傳感器信息處理及應(yīng)用

前言
第1章 緒論
1.1 概述
1.1.1 傳感器與信息處理技術(shù)
1.1.2 傳感器數(shù)據(jù)處理與信息處理
1.1.3 傳感器信息處理的發(fā)展
1.2 傳感器數(shù)據(jù)處理
1.2.1 數(shù)字濾波
1.2.2 非線性校正
1.2.3 溫度補(bǔ)償
1.2.4 傳感器誤差處理
1.3 傳感器信息處理
1.3.1 傳感器信息處理的目的
1.3.2 多傳感器系統(tǒng)中檢測數(shù)據(jù)的特點(diǎn)
1.3.3 本書的研究內(nèi)容
參考文獻(xiàn)
第2章 基于智能理論的傳感器信息處理
2.1 基于盲源分離理論的傳感器信息處理
2.1.1 盲源分離基本理論
2.1.2 在傳感器信息處理中的應(yīng)用實(shí)例
2.2 基于支持向量機(jī)的傳感器信息處理
2.2.1 SVM基本原理
2.2.2 多分類支持向量機(jī)
2.2.3 SVM模型參數(shù)選擇
2.2.4 最小二乘支持向量回歸原理
2.2.5 支持向量機(jī)在傳感器信息處理中的應(yīng)用實(shí)例
2.3 基于粒子群優(yōu)化算法的傳感器信息處理
2.3.1 PSO基本原理
2.3.2 PSO的改進(jìn)算法
2.3.3 粒子群優(yōu)化算法在傳感器信息處理中的應(yīng)用實(shí)例
2.4 基于小波熵理論的傳感器信息處理
2.4.1 小波分析基礎(chǔ)
2.4.2 小波熵基本原理
2.4.3 小波熵在傳感器信息處理中的應(yīng)用實(shí)例
2.5 基于粗糙集理論的傳感器信息處理
2.5.1 粗糙集理論基本概念
2.5.2 粗糙集約簡概念
2.5.3 常用屬性約簡算法分析
2.5.4 粗糙集理論在試車臺系統(tǒng)故障診斷中的應(yīng)用
2.6 基于相關(guān)向量機(jī)的傳感器信息處理
2.6.1 RVM基本原理
2.6.2 RVM決策函數(shù)復(fù)雜度分析
2.6.3 RVM與SVM性能比較
2.6.4 相關(guān)向量機(jī)在傳感器信息處理中的應(yīng)用實(shí)例
2.7 數(shù)據(jù)挖掘技術(shù)在多傳感器信息處理系統(tǒng)中的應(yīng)用
2.7.1 數(shù)據(jù)挖掘的概念
2.7.2 數(shù)據(jù)挖掘技術(shù)的功能
2.7.3 基于分類和預(yù)測的數(shù)據(jù)挖掘技術(shù)在多傳感器系統(tǒng)中的應(yīng)用
2.7.4 基于關(guān)聯(lián)準(zhǔn)則的數(shù)據(jù)挖掘技術(shù)在多傳感器系統(tǒng)中的應(yīng)用
2.7.5 基于聚類分析的數(shù)據(jù)挖掘技術(shù)在多傳感器系統(tǒng)中的應(yīng)用
2.7.6 基于時(shí)間序列分析的數(shù)據(jù)挖掘技術(shù)在多傳感器系統(tǒng)中的應(yīng)用
參考文獻(xiàn)
第3章 基于神經(jīng)網(wǎng)絡(luò)的傳感器信息處理
3.1 人工神經(jīng)網(wǎng)絡(luò)
3.1.1 神經(jīng)網(wǎng)絡(luò)概述
3.1.2 基本結(jié)構(gòu)
3.2 BP神經(jīng)網(wǎng)絡(luò)
3.2.1 BP神經(jīng)元模型
3.2.2 BP學(xué)習(xí)算法
3.3 RBF神經(jīng)網(wǎng)絡(luò)
3.3.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.3.2 RBF神經(jīng)網(wǎng)絡(luò)的映射關(guān)系
3.3.3 RBF網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)則和常用算法
3.3.4 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的比較
3.4 SOM神經(jīng)網(wǎng)絡(luò)
3.4.1 Kohonen自組織映射網(wǎng)絡(luò)結(jié)構(gòu)
3.4.2 Kohonen自組織映射算法
3.5 模糊神經(jīng)網(wǎng)絡(luò)
3.5.1 模糊神經(jīng)網(wǎng)絡(luò)簡介
