傳感器信息處理及應(yīng)用

內(nèi)容概要

　　各種自動(dòng)化智能化測(cè)控系統(tǒng)和設(shè)備中都安裝著大量不同種類的傳感器，它們產(chǎn)生的大量數(shù)據(jù)中包含著豐富的信息。王祁編寫的本書介紹如何利用智能理論和方法處理傳感器信息并揭示系統(tǒng)的內(nèi)在規(guī)律，包括人工神經(jīng)網(wǎng)絡(luò)、盲源分離、支持向量機(jī)、主成分分析、粒子群優(yōu)化算法、小波熵、粗糙集、相關(guān)向量機(jī)、數(shù)據(jù)挖掘等理論方法，以及應(yīng)用這些理論方法對(duì)傳感器信息進(jìn)行處理的實(shí)例；如何利用信息處理方法對(duì)傳感器進(jìn)行故障診斷和數(shù)據(jù)重構(gòu)；介紹自確認(rèn)傳感器原理及其信息處理方法；傳感器的信息融合及應(yīng)用、無(wú)線傳感器網(wǎng)絡(luò)中的信息處理技術(shù)。本書還介紹多種最新的信息處理方法及其在傳感器信息處理中的應(yīng)用。注重理論聯(lián)系實(shí)際，應(yīng)用實(shí)例均取材于作者的科研項(xiàng)目和國(guó)內(nèi)外最新的研究成果。本書各章獨(dú)立，讀者可根據(jù)需要選讀。
　　本書可作為電子信息、自動(dòng)化、儀器科學(xué)與技術(shù)等專業(yè)的碩士生、博士生的教學(xué)用書，也可供相關(guān)領(lǐng)域的科研人員、工程技術(shù)人員參考。

書籍目錄

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(cè)數(shù)據(jù)的特點(diǎn)
1．3．3 本書的研究?jī)?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(jiǎn)概念
2．5．3 常用屬性約簡(jiǎn)算法分析
2．5．4 粗糙集理論在試車臺(tái)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(cè)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(jiǎn)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(jiǎn)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(jiǎn)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(jiǎn)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(duì)混合氣體濃度進(jìn)行定量測(cè)量
3．9．3 組合PCA與BP網(wǎng)絡(luò)混合氣體濃度測(cè)量
3．9．4 基于RBF神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)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(jiǎn)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(cè)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(jiǎn)介
5．2 基于數(shù)學(xué)模型的診斷方法
5．2．1 基于觀測(cè)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(jiǎn)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(cè)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(shí)別的診斷方法研究
5．5．1 模式識(shí)別基本原理
5．5．2 基于模式識(shí)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(shí)
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?jī)?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(tái)
6．3．3 基于可編程硬件的通用硬件平臺(tái)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(hào)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(cè)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(cè)傳感器
參考文獻(xiàn)
第7章 無(wú)線傳感器網(wǎng)絡(luò)信息處理技術(shù)
7．1 概述
7．1．1 無(wú)線傳感器網(wǎng)絡(luò)介紹
7．1．2 主要研究?jī)?nèi)容
7．2 無(wú)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(dòng)匯聚節(jié)點(diǎn)組織策略的無(wú)線傳感器網(wǎng)絡(luò)協(xié)同信息獲取
7．2．2 基于動(dòng)態(tài)聯(lián)盟的無(wú)線傳感器網(wǎng)絡(luò)協(xié)同方法
7．3 無(wú)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(wú)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(wú)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(wú)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(cè)的無(wú)線傳感器網(wǎng)絡(luò)信息融合
7．4 無(wú)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(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮
7．4．2 基于管道的無(wú)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(wú)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(wú)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(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)及信息處理技術(shù)
7．6．1 無(wú)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(wú)線傳感器網(wǎng)絡(luò)健康監(jiān)測(cè)系統(tǒng)及信息處理技術(shù)
7．6．3 農(nóng)業(yè)灌區(qū)無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)及信息處理技術(shù)
7．6．4 基于無(wú)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)

編輯推薦

　　傳感器是當(dāng)今科技發(fā)展的關(guān)鍵技術(shù)之一，作為信息獲取的源頭，它越來(lái)越多地受到人們的重視?，F(xiàn)代傳感器正朝著微型化、數(shù)字化、集成化、智能化、網(wǎng)絡(luò)化、高精度和多功能的方向發(fā)展。 王祁編寫的《傳感器信息處理及應(yīng)用》研究利用智能理論和方法對(duì)傳感器信息進(jìn)行處理。 《傳感器信息處理及應(yīng)用》介紹如何利用智能理論和方法處理傳感器信息并揭示系統(tǒng)的內(nèi)在規(guī)律。

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    傳感器信息處理及應(yīng)用 PDF格式下載

---