本书在第二版的基础上，对智能传感器系统及相应智能化技术进行了更新、更全面的阐述：重新论述了泛在物联网建设大环境下智能传感器系统的定位及其具备的功能；概述了智能传感器系统中硬件的两种集成形式及其基本智能化功能软件模块的实现技术；介绍了多种经典和新兴的信息处理技术作为智能化技术工具的原理与方法，以及泛在物联网建设大环境下智能传感器系统的通信方式；增加了深度学习与强化学习等人工智能方法在智能传感系统中的应用。
样章试读
目录
- 目录
第1章概述 1
1.1智能传感器的基本概念与传感器系统 1
1.2智能传感器发展的历史背景 2
1.3智能传感器的功能与特点 5
1.3.1 智能传感器的功能 5
1.3.2 智能传感器的特点 5
1.4智能传感器技术的发展历程 6
1.5智能传感器实现的途径 7
1.5.1 非集成化实现 7
1.5.2 集成化实现 7
1.5.3 混合实现 9
1.5.4 智能传感器的几种形式 10
1.5.5 改善传感器系统性能的多传感器智能化技术 11
1.6网络化、集成化智能传感器经典实例简介 11
1.6.1 温度、压力一体集成化传感器简介 11
1.6.2 温度、湿度一体集成化传感器简介 13
1.7智能传感器的发展趋势 14思考题 17
第2章传感器系统性能指标与误差分析 18
2.1传感器系统的基本特性与技术指标 18
2.1.1 静态特性与静态技术指标 18
2.1.2 动态特性与动态技术指标 23
2.2误差理论与误差处理技术 29
2.2.1 误差分析基础 29
2.2.2 测量误差处理 30
2.2.3 测量不确定度评定 34
2.3提高传感器性能的技术途径 35
2.3.1 合理选择结构、参数与工艺 35
2.3.2 基于差动对称结构的差动技术 36
2.3.3 补偿 46
2.3.4 多信号测量法 51思考题 54
第3章常见传感器原理 56
3.1电阻式传感器 56
3.1.1 压阻式 56
3.1.2 热阻式 58
3.1.3 电位器式 61
3.2电容式传感器 63
3.2.1 变面积式 63
3.2.2 变间距式 64
3.2.3 变电介系数式 65
3.2.4 集成化电容式 66
3.3电感式传感器 66
3.3.1 自感式 66
3.3.2 互感式 68
3.3.3 涡流式 70
3.4光电式传感器 72
3.4.1 光电效应及器件 72
3.4.2 CCD传感器 74
3.4.3 光纤传感器 75
3.5辐射式传感器 78
3.5.1 超声波传感器 78
3.5.2 红外传感器 81
3.5.3 热电偶 85
3.6压电式传感器 91
3.6.1 压电效应 91
3.6.2 压电材料特性与压电器件 91
3.7半导体传感器 94
3.7.1 霍尔传感器 94
3.7.2 半导体气敏传感器 98
3.7.3 湿敏传感器 99
思考题 100
第4章传感信号的调理与变换 102
4.1信号放大 102
4.1.1 前置放大 102
4.1.2 隔离放大 106
4.1.3 锁定放大 108
4.1.4 低噪声放大 109
4.1.5 电桥 111
4.2信号调制与解调 113
4.2.1 信号调制的原理 113
4.2.2 信号的几种调制方法 114
4.2.3 信号的解调方法 115
4.3压频转换 116
4.3.1 压频转换原理 116
4.3.2 常用的几种压频转换器 117
4.4模拟滤波 121
4.4.1 滤波器的作用与类别 121
4.4.2 滤波器的特性与性能指标 122
4.4.3 智能传感器中模拟滤波器的设计 126
4.4.4 模拟滤波器的实现 131
4.5模数与数模转换 134
4.5.1 ADC 134
4.5.2 DAC 137
4.5.3 ADC和 DAC的主要技术指标 137
4.6抗干扰设计 137
4.6.1 传感器干扰的主要来源 138
4.6.2 电磁干扰的主要耦合方式 138
4.6.3 抗干扰设计的主要措施 139思考题 141
第5章传感信号的分析基础 142
5.1信号的分类 142
5.2信号的时域分析 143
5.2.1 信号时域分析指标参数 143
5.2.2 概率密度函数分析 144
5.2.3 信号的相关函数及其应用 146
5.3信号的频域分析 148
5.3.1 正弦波的特点 148
5.3.2 傅里叶变换 149
5.3.3 频谱混叠与采样定理 153
5.3.4 频谱泄漏及其抑制措施 154
5.3.5 栅栏效应及其抑制方法 156
5.3.6 DFT的参数选择 157
5.3.7 功率谱分析 157思考题 159
第6章基本智能化功能与其软件实现 160
6.1改善线性度及智能化非线性刻度转换功能 160
6.1.1 查表法 161
6.1.2 曲线拟合法 163
6.1.3 应用示例 164
6.2改善静态性能，提高测量准确度及智能化自校零与自校准功能 165
6.2.1 两基准法 166
6.2.2 多基准法 167
6.3改善稳定性，抑制交叉敏感及智能化多传感器数据融合功能 168
6.3.1 单传感器系统 168
6.3.2 交叉敏感与传感器系统的稳定性 169
6.3.3 多传感器技术改善传感器系统性能的基本方法 170
6.4改善动态性能，扩展频带及智能化频率自补偿功能 172
6.4.1 数字滤波器的数学基础——z变换简介 173
6.4.2 扩展频带的数字滤波法 175
6.4.3 扩展频带的频域校正法 177
6.4.4 应用示例 178
6.5提高信噪比与分辨力及智能化信号提取与消噪功能 179
6.5.1 数字滤波技术 179
6.5.2 频域谱分析法 184
6.5.3 应用示例 185
6.6增强自我管理与自适应能力及智能化控制功能 190
6.6.1 模拟 PID控制器的传递函数 191
6.6.2 数字 PID控制器脉冲传递函数 191思考题 192
第7章线性相位滤波器与自适应滤波器 193
7.1线性相位滤波器 193
7.1.1 线性相位与线性相位滤波器 193
7.1.2 线性相位有限冲激响应滤波器的数学模型 194
7.1.3 线性相位 FIR滤波器的窗口设计法 196
7.1.4 应用示例 203
7.2自适应滤波器 207
7.2.1 自适应滤波器的结构 207
7.2.2 自适应滤波理论与算法 207
7.2.3 MATLAB中的自适应滤波函数 211
7.2.4 应用示例 214思考题 214
第8章小波分析及其在智能传感器系统中的应用 215
8.1小波分析基础 215
8.1.1 小波分析与短时 Fourier变换 215
8.1.2 离散小波 219
8.1.3 小波级数 220
8.1.4 多分辨分析 221
8.1.5 小波包分析 224
8.2 MATLAB工具箱中小波分析函数 225
8.2.1 小波分析函数 225
8.2.2 小波包函数 232
8.3应用示例 237思考题 242
第9章多元回归分析法及其在智能传感器系统中的应用 243
9.1多元回归分析法与定常系数多元回归方程 243
9.2回归分析法与可变系数回归方程 246
9.2.1 工作原理 246
9.2.2 回归方程可变系数 A0(T)～A5(T)的确定 247
9.3应用示例 248思考题 257
第10章神经网络技术及其在智能传感器系统中的应用 258
10.1 概述 258
10.2 神经网络基础知识 258
10.2.1 神经网络结构 258
10.2.2 神经元模型 259
10.2.3 神经元作用函数 260
10.2.4 BP神经网络 261
10.2.5 RBF神经网络 265
10.3 应用示例 266思考题 278
第11章支持向量机技术及其在智能传感器系统中的应用 279
11.1关于统计学习理论与支持向量机的基础知识 279
11.1.1 统计学习理论 279
11.1.2 支持向量机 283
11.2支持向量机的应用流程 295
11.2.1 训练样本及检验样本的制备 295
11.2.2 支持向量机的训练、检验与测量 295
11.2.3 支持向量机的移植 296
11.3基于 SVM方法的三传感器数据融合原理 297
11.3.1 三传感器数据融合的智能传感器系统的组成 297
11.3.2 应用示例 298
思考题 306
第12章粒子群优化算法及其在智能传感器系统中的应用 307
12.1 群智能算法发展与应用概况 307
12.1.1 群智能 307
12.1.2 群智能的主要算法 307
12.1.3 群智能算法的特点 307
12.2 粒子群优化算法的基础知识 308
12.2.1 基本粒子群优化算法 308
12.2.2 标准粒子群优化算法 309
12.2.3 粒子群优化算法流程 310
