智慧感應系統, 3/e

第1章概述 1
1.1智慧感測器的基本概念與感測器系統 1
1.2智慧感測器發展的歷史背景 2
1.3智慧感測器的功能與特性 5
1.3.1 智慧型感測器的功能 5
1.3.2 智慧型感測器的特點 5
1.4智慧感測器技術的發展歷程 6
1.5智慧感測器實現的途徑 7
1.5.1 非整合化實現 7
1.5.2 整合化實現 7
1.5.3 混合實現 9
1.5.4 智慧型感測器的幾種形式 10
1.5.5 改善感測器系統效能的多感測器智慧化技術 11
1.6網路化、整合式智慧感測器經典實例簡介 11
1.6.1 溫度、壓力一體整合感測器簡介 11
1.6.2 溫度、濕度一體整合感測器簡介 13
1.7智慧感測器的發展趨勢 14思考題 17
第2章感測器系統性能指標與誤差分析 18
2.1感測器系統的基本特性與技術指標 18
2.1.1 靜態特性與靜態技術指標 18
2.1.2 動態特性與動態技術指標 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提高感測器性能的技術途徑 35
2.3.1 合理選擇結構、參數與製程 35
2.3.2 基於差動對稱結構的差動技術 36
2.3.3 補償 46
2.3.4 多重訊號測量法 51思考題 54
第3章常見感測器原理 56
3.1電阻式感測器 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電容式感測器 63
3.2.1 變面積式 63
3.2.2 變間距式 64
3.2.3 變電介係數式 65
3.2.4 整合化電容式 66
3.3電感式感測器 66
3.3.1 自感式 66
3.3.2 互感式 68
3.3.3 渦流式 70
3.4光電式感測器 72
3.4.1 光電效應及裝置 72
3.4.2 CCD感測器 74
3.4.3 光纖感測器 75
3.5輻射式感測器 78
3.5.1 超音波感測器 78
3.5.2 紅外線感測器 81
3.5.3 熱電偶 85
3.6壓電式感測器 91
3.6.1 壓電效應 91
3.6.2 壓電材料特性與壓電器件 91
3.7半導體感測器 94
3.7.1 霍爾感測器 94
3.7.2 半導體氣敏感知器 98
3.7.3 濕敏感測器 99
思考題 100
第4章感測訊號的調理與變換 102
4.1訊號放大 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 低噪音放大 109
4.1.5 電橋 111
4.2訊號調變與解調 113
4.2.1 訊號調製的原理 113
4.2.2 訊號的幾種調變方法 114
4.2.3 訊號的解調方法 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 濾波器的特性與性能指標 122
4.4.3 智慧型感測器中類比濾波器的設計 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 感測器幹擾的主要來源 138
4.6.2 電磁幹擾的主要耦合方式 138
4.6.3 抗干擾設計的主要措施 139思考題 141
第5章感測訊號的分析基礎 142
5.1訊號的分類 142
5.2訊號的時域分析 143
5.2.1 訊號時域分析指標參數 143
5.2.2 機率密度函數分析 144
5.2.3 訊號的相關函數及其應用 146
5.3訊號的頻域分析 148
5.3.1 正弦波的特性 148
5.3.2 傅立葉變換 149
5.3.3 頻譜混疊與取樣定理 153
5.3.4 頻譜洩漏及其抑制措施 154
5.3.5 柵欄效應及其抑制方法 156
5.3.6 DFT的參數選擇 157
5.3.7 功率譜分析 157思考題 159
第6章基本智慧化功能與其軟體實現 160
6.1改善線性度及智慧化非線性刻度轉換功能 160
6.1.1 查表法 161
6.1.2 曲線擬合法 163
6.1.3 應用範例 164
6.2改善靜態效能，提升測量準確度及智慧化自校零與自校準功能 165
6.2.1 兩基準法 166
6.2.2 多基準法 167
6.3改善穩定性，抑制交叉敏感及智慧化多感測器資料融合功能 168
6.3.1 單感測器系統 168
6.3.2 交叉敏感與感測器系統的穩定性 169
6.3.3 多感測器技術改善感測器系統性能的基本方法 170
6.4改善動態效能，擴展頻帶及智慧化頻率自補償功能 172
6.4.1 數位濾波器的數學基礎－z變換簡介 173
6.4.2 擴展頻帶的數位濾波法 175
6.4.3 擴展頻帶的頻域校正法 177
6.4.4 應用範例 178
6.5提高訊號雜訊比與分辨力及智慧化訊號提取與消噪功能 179
6.5.1 數位濾波技術 179
6.5.2 頻域譜分析法 184
6.5.3 應用範例 185
6.6增強自我管理與自適應能力及智慧化控制功能 190
6.6.1 模擬 PID控制器的傳遞函數 191
6.6.2 數位 PID控制器脈衝傳遞函數 191思考題 192
第7章線性相位濾波器與自適應濾波器 193
7.1線性相位濾波器 193
7.1.1 線性相位與線性相位濾波器 193
7.1.2 線性相位有限衝激響應濾波器的數學模型 194
7.1.3 線性相位 FIR濾波器的視窗設計法 196
7.1.4 應用範例 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 自適應濾波理論與演算法 207
7.2.3 MATLAB中的自適應濾波函數 211
7.2.4 應用範例 214思考題 214
第8章小波分析及其在智慧型感測器系統的應用 215
8.1小波分析基礎 215
8.1.1 小波分析與短時 Fourier轉換 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 小波包分析 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 小波包函數 232
