目錄 第1章概述 1 1.1智能傳感器的基本概念與傳感器系統 1 1.2智能傳感器發展的歷史背景 2 1.3智能傳感器能與特點 5 1.3.1 智能傳感器能 5 1.3.2 智能傳感器的特點 5 1.4智能傳感器技術的發展歷程 6 1.5智能傳感器實現的途徑 7 1.5.1 非集成化實現 7 1.5.2 集成化實現 7 1.5.3 混合實現 9 1.5.4 智能傳感器的幾種形式 10 1.5.5 改善傳感器系統能的多傳感器智能化技術 11 1.6網絡化、集成化智能傳感器經典實例簡介 11 1.6.1 溫度、壓力一體集成化傳感器簡介 11 1.6.2 溫度、濕度一體集成化傳感器簡介 13 1.7智能傳感器的發展趨勢 14思考題 17 第2章傳感器系統能指標與誤差分析 18 2.1傳感器系統的基本特與技術指標 18 2.1.1 靜態特與靜態技術指標 18 2.1.2 動態特與動態技術指標 23 2.2誤差理論與誤差處理技術 29 2.2.1 誤差分析基礎 29 2.2.2 測量誤差處理 30 2.2.3 測量不確定度評定 34 2.3提高傳感器能的技術途徑 35 2.3.1 合理選擇結構、參數與工藝 35 2.3.2 基于差動對稱結構的差動技術 36 2.3.3 補償 46 2.3.4 多信號測量法 51思考題 54 第3章常見傳感器原理 56 3.1電阻式傳感器 56 3.1.1 壓阻式 56 3.1.2 熱阻式 58 3.1.3 電位器式 61 3.2電容式傳感器 63 3.2.1 變面積式 63 3.2.2 變間距式 64 3.2.3 變電介系數式 65 3.2.4 集成化電容式 66 3.3電感式傳感器 66 3.3.1 自感式 66 3.3.2 互感式 68 3.3.3 渦流式 70 3.4光電式傳感器 72 3.4.1 光電效應及器件 72 3.4.2 CCD傳感器 74 3.4.3 光纖傳感器 75 3.5輻射式傳感器 78 3.5.1 超聲波傳感器 78 3.5.2 紅外傳感器 81 3.5.3 熱電偶 85 3.6壓電式傳感器 91 3.6.1 壓電效應 91 3.6.2 壓電材料特與壓電器件 91 3.7半導體傳感器 94 3.7.1 霍爾傳感器 94 3.7.2 半導體氣敏傳感器 98 3.7.3 濕敏傳感器 99 思考題 100 第4章傳感信號的調理與變換 102 4.1信號放大 102 4.1.1 前置放大 102 4.1.2 隔離放大 106 4.1.3 鎖定放大 108 4.1.4 低噪聲放大 109 4.1.5 電橋 111 4.2信號調制與解調 113 4.2.1 信號調制的原理 113 4.2.2 信號的幾種調制方法 114 4.2.3 信號的解調方法 115 4.3壓頻轉換 116 4.3.1 壓頻轉換原理 116 4.3.2 常用的幾種壓頻轉換器 117 4.4模擬濾波 121 4.4.1 濾波器的作用與類別 121 4.4.2 濾波器的特與能指標 122 4.4.3 智能傳感器中模擬濾波器的設計 126 4.4.4 模擬濾波器的實現 131 4.5模數與數模轉換 134 4.5.1 ADC 134 4.5.2 DAC 137 4.5.3 ADC和 DAC的主要技術指標 137 4.6抗干擾設計 137 4.6.1 傳感器干擾的主要來源 138 4.6.2 電磁干擾的主要耦合方式 138 4.6.3 抗干擾設計的主要措施 139思考題 141 第5章傳感信號的分析基礎 142 5.1信號的分類 142 5.2信號的時域分析 143 5.2.1 信號時域分析指標參數 143 5.2.2 概率密度函數分析 144 5.2.3 信號的相關函數及其應用 146 5.3信號的頻域分析 148 5.3.1 正弦波的特點 148 5.3.2 傅里葉變換 149 5.3.3 頻譜混疊與采樣定理 153 5.3.4 頻譜泄漏及其措施 154 5.3.5 柵欄效應及其方法 156 5.3.6 DFT的參數選擇 157 5.3.7率譜分析 157思考題 159 第6章基本智能能與其軟件實現 160 6.1改善線度及智能化非線刻度轉能 160 6.1.1 查表法 161 6.1.2 曲線擬合法 163 6.1.3 應用示例 164 6.2改善靜態能，提高測量度及智能化自校零與自校能 165 6.2.1 兩基準法 166 6.2.2 多基準法 167 6.3改善穩定，交叉敏感及智能化多傳感器數據融能 168 6.3.1 單傳感器系統 168 6.3.2 交叉敏感與傳感器系統的穩定 169 6.3.3 多傳感器技術改善傳感器系統能的基本方法 170 6.4改善動態能，擴展頻帶及智能化頻率自補能 172 6.4.1 數字濾波器的數學基礎——z變換簡介 173 6.4.2 擴展頻帶的數字濾波法 175 6.4.3 擴展頻帶的頻域校正法 177 6.4.4 應用示例 178 6.5提高信噪比與分辨力及智能化信號提取與消能 179 6.5.1 數字濾波技術 179 6.5.2 頻域譜分析法 184 6.5.3 應用示例 185 6.6自我管理與自適應能力及智能化控能 190 6.6.1 模擬 PID控制器的傳遞函數 191 6.6.2 數字 PID控制器脈沖傳遞函數 191思考題 192 第7章線相位濾波器與自適應濾波器 193 7.1線相位濾波器 193 7.1.1 線相位與線相位濾波器 193 7.1.2 線相位有限沖激響應濾波器的數學模型 194 7.1.3 線相位 FIR濾波器的窗口設計法 196 7.1.4 應用示例 203 7.2自適應濾波器 207 7.2.1 自適應濾波器的結構 207 7.2.2 自適應濾波理論與算法 207 7.2.3 MATLAB中的自適應濾波函數 211 7.2.4 應用示例 214思考題 214 第8章小波分析及其在智能傳感器系統中的應用 215 8.1小波分析基礎 215 8.1.1 小波分析與短時 Fourier變換 215 8.1.2 離散小波 219 8.1.3 小波級數 220 8.1.4 多分辨分析 221 8.1.5 小分析 224 8.2 MATLAB工具箱中小波分析函數 225 8.2.1 小波分析函數 225 8.2.2 小函數 232 8.3應用示例 237思考題 242 第9章多元回歸分析法及其在智能傳感器系統中的應用 243 9.1多元回歸分析法與定常系數多元回歸方程 243 9.2回歸分析法與可變系數回歸方程 246 9.2.1 工作原理 246 9.2.2 回歸方程可變系數 A0(T)～A5(T)的確定 247 9.3應用示例 248思考題 257 第10章神經網絡技術及其在智能傳感器系統中的應用 258 10.1 概述 258 10.2 神經網絡基礎知識 258 10.2.1 神經網絡結構 258 10.2.2 神經元模型 259 10.2.3 神經元作用函數 260 10.2.4 BP神經網絡 261 10.2.5 RBF神經網絡 265 10.3 應用示例 266思考題 278 第11章支持向量機技術及其在智能傳感器系統中的應用 279 11.1關于統計學理論與支持向量機的基礎知識 279 11.1.1 統計學理論 279 11.1.2 支持向量機 283 11.2支持向量機的應用流程 295 11.2.1 訓練樣本及檢驗樣本的制備 295 11.2.2 支持向量機的訓練、檢驗與測量 295 11.2.3 支持向量機的移植 296 11.3基于 SVM方法的三傳感器數據融合原理 297 11.3.1 三傳感器數據融合的智能傳感器系統的組成 297 11.3.2 應用示例 298 思考題 306 第12章粒子群優化算法及其在智能傳感器系統中的應用 307 12.1 群智能算法發展與應用概況 307 12.1.1 群智能 307 12.1.2 群智能的主要算法 307 12.1.3 群智能算法的特點 307 12.2 粒子群優化算法的基礎知識 308 12.2.1 基本粒子群優化算法 308 12.2.2 標準粒子群優化算法 309 12.2.3 粒子群優化算法流程 310 12.3 應用示例 310思考題 323 第13章主成分分析與獨立成分分析及其在智能傳感器系統中的應用 