傳感器信息處理及應用

前言
第1章 緒論
1.1 概述
1.1.1 傳感器與信息處理技術
1.1.2 傳感器數據處理與信息處理
1.1.3 傳感器信息處理的發(fā)展
1.2 傳感器數據處理
1.2.1 數字濾波
1.2.2 非線性校正
1.2.3 溫度補償
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)中檢測數據的特點
1.3.3 本書的研究內容
參考文獻
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用實例
2.2 基于支持向量機的傳感器信息處理
2.2.1 SVM基本原理
2.2.2 多分類支持向量機
2.2.3 SVM模型參數選擇
2.2.4 最小二乘支持向量回歸原理
2.2.5 支持向量機在傳感器信息處理中的應用實例
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的改進算法
2.3.3 粒子群優(yōu)化算法在傳感器信息處理中的應用實例
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
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用實例
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)故障診斷中的應用
2.6 基于相關向量機的傳感器信息處理
2.6.1 RVM基本原理
2.6.2 RVM決策函數復雜度分析
2.6.3 RVM與SVM性能比較
2.6.4 相關向量機在傳感器信息處理中的應用實例
2.7 數據挖掘技術在多傳感器信息處理系統(tǒng)中的應用
2.7.1 數據挖掘的概念
2.7.2 數據挖掘技術的功能
2.7.3 基于分類和預測的數據挖掘技術在多傳感器系統(tǒng)中的應用
2.7.4 基于關聯(lián)準則的數據挖掘技術在多傳感器系統(tǒng)中的應用
2.7.5 基于聚類分析的數據挖掘技術在多傳感器系統(tǒng)中的應用
2.7.6 基于時間序列分析的數據挖掘技術在多傳感器系統(tǒng)中的應用
參考文獻
第3章 基于神經網絡的傳感器信息處理
3.1 人工神經網絡
3.1.1 神經網絡概述
3.1.2 基本結構
3.2 BP神經網絡
3.2.1 BP神經元模型
3.2.2 BP學習算法
3.3 RBF神經網絡
3.3.1 RBF神經網絡的結構
3.3.2 RBF神經網絡的映射關系
3.3.3 RBF網絡訓練的準則和常用算法
3.3.4 RBF神經網絡與BP神經網絡的比較
3.4 SOM神經網絡
3.4.1 Kohonen自組織映射網絡結構
3.4.2 Kohonen自組織映射算法
3.5 模糊神經網絡
3.5.1 模糊神經網絡簡介
3.5.2 模糊神經網絡實例
3.6 遺傳神經網絡
3.6.1 遺傳神經網絡簡介
3.6.2 遺傳神經網絡實例
3.7 小波神經網絡
3.7.1 小波神經網絡簡介
3.7.2 小波神經網絡實例
3.8灰色神經網絡
3.8.1 灰色神經網絡簡介
3.8.2 灰色神經網絡實例
3.9基于人工神經網絡的傳感器信息處理
3.9.1 BP網絡用于多種氣體分類
3.9.2 應用RBF神經網絡對混合氣體濃度進行定量測量
3.9.3 組合PCA與BP網絡混合氣體濃度測量
3.9.4 基于RBF神經網絡時間序列預測器的傳感器故障診斷
參考文獻
第4章 傳感器信息融合
4.1 概述
4.1.1 傳感器融合技術的產生和發(fā)展
4.1.2 傳感器融合的概念
4.1.3 傳感器融合的特點
4.1.4 傳感器融合的應用
4.2 傳感器信息融合系統(tǒng)的結構
4.2.1 信息融合的層次結構
4.2.2 信息融合的體系結構
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用實例
4.4 基于D—S理論的傳感器信息融合
4.4.1 D—S證據理論
4.4.2 基于D—s證據理論的信息融合
