根据权利要求2所述的一种用于参数测量的检测装置,其特征在于,所述第一纵向滑移导轨(201)的两侧边设置为向内凹陷的圆弧导轨(209),所述第一纵向滑移平台(202)与所述圆弧导轨(209)对应位置匹配设置。
5.根据权利要求4所述的一种用于参数测量的检测装置,其特征在于,所述第一纵向滑移平台(202)上与所述圆弧导轨(209)匹配位置还滚动设置有若干个导轨滚珠(210)。
6.根据权利要求2所述的一种用于参数测量的检测装置,其特征在于,所述第一纵向滑移导轨(201)的上表面沿所述第一纵向滑移平台(202)滑移方向还设置有一对纵向直线导轨(211),所述第一纵向滑移平台(202)与所述纵向直线导轨(211)对应位置设置一对条形凸起(212),各所述条形凸起(212)与各所述纵向直线导轨(211)匹配设置。
7.根据权利要求3所述的一种用于参数测量的检测装置,其特征在于,所述横向滑移组件上还设置有第二纵向滑移组件,所述第二纵向滑移组件包括转动连接于所述横向滑移平台(208)的垂直于所述第二丝杆(206)的第三丝杆(213),所述第三丝杆(213)上螺纹连接有第三滑块(214),所述第三丝杆(213)的螺距小于所述第一丝杆(204)的螺距,所述传感器架置板(2)固定于所述横向滑移平台(208)上。
8.根据权利要求7所述的一种用于参数测量的检测装置,其特征在于,所述第一纵向滑移组件、横向滑移组件以及第二纵向滑移组件上均设置有结构相同的驱动机构,所述驱动机构分别为第一步进电机(215)、第二步进电机(216)以及第三步进电机(217),所述第一丝杆(204)、第二丝杆(206)、第三丝杆(213)的一端均设置有结构相同的主锥齿轮(218)和从锥齿轮(219),3个所述步进电机输出轴均与其对应的主锥齿轮(218)中心固定连接,所述主锥齿轮(218)与其对应的所述从锥齿轮(219)啮合,所述从锥齿轮(219)套设固定于其对应的丝杆上。
9.根据权利要求7所述的一种用于参数测量的检测装置,其特征在于,所述第一丝杆(204)、第二丝杆(206)和第三丝杆(213)一端分别固定有旋转把手(220)。
10.根据权利要求1至9任一所述的一种用于参数测量的检测装置,其特征在于,所述参考物架置台(3)还包括固定于所述基层平台(1)的垫高固定台(101)、固定于所述垫高固定台(101)上方的若干个竖直设置的电动推杆(102),所述电动推杆(102)顶端设置有所述参考物架置台(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863414.2A CN111998887A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863414.2A CN111998887A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111998887A true CN111998887A (zh) | 2020-11-27 |
Family
ID=73470816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863414.2A Pending CN111998887A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111998887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184839A (zh) * | 2021-12-10 | 2022-03-15 | 江苏集萃智能集成电路设计技术研究所有限公司 | 一种抑制信号源抖动的adc频谱测试方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344186A (zh) * | 2013-07-17 | 2013-10-09 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置及方法 |
CN203337107U (zh) * | 2013-07-17 | 2013-12-11 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
CN110119169A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于最小向量机的番茄温室温度智能预警*** |
CN110119086A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
CN110119766A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种多组合智能化模型的青椒温室温度智能化预警装置 |
CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
CN111444947A (zh) * | 2020-03-20 | 2020-07-24 | 淮阴工学院 | 一种桥梁沉降智能检测*** |
-
2020
- 2020-08-25 CN CN202010863414.2A patent/CN111998887A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344186A (zh) * | 2013-07-17 | 2013-10-09 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置及方法 |
CN203337107U (zh) * | 2013-07-17 | 2013-12-11 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
CN110119169A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于最小向量机的番茄温室温度智能预警*** |
CN110119086A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
CN110119766A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种多组合智能化模型的青椒温室温度智能化预警装置 |
CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
CN111444947A (zh) * | 2020-03-20 | 2020-07-24 | 淮阴工学院 | 一种桥梁沉降智能检测*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184839A (zh) * | 2021-12-10 | 2022-03-15 | 江苏集萃智能集成电路设计技术研究所有限公司 | 一种抑制信号源抖动的adc频谱测试方法 |
CN114184839B (zh) * | 2021-12-10 | 2024-03-01 | 江苏集萃智能集成电路设计技术研究所有限公司 | 一种抑制信号源抖动的adc频谱测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Binu et al. | Rider-deep-LSTM network for hybrid distance score-based fault prediction in analog circuits | |
CN107451102B (zh) | 一种基于改进自训练算法的半监督高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
Gu et al. | Neural predictive control for a car-like mobile robot | |
Derks et al. | Robustness analysis of radial base function and multi-layered feed-forward neural network models | |
Casdagli et al. | State space reconstruction in the presence of noise | |
CN107015165B (zh) | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 | |
Wang et al. | Fuzzy nonparametric regression based on local linear smoothing technique | |
CN112000008B (zh) | 一种基于神经网络的管道监测*** | |
Chen et al. | A data-driven model for thermal error prediction considering thermoelasticity with gated recurrent unit attention | |
Cheng et al. | Estimating the shift size in the process mean with support vector regression and neural networks | |
CN111998887A (zh) | 一种用于参数测量的检测装置 | |
CN111079856B (zh) | 一种基于csjitl-rvm的多时段间歇过程软测量建模方法 | |
CN110045606A (zh) | 一种用于分布式参数***在线建模的增量时空学习方法 | |
CN111982041B (zh) | 一种测量用的位移检测*** | |
Mao et al. | Auxiliary model-based iterative estimation algorithms for nonlinear systems using the covariance matrix adaptation strategy | |
CN111982042A (zh) | 一种用于参数测量的位移检测装置 | |
Liu et al. | Efficient low-order system identification from low-quality step response data with rank-constrained optimization | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN111998885A (zh) | 一种测量用的参数校准*** | |
Vagale et al. | Time series forecasting of mobile robot motion sensors using LSTM networks. | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据*** | |
CN115754537A (zh) | 一种滑窗信号分解与卷积预测的非侵入式负荷检测方法 | |
Mohamed et al. | Design and implementation of Autoencoder-LSTM accelerator for edge outlier detection | |
CN115034504A (zh) | 基于云边协同训练的刀具磨损状态预测***及方法 | |
Juricek et al. | Identification of multivariable, linear, dynamic models: Comparing regression and subspace techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |