研究目的
提出一种基于RBF神经网络与TS模糊模型的鲁棒融合算法用于红外火焰检测，解决多传感器环境下数据丢失、失真及信号饱和等问题。
研究成果
与传统的TS-RBF和GA-BP模型相比，改进的TS-RBF模型在收敛速度、精度和泛化能力方面表现出更优的性能，特别是在数据丢失、失真和信号饱和的条件下。该模型所需的隐含层节点更少，表明其结构复杂度更低。
研究不足
该研究聚焦于采用特定装置（三通道探测器）进行红外火焰检测，可能未涵盖所有可能的工业场景。未探究模型在极端条件或不同类型传感器下的性能表现。
1：实验设计与方法选择：
本研究采用三通道红外火焰探测器在不同条件下（包括正常和异常场景：数据丢失、失真、信号饱和）采集数据。所提出的模型将RBF神经网络与TS模糊模型相结合，引入新的加权激活度（WAD）来计算点火强度，并改进了特征表示系数的初始化方案。
2：样本选择与数据来源：
实验数据通过设计的三通道红外火焰探测器从不同的燃烧和干扰源中采集。特征从时域和频域信号中提取。
3：实验设备与材料清单：
探测器包括用于3.8、4.3和5.0微米的热释电传感器、信号放大和滤波?？椤/D采样?？橐约拔⒋砥髂？?。
4：3和0微米的热释电传感器、信号放大和滤波?？?、A/D采样模块以及微处理器?？?。 实验步骤与操作流程：
4. 实验步骤与操作流程：数据预处理包括信号减法、汉宁窗应用和FFT变换以进行频域分析。模型的性能在正常和异常条件下进行测试。
5：数据分析方法：
使用均方根误差（RMSE）和准确度指标评估性能。将模型的鲁棒性与传统的TS-RBF和GA-BP模型进行比较。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Pyroelectric sensor
3.8/4.3/5.0 microns
Detecting wave bands focused on specific wavelengths for flame detection.
-
Voltage reference module
REF5020
Providing stable voltage reference for the detector.
-
Signal amplification and filtering module
AD8608
Amplifying and filtering signals from pyroelectric sensors.
-
A/D sampling module
ADS8698
Converting analog signals to digital for processing.
-
Microprocessor module
STM32F429VIT6
Processing data and controlling the detector operations.
-
登录查看剩余3件设备及参数对照表
查看全部