8.3應用範例 237思考題 242
第9章多元迴歸分析法及其在智慧感測器系統的應用 243
9.1多元迴歸分析法與定常係數多元迴歸方程式 243
9.2迴歸分析法與可變係數迴歸方程式 246
9.2.1 工作原理 246
9.2.2 迴歸方程式可變係數 A0(T)～A5(T)的決定 247
9.3應用範例 248思考題 257
第10章神經網路技術及其在智慧感測器系統的應用 258
10.1 概述 258
10.2 神經網路基礎 258
10.2.1 神經網路結構 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神經網路 261
10.2.5 RBF神經網路 265
10.3 應用範例 266思考題 278
第11章支援向量機技術及其在智慧感測器系統中的應用 279
11.1關於統計學習理論與支持向量機的基礎 279
11.1.1 統計學習理論 279
11.1.2 支援向量機 283
11.2支援向量機的應用流程 295
11.2.1 訓練樣本及檢驗樣本的製備 295
11.2.2 支援向量機的訓練、檢驗與測量 295
11.2.3 支援向量機的移植 296
11.3基於 SVM方法的三感測器資料融合原理 297
11.3.1 三感測器資料融合的智慧感測器系統的組成 297
11.3.2 應用範例 298
思考題 306
第12章粒子群最佳化演算法及其在智慧感測器系統的應用 307
12.1 群智能演算法發展與應用概況 307
12.1.1 群智能 307
12.1.2 群智能的主要演算法 307
12.1.3 群智能演算法的特性 307
12.2 粒子群最佳化演算法的基礎知識 308
12.2.1 基本粒子群最佳化演算法 308
12.2.2 標準粒子群最佳化演算法 309
12.2.3 粒子群最佳化演算法流程 310
12.3 應用範例 310思考題 323
第13章主成分分析與 立成分分析及其在智慧型感測器系統中的應用 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演算法在消除感測器漂移的應用 326
13.2.1 PCA演算法實現感測器故障檢測的思想 327
13.2.2 應用範例 329
13.3 立成分分析 335
13.3.1 概述 335
13.3.2 ICA基本模型 335
13.3.3 立與不相關 336
13.3.4 大似然估計 337
13.3.5 FastICA演算法 338
13.3.6 應用範例 338思考題 340
第14章模糊智慧型感測器系統 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 模糊關係的定義與合成 349
14.1.5 語言變項與模糊推理 350
14.2 模糊感測器系統 351
14.2.1 測量結果「符號化表示」的概念 352
14.2.2 模糊感測器的基本概念與功能 352
14.2.3 模糊感測器的結構 353
14.2.4 模糊感測器語言描述的產生方法 355
14.2.5 模糊感測器對測量環境的適應性 358
14.2.6 模糊感測器隸屬函數的訓練演算法 360
14.3 應用範例 362思考題 371
第15章深度學習與其在智慧感測器系統的應用 373
15.1 深度學習基礎 373
15.1.1 深度神經網路 373
15.1.2 訓練過程 373
15.1.3 過擬合與欠擬合 374
15.1.4 基於梯度下降的最佳化演算法 375
15.2 卷積神經網路 376
15.2.1 整體結構 376
15.2.2 卷積 377
15.2.3 池化 378
15.2.4 CNN的捲積運算 378
15.2.5 資料型態 380
15.2.6 網路特徵 380
15.2.7 發展歷程 381
15.3 循環神經網路 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 長短時間記憶網 384
15.4 深度信念網 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 應用範例 388思考題 392
第16章強化學習與其在智慧感測器系統的應用 393
16.1 強化學習的基本概念 393
16.1.1 智能體與環境 393
16.1.2 目標與獎勵 395
16.2 有模型學習 397
16.2.1 策略迭代演算法 397
16.2.2 值迭代演算法 398
16.3 無模型學習 399
16.3.1 基於值函數的學習方法 399
16.3.2 基於策略函數的學習方法 401
16.3.3 演員-評價員演算法 403
16.4 成熟技術 404
16.4.1 基於 AC框架的改進 404
16.4.2 基於 DQN演算法的改進 405
16.4.3 更泛化的強化學習 405
16.5 應用範例 406思考題 409
第17章無線網路智慧感測器系統 410
17.1 概述 410
17.1.1 無線感測器網路研究與應用狀況 410
17.1.2 無線感測器網路通訊協定 412
17.1.3 無線感測器網路與 Internet的互聯內容與方案 413
17.1.4 實現遠端監測的無線感測器網路系統的典型結構 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 無線感測器網路與 Internet的互聯 419
17.3.1 基於 LabVIEW虛擬儀器的網路化方法 419
17.3.2 應用範例 420
17.4 無線感測器網路 426
17.4.1 無線感測器網路中的感測器節點 427
17.4.2 無線感測器網路中的匯聚節點 428
17.4.3 應用範例 428
思考題 439
參考文獻 441