3.5.2 模糊神經(jīng)網(wǎng)絡(luò)實(shí)例
3.6 遺傳神經(jīng)網(wǎng)絡(luò)
3.6.1 遺傳神經(jīng)網(wǎng)絡(luò)簡介
3.6.2 遺傳神經(jīng)網(wǎng)絡(luò)實(shí)例
3.7 小波神經(jīng)網(wǎng)絡(luò)
3.7.1 小波神經(jīng)網(wǎng)絡(luò)簡介
3.7.2 小波神經(jīng)網(wǎng)絡(luò)實(shí)例
3.8灰色神經(jīng)網(wǎng)絡(luò)
3.8.1 灰色神經(jīng)網(wǎng)絡(luò)簡介
3.8.2 灰色神經(jīng)網(wǎng)絡(luò)實(shí)例
3.9基于人工神經(jīng)網(wǎng)絡(luò)的傳感器信息處理
3.9.1 BP網(wǎng)絡(luò)用于多種氣體分類
3.9.2 應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對混合氣體濃度進(jìn)行定量測量
3.9.3 組合PCA與BP網(wǎng)絡(luò)混合氣體濃度測量
3.9.4 基于RBF神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測器的傳感器故障診斷
參考文獻(xiàn)
第4章 傳感器信息融合
4.1 概述
4.1.1 傳感器融合技術(shù)的產(chǎn)生和發(fā)展
4.1.2 傳感器融合的概念
4.1.3 傳感器融合的特點(diǎn)
4.1.4 傳感器融合的應(yīng)用
4.2 傳感器信息融合系統(tǒng)的結(jié)構(gòu)
4.2.1 信息融合的層次結(jié)構(gòu)
4.2.2 信息融合的體系結(jié)構(gòu)
4.2.3 傳感器信息融合的算法
4.3 基于貝葉斯理論的傳感器信息融合
4.3.1 貝葉斯條件概率公式
4.3.2 基于貝葉斯理論的傳感器信息融合
4.3.3 貝葉斯方法在信息融合中的應(yīng)用實(shí)例
4.4 基于D—S理論的傳感器信息融合
4.4.1 D—S證據(jù)理論
4.4.2 基于D—s證據(jù)理論的信息融合
4.4.3 基于D—S證據(jù)理論信息融合的應(yīng)用實(shí)例
4.5 基于模糊集理論的傳感器信息融合
4.5.1 模糊集理論簡介
4.5.2 基于模糊集理論的傳感器信息融合
4.5.3 基于模糊理論進(jìn)行多傳感器信息融合的環(huán)境監(jiān)測系統(tǒng)一
4.6 基于人工神經(jīng)網(wǎng)絡(luò)的傳感器信息融合
4.6.1 人工神經(jīng)網(wǎng)絡(luò)與傳感器信息融合
4.6.2 基于人工神經(jīng)網(wǎng)絡(luò)的傳感器信息融合方法
4.6.3 基于人工神經(jīng)網(wǎng)絡(luò)的傳感器信息融合實(shí)例
參考文獻(xiàn)
第5章 傳感器故障診斷及數(shù)據(jù)恢復(fù)
5.1 概述
5.1.1 傳感器故障診斷及數(shù)據(jù)恢復(fù)的意義
5.1.2 傳感器故障特性分析
5.1.3 診斷方法綜述
5.1.4 內(nèi)容簡介
5.2 基于數(shù)學(xué)模型的診斷方法
5.2.1 基于觀測器的診斷方法
5.2.2 基于濾波器的診斷方法
5.3 基于PCA的故障診斷與數(shù)據(jù)重構(gòu)方法
5.3.1 前言
5.3.2 PCA簡介
5.3.3 基于PCA的診斷模型
5.3.4 故障診斷算法仿真驗(yàn)證
5.3.5 基于PCA的傳感器故障診斷新技術(shù)
5.4 基于神經(jīng)網(wǎng)絡(luò)的故障診斷與重構(gòu)方法
5.4.1 人工神經(jīng)網(wǎng)絡(luò)傳感器故障診斷原理
5.4.2 神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測器設(shè)計(jì)
5.4.3 基于Elman人工神經(jīng)網(wǎng)絡(luò)的故障數(shù)據(jù)重構(gòu)
5.5 基于模式識別的診斷方法研究
5.5.1 模式識別基本原理
5.5.2 基于模式識別的傳感器故障診斷原理
5.5.3 基于小波包分解的傳感器故障特征提取
5.5.4 基于神經(jīng)網(wǎng)絡(luò)的傳感器模式分類
5.5.5 基于減法聚類的傳感器新型故障辨識
