در حوزه اندازهگیری صنعتی، کنترل، و سیستمهای هوشمند-فراتر از رویکرد اصلی "جدول جستجو همراه با درونیابی خطی"-آرایه متنوعی از الگوریتمهای جبران نرمافزاری رایج وجود دارد. اینها شامل برازش چند جمله ای، فیلتر تطبیقی، فیلتر کالمن، جبران شبکه عصبی، جبران خطی تکه ای، الگوریتم حداقل مربعات میانگین (LMS)، جبران ادغام کولمبی نرم افزار، و الگوریتم های جبران از دست دادن بسته ها (مانند AliPLC) و غیره است.
I. سناریوهای با دقت بالا و غیرخطی: برازش چند جمله ای
اصل: بر اساس روش حداقل مربعات، این تکنیک رابطه غیرخطی بین خروجی حسگر و مقدار واقعی آن را در تابع چند جملهای مرتبه اول- مرتبه دوم، مرتبه دوم یا بالاتر- قرار میدهد.
مزایا: دقت بالا و ردپای حافظه کم را ارائه میکند، که برای جبران غیرخطی در محدودههای وسیع دما{0}}مانند اندازهگیری دما و فشار مناسب است.
کاربردها: در سنسورهای فشار هوشمند و سطح سنج های اولتراسونیک، درون یابی اسپلاین مکعبی برای حفظ خطاهای اندازه گیری در محدوده 0.03 متر بر ثانیه در محدوده دمایی 50- درجه تا 120 درجه استفاده می شود.
II. سیستم های پویا و سرکوب نویز: فیلتر تطبیقی و الگوریتم LMS
فیلتر تطبیقی: پارامترهای فیلتر را در{0}زمان واقعی بر اساس سیگنال ورودی تنظیم میکند و آن را برای سناریوهایی که با شرایط محیطی به سرعت در حال تغییر مشخص میشوند، مناسب میسازد.
سناریوی کاربردی: جبران تاخیرهای صوتی و کاهش نویز در سیستمهای صوتی-خودرو.
الگوریتم حداقل میانگین مربعات (LMS): خطاهای خروجی را از طریق یک فرآیند بهینه سازی تکراری به حداقل می رساند. اغلب برای افزایش سیگنال و لغو اکو استفاده می شود.
ویژگی ها: به منابع محاسباتی متوسطی نیاز دارد، که آن را برای پردازش زمان واقعی در سیستم های تعبیه شده-به خوبی مناسب می کند.
III. تخمین حالت و ترکیب داده ها: فیلتر کالمن
اصل: به صورت بازگشتی وضعیت یک سیستم را با ادغام دادهها از منابع متعدد (مثلاً شتابسنجها و ژیروسکوپها) تخمین میزند، در نتیجه به طور مؤثر نویز و رانش دینامیکی را سرکوب میکند.
مزایا: قادر به ارائه تخمین وضعیت پایدار حتی در حضور نویز اندازه گیری و اختلالات فرآیند است.
برنامه های کاربردی:
تخمین وضعیت شارژ (SOC) در سیستم های مدیریت باتری (BMS) با ترکیب داده های یکپارچه سازی فعلی با خوانش دما.
جبران سوگیری صفر ژیروسکوپ-در هنگام تعیین وضعیت در وسایل نقلیه هوایی بدون سرنشین (UAV).
IV. مدلسازی غیرخطی پیچیده: شبکه های عصبی و یادگیری عمیق
اصل: از مدلهایی مانند شبکههای عصبی پس انتشار (BP) و شبکههای حافظه کوتاه مدت (LSTM)- برای یادگیری روابط نگاشت پیچیده بین سیگنالهای ورودی و خطاهای مرتبط با آنها استفاده میکند.
مزایا: توانایی مدیریت سیستم های غیرخطی قوی که توصیف آنها با استفاده از مدل های ریاضی سنتی دشوار است.
برنامه های کاربردی:
استفاده از شبکه های LSTM برای جبران نرم در بررسی های هوا مغناطیسی برای افزایش تعمیم پذیری در طول ماموریت های پروازی طولانی.
پیادهسازی جبران تطبیقی برای ژیروسکوپهای تلفن هوشمند از طریق مدل درجه حرارت-تا{1}}صفر-، تثبیت دقت ناوبری در حاشیه ۲ متری.
V. روش های مهندسی عملی: درون یابی خطی و تکه ای
اصل: دما یا محدوده ورودی به بازههای متعددی تقسیم میشود که هر بازه به طور مستقل با استفاده از یک تابع خطی یا یک چند جملهای مرتب{0}پایین برازش میکند.
مزایا: دقت بالاتری نسبت به درونیابی خطی سراسری ارائه میکند در حالی که به تلاش محاسباتی کمتری نسبت به چندجملهای- مرتبه بالا نیاز دارد.
کاربردها: تقریب تکه ای منحنی های خروجی سنسور در دماسنج های مادون قرمز برای بهبود ثبات اندازه گیری دما.
VI. الگوریتم های تخصصی برای دامنه های خاص
|
الگوریتم |
دامنه |
عملکرد اصلی |
|
AliPLC (غرامت هوشمند از دست دادن بسته) |
ارتباطات صوتی شبکه |
بستههای صوتی از دست رفته را با استفاده از شبکههای متخاصم مولد (GAN) بازسازی میکند تا به بازیابی صدای-تأخیر پایین- با کیفیت بالا دست یابد. |
|
یکپارچه سازی نرم افزار Coulomb (SOC_BY_SW_FG) |
مدیریت باتری |
ظرفیت شارژ را از طریق{0}}ادغام زمانی فعلی محاسبه میکند و برای کاهش هزینهها، یکپارچهکنندههای سختافزار را جایگزین میکند. |
|
الگوریتم جبران مخروطی |
سیستم های ناوبری اینرسی Strapdown |
برای افزایش دقت ناوبری موشک، خطاهای بردار چرخش ژیروسکوپ را در شرایط پویا{0} بالا تصحیح می کند. |
توصیه های انتخاب:
برای سیستمهای محدود{0}}منابع (مانند میکروکنترلرها): رویکرد "جدول جستجو + درون یابی خطی" را اولویت بندی کنید.
برای اندازهگیریهای استاتیکی با دقت بالا{0}: روشهای «چند جملهای برازش» یا «خطی تکهای» را انتخاب کنید.
برای سیستمهای پویا و نویز بالا: از «فیلتر کالمن» یا «فیلتر تطبیقی» استفاده کنید.
برای سناریوهای پیچیده غیرخطی یا آموزش پذیر: راه حل های "شبکه عصبی" را کاوش کنید.
