张帆
- 作品数：6 被引量：9H指数：2
- 供职机构：宁波大学信息科学与工程学院更多>>
- 发文基金：国家自然科学基金浙江省重大科技专项资金宁波市科技局自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- k-means-RBF集成神经网络在工业尾气检测中的应用被引量：1
- 2017年
- 神经网络是工业尾气检测系统的一个重要组成部分.为提高神经网络的预测精度和收敛速度,建立k-means-RBF集成神经网络模型.首先,通过选取不同的径向基函数神经网络参数,得到一组RBF神经网络;然后,利用k-means算法对生成的RBF神经网络进行聚类,并筛选出各类中精度较高的神经网络;最后,通过简单平均法对筛选出的神经网络进行集成,得到高性能的k-means-RBF集成神经网络模型.为验证模型有效性,搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证.结果表明,与粒子群算法优化后的Back Propagation(PSO-BP)神经网络模型相比,k-means-RBF集成神经网络模型的平均预测精度提高78.27%,收敛时间节省99.65%.
- 刘萍龚雪飞简家文张帆陈志芸
- 关键词：径向基函数神经网络K-MEANS算法
- 基于计算机视觉和非参数估计的蟹苗数量估算方法研究被引量：2
- 2016年
- 养殖池内蟹苗的数量估计在蟹苗养殖中有着重要意义.但现有的数量估计方法操作复杂且实用性不强,因此提出一种基于计算机视觉和非参数估计的蟹苗数量估算方法.首先在养殖池内分水层采集视频,通过背景建模得到前景图像,并使用分水岭算法和轮廓提取得到视频中的蟹苗数量,并作为样本数据,然后通过核密度估计得出概率密度函数,最后结合该函数和样本数据估算出池内蟹苗数量.结果表明,该方法对于容积约为1000L、蟹苗密度100～160只/L的小型蟹苗养殖池,估算蟹苗数量的平均正确率为82.14%.研究表明,采用该方法不仅可以解决采集视频过程的操作繁琐、幼苗转移的问题,而且能够避免图像处理过程中部分背景杂质的干扰.该方法还可以推广到虾苗和鱼苗等生物的幼苗估计,具有良好的通用性和可行性.
- 张帆徐建瑜
- 关键词：蟹苗图像处理核密度估计
- PPB级锆基安培型NO气体传感器性能的研究被引量：1
- 2015年
- 采用丝网印刷技术制备了以In2O3为敏感电极的锆基安培型三电极NO传感器用以探测10-9级NO气体。用X射线衍射仪（XRD）和扫描电镜（SEM）对该传感器进行了理化分析;通过测量其在不同温度和不同NO浓度的气氛中的伏安特性曲线和时间响应曲线,研究了传感器的电流输出信号和NO浓度的关系以及时间响应特性。实验表明：在350℃~500℃测试温度范围内,极化电压为-60 m V,NO浓度变化为0~900×10-9时传感器响应电流的变化值Δcurrent和NO浓度之间存在较好的线性关系并且传感器在400℃时响应值最大。在被测气体总流量为100 cm3/min时,传感器信号90%的响应和恢复时间分别为18 s和12 s。传感器信号不受CO2浓度变化的影响,传感器的响应信号在测试时间里具有较好短期稳定性,但长期稳定性有待进一步提高。本文还采用阻抗谱分析方法对传感器的响应机理进行了初步的探索。
- 朱卫学金涵朱丽娜张帆简家文
- 基于氮氧传感器的NO_x气体测量仪设计被引量：2
- 2015年
- 针对工业燃烧环境,以NGK车用通用氮氧（Uni NOx）传感器为检测元件,C8051f040单片机为微控制器,采用SAE—J—1939协议作为CAN通信标准,设计了一种NOx气体测量仪。通过实验模拟工业燃烧的NOx气体环境,对测量仪的性能进行了实验验证和相应的理论分析。研究结果显示：该测量仪可用于温度为0~750℃、范围为（0~1000）×10^-6的不同NOx气体体积分数测量,测量误差控制在5.7%以内,并且受温度影响较小,满足工业燃烧环境中NOx检测的要求,实现了车用传感器向工业现场的应用移植。
- 徐景龚雪飞张帆简家文
- 关键词：微控制器测量仪
- 基于广域氧传感器的λ分析仪设计被引量：1
- 2016年
- 以广域氧(UEGO)传感器为敏感元件,STM32f407为核心处理器,开展了一种λ分析仪的设计。详细介绍了UEGO传感器测量原理,推导了UEGO传感器的极限电流对空燃比的理论公式。设计了传感器信号检测与处理、工作温度控制、LCD显示等硬件电路,完成了λ分析仪的硬件设计。结合推导公式和硬件电路编写相应的软件驱动程序,传感器工作温度控制过程中引入PID控制算法,使得温度控制性能得到了优化,空燃比值更加精确。
- 张帆谢建军刘萍简家文
- 关键词：空燃比PID控制STM32
- 基于图像特征与竞争型神经网络的蟹苗密度估计被引量：2
- 2017年
- 蟹苗的密度估计在蟹苗养殖中有着重要的意义。但现有的基于图像处理的密度估计算法不能对蟹苗图像进行准确地密度估计,因此提出一种基于图像特征与竞争型神经网络的蟹苗密度估计算法。首先引入背景建模与噪声处理得到前景图像像素数;然后使用阈值区分高密度图像和低密度图像;最后对阈值上下图像分别采用基于全局特征的密度等级分类算法和基于局部特征的线性回归算法。其中蟹苗图像的密度等级由竞争型神经网络进行划分和判断。实验结果表明正确率可达到93.95%。
- 张帆徐建瑜
- 关键词：纹理特征