324 13.1 主成分分析法 324 13.1.1 二維空間中的 PCA 324 13.1.2 PCA算法 325 13.2 PCA算法在消除傳感器漂移中的應用 326 13.2.1 PCA算法實現傳感器故障檢測的思想 327 13.2.2 應用示例 329 13.3 獨立成分分析 335 13.3.1 概述 335 13.3.2 ICA基本模型 335 13.3.3 獨立與不相關 336 13.3.4 似然估計 337 13.3.5 FastICA算法 338 13.3.6 應用示例 338思考題 340 第14章模糊智能傳感器系統 342 14.1 模糊集合理論概述 342 14.1.1 模糊集合的定義及其表示方法 342 14.1.2 隸屬函數的確定方法及常用形式 344 14.1.3 模糊集合的基本運算 348 14.1.4 模糊關系的定義及合成 349 14.1.5 語言變量與模糊推理 350 14.2 模糊傳感器系統 351 14.2.1 測量結果“符號化表示”的概念 352 14.2.2 模糊傳感器的基本概念能 352 14.2.3 模糊傳感器的結構 353 14.2.4 模糊傳感器語言描述的產生方法 355 14.2.5 模糊傳感器對測量環境的適應 358 14.2.6 模糊傳感器隸屬函數的訓練算法 360 14.3 應用示例 362思考題 371 第15章深度學與其在智能傳感器系統中的應用 373 15.1 深度學基礎 373 15.1.1 深度神經網絡 373 15.1.2 訓練過程 373 15.1.3 過擬合與欠擬合 374 15.1.4 基于梯度下降的優化算法 375 15.2 卷積神經網絡 376 15.2.1 整體結構 376 15.2.2 卷積 377 15.2.3 池化 378 15.2.4 N中的卷積運算 378 15.2.5 數據類型 380 15.2.6 網絡特征 380 15.2.7 發展歷程 381 15.3 循環神經網絡 382 15.3.1 基本介紹 382 15.3.2 雙向 RNN 383 15.3.3 編碼-解碼模型 384 15.3.4 長短時記憶網絡 384 15.4 深度信念網絡 386 15.4.1 DBN簡介 386 15.4.2 受限玻爾茲曼機 386 15.4.3 DBN的訓練過程 387 15.5 應用示例 388思考題 392 第16章強化學與其在智能傳感器系統中的應用 393 16.1 強化學基本概念 393 16.1.1 智能體與環境 393 16.1.2 目標與獎勵 395 16.2 有模型學 397 16.2.1 策略迭代算法 397 16.2.2 值迭代算法 398 16.3 無模型學 399 16.3.1 基于值函數的學方法 399 16.3.2 基于策略函數的學方法 401 16.3.3 演員-評價員算法 403 16.4 成熟技術 404 16.4.1 基于 AC框架的改進 404 16.4.2 基于 DQN算法的改進 405 16.4.3 更加泛化的強化學 405 16.5 應用示例 406思考題 409 第17章無線網絡智能傳感器系統 410 17.1 概述 410 17.1.1 無線傳感器網絡研究與應用狀況 410 17.1.2 無線傳感器網絡通信協議 412 17.1.3 無線傳感器網絡與 Inter的互聯內容與方案 413 17.1.4 實現遠程監測的無線傳感器網絡系統的典型結構 413 17.2 IEEE 1451標準 414 17.2.1 IEEE 1451標準概述 414 17.2.2 IEEE 1451標準族 416 17.2.3 IEEE 1451標準的應用與發展 419 17.3 無線傳感器網絡與 Inter的互聯 419 17.3.1 基于 LabVIEW虛擬儀器的網絡化方法 419 17.3.2 應用示例 420 17.4 無線傳感器網絡 426 17.4.1 無線傳感器網絡中的傳感器節點 427 17.4.2 無線傳感器網絡中的匯聚節點 428 17.4.3 應用示例 428 思考題 439 參考文獻 441