4.4.3 基于D—S證據理論信息融合的應用實例
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 基于人工神經網絡的傳感器信息融合
4.6.1 人工神經網絡與傳感器信息融合
4.6.2 基于人工神經網絡的傳感器信息融合方法
4.6.3 基于人工神經網絡的傳感器信息融合實例
參考文獻
第5章 傳感器故障診斷及數據恢復
5.1 概述
5.1.1 傳感器故障診斷及數據恢復的意義
5.1.2 傳感器故障特性分析
5.1.3 診斷方法綜述
5.1.4 內容簡介
5.2 基于數學模型的診斷方法
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的故障診斷與數據重構方法
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證
5.3.5 基于PCA的傳感器故障診斷新技術
5.4 基于神經網絡的故障診斷與重構方法
5.4.1 人工神經網絡傳感器故障診斷原理
5.4.2 神經網絡時間序列預測器設計
5.4.3 基于Elman人工神經網絡的故障數據重構
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 基于神經網絡的傳感器模式分類
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證
參考文獻
第6章 自確認傳感器
6.1 概述
6.2 自確認傳感器原理
6.2.1 有關概念
6.2.2 輸出參數
6.2.3 研究內容
6.3 自確認傳感器的結構
6.3.1 PC機+數據采集卡
6.3.2 固定結構的專用硬件平臺
6.3.3 基于可編程硬件的通用硬件平臺的開發(fā)
6.4 自確認傳感器算法
6.4.1 自確認傳感器故障診斷和信號恢復算法
6.4.2 自確認參數計算方法
6.5 自確認傳感器舉例
6.5.1 自確認溶解氧傳感器
6.5.2 自確認差壓流量計”
6.6 自確認壓力傳感器
6.6.1 結構設計
6.6.2 故障檢測方法
6.6.3 故障診斷方法
6.6.4 自確認參數計算方法
6.6.5 試驗系統(tǒng)設計及試驗
6.7 多功能自確認傳感器
6.7.1 概念及其功能模型
6.7.2 特征
6.7.3 關鍵技術
6.7.4 發(fā)展方向
6.7.5 基于RVM的多功能自確認水質檢測傳感器
參考文獻
第7章 無線傳感器網絡信息處理技術
7.1 概述
7.1.1 無線傳感器網絡介紹
7.1.2 主要研究內容
7.2 無線傳感器網絡協(xié)同信息處理技術
7.2.1 基于移動匯聚節(jié)點組織策略的無線傳感器網絡協(xié)同信息獲取
7.2.2 基于動態(tài)聯(lián)盟的無線傳感器網絡協(xié)同方法
7.3 無線傳感器網絡數據融合技術
7.3.1 基于路由的無線傳感器網絡數據融合
7.3.2 基于統(tǒng)計特性的分布卡爾曼濾波在無線傳感器網絡數據融合中的應用
7.3.3 基于組播樹的無線傳感器網絡數據融合技術
7.3.4 基于時間序列預測的無線傳感器網絡信息融合
7.4 無線傳感器網絡數據壓縮
7.4.1 基于排序編碼的無線傳感器網絡數據壓縮
7.4.2 基于管道的無線傳感器網絡數據壓縮
7.4.3 基于分布式數據壓縮算法在無線傳感器網絡中的應用
7.4.4 壓縮傳感思想與網絡化信息獲取
7.5 無線傳感器網絡安全性
7.5.1 基于數據保密性的數據融合安全方案
7.5.2 基于數據完整性的數據融合安全方案
7.6 智能無線傳感器網絡監(jiān)測系統(tǒng)及信息處理技術
7.6.1 無線傳感器網絡協(xié)同智能交通系統(tǒng)
7.6.2 建筑結構無線傳感器網絡健康監(jiān)測系統(tǒng)及信息處理技術
7.6.3 農業(yè)灌區(qū)無線傳感器網絡監(jiān)測系統(tǒng)及信息處理技術
7.6.4 基于無線傳感器網絡的多機器人聲源目標協(xié)作搜尋系統(tǒng)
參考文獻