12.3 应用示例 310思考题 323
第13章主成分分析与独立成分分析及其在智能传感器系统中的应用 324
13.1 主成分分析法 324
13.1.1 二维空间中的 PCA 324
13.1.2 PCA算法 325
13.2 PCA算法在消除传感器漂移中的应用 326
13.2.1 PCA算法实现传感器故障检测的思想 327
13.2.2 应用示例 329
13.3 独立成分分析 335
13.3.1 概述 335
13.3.2 ICA基本模型 335
13.3.3 独立与不相关 336
13.3.4 最大似然估计 337
13.3.5 FastICA算法 338
13.3.6 应用示例 338思考题 340
第14章模糊智能传感器系统 342
14.1 模糊集合理论概述 342
14.1.1 模糊集合的定义及其表示方法 342
14.1.2 隶属函数的确定方法及常用形式 344
14.1.3 模糊集合的基本运算 348
14.1.4 模糊关系的定义及合成 349
14.1.5 语言变量与模糊推理 350
14.2 模糊传感器系统 351
14.2.1 测量结果“符号化表示”的概念 352
14.2.2 模糊传感器的基本概念和功能 352
14.2.3 模糊传感器的结构 353
14.2.4 模糊传感器语言描述的产生方法 355
14.2.5 模糊传感器对测量环境的适应性 358
14.2.6 模糊传感器隶属函数的训练算法 360
14.3 应用示例 362思考题 371
第15章深度学习与其在智能传感器系统中的应用 373
15.1 深度学习基础 373
15.1.1 深度神经网络 373
15.1.2 训练过程 373
15.1.3 过拟合与欠拟合 374
15.1.4 基于梯度下降的优化算法 375
15.2 卷积神经网络 376
15.2.1 整体结构 376
15.2.2 卷积 377
15.2.3 池化 378
15.2.4 CNN中的卷积运算 378
15.2.5 数据类型 380
15.2.6 网络特征 380
15.2.7 发展历程 381
15.3 循环神经网络 382
15.3.1 基本介绍 382
15.3.2 双向 RNN 383
15.3.3 编码-解码模型 384
15.3.4 长短时记忆网络 384
15.4 深度信念网络 386
15.4.1 DBN简介 386
15.4.2 受限玻尔兹曼机 386
15.4.3 DBN的训练过程 387
15.5 应用示例 388思考题 392
第16章强化学习与其在智能传感器系统中的应用 393
16.1 强化学习的基本概念 393
16.1.1 智能体与环境 393
16.1.2 目标与奖励 395
16.2 有模型学习 397
16.2.1 策略迭代算法 397
16.2.2 值迭代算法 398
16.3 无模型学习 399
16.3.1 基于值函数的学习方法 399
16.3.2 基于策略函数的学习方法 401
16.3.3 演员-评价员算法 403
16.4 成熟技术 404
16.4.1 基于 AC框架的改进 404
16.4.2 基于 DQN算法的改进 405
16.4.3 更加泛化的强化学习 405
16.5 应用示例 406思考题 409
第17章无线网络智能传感器系统 410
17.1 概述 410
17.1.1 无线传感器网络研究与应用状况 410
17.1.2 无线传感器网络通信协议 412
17.1.3 无线传感器网络与 Internet的互联内容与方案 413
17.1.4 实现远程监测的无线传感器网络系统的典型结构 413
17.2 IEEE 1451标准 414
17.2.1 IEEE 1451标准概述 414
17.2.2 IEEE 1451标准族 416
17.2.3 IEEE 1451标准的应用与发展 419
17.3 无线传感器网络与 Internet的互联 419
17.3.1 基于 LabVIEW虚拟仪器的网络化方法 419
17.3.2 应用示例 420
17.4 无线传感器网络 426
17.4.1 无线传感器网络中的传感器节点 427
17.4.2 无线传感器网络中的汇聚节点 428
17.4.3 应用示例 428
思考题 439
参考文献 441
京公网安备 11010102004214号