基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

结合正交控制与相位检测的MEMS陀螺模态匹配方法

针对现有基于相位或正交幅度的模态匹配方法没有考虑正交位移过大的问题,提出一种结合正交控制与相位检测的模态自动匹配方法。首先,根据静态情况下陀螺敏感模态的正交力输入和正交位移输出的相位差信息,通过闭环控制调谐电压来实现模态匹配。同时,引入了正交控制环路,将正交位移控制在一个幅度较小且稳定的振动状态,从而提高匹配准确性,避免了高Q值陀螺在模态匹配时由于正交位移过大导致陀螺振乱的现象。最后,通过FPGA实现该控制系统,并进行了对比实验。实验结果表明,对于所采用的角振动陀螺,相比传统相位检测方法,该方法在确定调谐电压准确性方面提高了约60倍。     

一种硅MEMS陀螺谐振频率与Q值的快速测量方法

为了解决平板电极硅微机电系统(MEMS)陀螺谐振频率和Q值的快速测定问题,提出一种基于阶跃激励余振分析的振动特性参数测量方法。首先,利用平板电容电极的吸合效应,提出一种直流阶跃激励方法,使陀螺振子产生较大初始位移的余振信号。然后,结合FFT和Morlet复小波变换对余振信号进行高分辨率频谱分析,获得谐振频率。接着,对余振信号进行Hilbert变换以提取包络线,通过最小二乘指数拟合获得阻尼系数,从而得到Q值。仿真测试表明,该方法能够精确地获得特性参数,相对误差达到了10-5量级。在角振动陀螺上的实验表明,该方法与扫频法获得的结果基本一致,且有效缩短了测试时间。