基于深度学习的散射参数用于液压缸位置检测
摘要：液压缸活塞的位置检测对于许多工业自动化应用至关重要。传统的方法是在液压缸结构中激发电磁波，并根据传感器测得的散射参数解析求解活塞位置。这种方法的核心是一个物理模型，它描述了测得的散射参数与目标活塞位置之间的关系。然而，这个物理模型在精确性和适应性方面存在缺陷，尤其是在极端条件下。为了解决这些限制，我们提出了基于机器学习和深度学习的方法，以数据驱动的方式直接学习这种关系。结果显示，本文中的所有深度学习模型均表现出比物理模型更好的性能。我们进一步根据领域知识对模型的选择进行了讨论，并将模型性能与实际物理特性进行了深入分析。具体来说，我们使用卷积神经网络(CNN)来发现输入在相邻频率之间的局部相互作用，应用复值神经网络(CVNN)来利用电磁散射参数的复值特性，并引入一种名为频率编码的新技术，将加权频率信息添加到模型输入中。这些技术的组合产生了我们性能最佳的模型，即具有频率编码的复值卷积神经网络，其在精确性方面显示出显著的改进，误差降低了1/12，相比传统物理模型。
作者：Chen Xin, Thomas Motz, Wolfgang Fuhl, Andreas Hartel, Enkelejda Kasneci
论文ID：2209.01010
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-03