5.5.6 故障診斷算法仿真驗(yàn)證
參考文獻(xiàn)
第6章 自確認(rèn)傳感器
6.1 概述
6.2 自確認(rèn)傳感器原理
6.2.1 有關(guān)概念
6.2.2 輸出參數(shù)
6.2.3 研究內(nèi)容
6.3 自確認(rèn)傳感器的結(jié)構(gòu)
6.3.1 PC機(jī)+數(shù)據(jù)采集卡
6.3.2 固定結(jié)構(gòu)的專用硬件平臺
6.3.3 基于可編程硬件的通用硬件平臺的開發(fā)
6.4 自確認(rèn)傳感器算法
6.4.1 自確認(rèn)傳感器故障診斷和信號恢復(fù)算法
6.4.2 自確認(rèn)參數(shù)計(jì)算方法
6.5 自確認(rèn)傳感器舉例
6.5.1 自確認(rèn)溶解氧傳感器
6.5.2 自確認(rèn)差壓流量計(jì)”
6.6 自確認(rèn)壓力傳感器
6.6.1 結(jié)構(gòu)設(shè)計(jì)
6.6.2 故障檢測方法
6.6.3 故障診斷方法
6.6.4 自確認(rèn)參數(shù)計(jì)算方法
6.6.5 試驗(yàn)系統(tǒng)設(shè)計(jì)及試驗(yàn)
6.7 多功能自確認(rèn)傳感器
6.7.1 概念及其功能模型
6.7.2 特征
6.7.3 關(guān)鍵技術(shù)
6.7.4 發(fā)展方向
6.7.5 基于RVM的多功能自確認(rèn)水質(zhì)檢測傳感器
參考文獻(xiàn)
第7章 無線傳感器網(wǎng)絡(luò)信息處理技術(shù)
7.1 概述
7.1.1 無線傳感器網(wǎng)絡(luò)介紹
7.1.2 主要研究內(nèi)容
7.2 無線傳感器網(wǎng)絡(luò)協(xié)同信息處理技術(shù)
7.2.1 基于移動匯聚節(jié)點(diǎn)組織策略的無線傳感器網(wǎng)絡(luò)協(xié)同信息獲取
7.2.2 基于動態(tài)聯(lián)盟的無線傳感器網(wǎng)絡(luò)協(xié)同方法
7.3 無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)
7.3.1 基于路由的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合
7.3.2 基于統(tǒng)計(jì)特性的分布卡爾曼濾波在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合中的應(yīng)用
7.3.3 基于組播樹的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)
7.3.4 基于時(shí)間序列預(yù)測的無線傳感器網(wǎng)絡(luò)信息融合
7.4 無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮
7.4.1 基于排序編碼的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮
7.4.2 基于管道的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮
7.4.3 基于分布式數(shù)據(jù)壓縮算法在無線傳感器網(wǎng)絡(luò)中的應(yīng)用
7.4.4 壓縮傳感思想與網(wǎng)絡(luò)化信息獲取
7.5 無線傳感器網(wǎng)絡(luò)安全性
7.5.1 基于數(shù)據(jù)保密性的數(shù)據(jù)融合安全方案
7.5.2 基于數(shù)據(jù)完整性的數(shù)據(jù)融合安全方案
7.6 智能無線傳感器網(wǎng)絡(luò)監(jiān)測系統(tǒng)及信息處理技術(shù)
7.6.1 無線傳感器網(wǎng)絡(luò)協(xié)同智能交通系統(tǒng)
7.6.2 建筑結(jié)構(gòu)無線傳感器網(wǎng)絡(luò)健康監(jiān)測系統(tǒng)及信息處理技術(shù)
7.6.3 農(nóng)業(yè)灌區(qū)無線傳感器網(wǎng)絡(luò)監(jiān)測系統(tǒng)及信息處理技術(shù)
7.6.4 基于無線傳感器網(wǎng)絡(luò)的多機(jī)器人聲源目標(biāo)協(xié)作搜尋系統(tǒng)
參考文獻(xiàn)