基于COA-GRU的低成本气体传感器数据修正方法.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 3 期基金项目:国家重点研发计划资助项目(51875270);江苏省科技项目(BY2020031)收稿日期:2023-06-12基于 COA-GRU 的低成本气体传感器数据修正方法李炳伟,叶树霞,齐 亮,张永韡,冯 锦,陈宇霆江苏科技大学自动化学院 摘要:针对低成本气体传感器在受到温度、湿度、压力、气体交叉干扰等影响时检测精度低的问题,提出了一种长鼻浣熊-门控循环单元神经网络(COA-GRU)的修正模型,用于提高传感器检测精度。首先,根据低成本传感器的非线性特性构建了 GRU 修正模型;其次,利用 COA 算法解决修正模型的多局部极值以及参数组合寻优问题;最后,利用低成本传感器组以及 H200D 气体检测装置的实测数据对该方法进行了仿真实验。结果表明,使用 COA-GRU 修正模型后,SO2、CO、NO2、CO2传感器的平均绝对误差分别降低了 72.0%、28.4%、29.6%、13.5%,能够有效提高低成本传感器的检测精度。关键词:气体传感器;长鼻浣熊门控循环单元;修正模型;检测精度中图分类号:TP274 文献标识码:AData Correction Method for Low-cost Gas Sensors Based onCOA-GRU AlgorithmLI Bingwei,YE Shuxia,QI Liang,ZHANG Yongwei,FENG Jin,CHEN YutingCollege of Automation,Jiangsu University of Science and TechnologyAbstract:This paper proposed a correction model based on coati optimization algorithm-gated recurrent unit(COA-GRU)to improve the sensor detection accuracy and to address the low detection accuracy issue of low-cost gas sensors caused by factors such as temperature,humidity,pressure,and gas cross-interference.Firstly,a GRU correction model was constructed based on the non-linear characteristics of low-cost sensors.Secondly,the COA algorithm was utilized to solve the problems of multiple local ex-trema and parameter combination optimization in the correction model.Finally,simulation experiments were conducted using real data obtained from a group of low-cost sensors and the H200D gas detection device.The results show that after using the COA-GRU correction model,the average absolute errors of SO2,CO,NO2,and CO2 sensors were reduced by 72.0%,28.4%,29.6%,and 13.5%,respectively,which can effectively improve the detection accuracy of low-cost sensors.Keywords:gas sensors;coati optimization algorithm-gated recurrent unit;corrected model;detection accuracy0 引言低成本气体传感器已经广泛应用于环保、自动化等领域,然而由于其设计和制造的固有限制,存在灵敏度低、准确度不高等缺陷。这些问题严重影响了传感器检测数据的可靠性与精度,特别是需要高精度气体浓度检测的应用场景。检测环境的干扰会造成传感器特性点产生漂移,从而导致测量结果偏离理想值,形成非线性特性。由于传感器设计方案所导致的非线性误差是在出厂前就已经存在的,无法对其进行优化处理1。因此,环境干扰是导致传感器测量结果精度下降的主要因素,对环境干扰下的传感器进行数据修正是提高传感器精度的常用方法。在气体传感器的数据修正方面,文献2采用深度学习的方法对非色散红外单通道 CO2传感器进行快速标定校准。文献3采用多元线性回归和随机森林方法建立校准模型,对 CO、NO2、O3传感器进行校准。文献4采用多元线性回归分析环境变量的确定系数对低成本 CO2传感器进行校准。文献5基于监督学习技术开发了低成本 CO、NO2、SO2、O3传感器的现场校正系统。文献6采用 RBF 神经网络技术拟合非线性连续函数,解决了传感器在温度、湿度、灰尘的长期影响下导致输出误差过大的问题。文献7分析了温度、湿度对低成本传感器的影响,基于线性分析开发了校准模型对低成本 PM 传感器进行校准。文献8采用两步校准方法对低成本传感器进行校准。文献9分析了温度、湿度对低成本 SO2、CO、NO2传感器的影响并对传感器进行修正。文献10对传感器021 第 3 期李炳伟等:基于 COA-GRU 的低成本气体传感器数据修正方法 阵列进行了多变量的校准和验证。文献11 采用PSO-BP 神经网络训练传感器数据,实现了实时修正传感器数据的功能。文献12提出一种多项式拟合与基于粒子群优化的 BP 神经网络相结合的非线性校正方法。针对低成本气体传感器受环境干扰导致检测精度低的问题,本文提出一种 COA-GRU 神经网络模型用于修正温度、湿度、压力对低成本气体传感器检测精度的影响,提高传感器检测数据的可靠性和精度。1 基于门控循环单元的传感器数据修正模型门控循环单元(gated recurrent unit,GRU)是一种简化版的长短期记忆网络(long short-term memory,LSTM),能够解决循环神经网络中存在的梯度消失、梯度爆炸等问题13,可以用来构建传感器的数据修正模型。GRU 神经元包括重置门和更新门两个门结构。GRU 神经网络的神经元结构如图 1 所示:图 1 GRU 神经网络的神经元结构1.1 更新门zs=(Wzhs-1,xs+bz)(1)式中:zs为更新门;Wz和 bz分别为权重参数和偏执值;xs和 hs-1分别为 s 时刻的网络输入和 s-1 时刻的网络输出;为激活函数zs用于确定最终输出的隐藏状态 hs中候选隐藏状态hs和历史状态 hs-1的重要程度。zs的值越大说明传递的信息越多。1.2 重置门rs=(Wrhs-1,xs+br)(2)式中:rs为重置门;Wr和 br分别为权重参数和偏执值。rs用于确定历史状态 hs-1影响隐藏状态hs的程度。rs越小说明遗忘的信息越多。1.3 候选隐藏状态hs=tanh(Wcrshs-1,xs+bc)(3)式中:hs为候选隐藏状态,主要用于记忆短期的时间相关性;tanh 为激活函数;Wc和 bc分别为权重参数和偏执值;表示矩阵中对应元素相乘,即 Hadamard积。1.4 输出隐藏状态hs=(1-zs)hs-1+zshs(4)式中 hs为输出隐藏状态。把最新的输出隐藏状态进行线性变换,生成输出值。本文使用门控循环单元神经网络,利用大量数据训练出传感器修正模型后,对传感器数据进行修正。传感器非线性模型如图 2 所示。图 2 传感器模块非线性模型传感器模型方程为y=f(x,1,2,3)+w(5)式中:y 为传感器输出的检测值;x 为实际环境中的待测气体;1、2、3表示环境变量即温度、湿度、压力;w为传感器系统受到的干扰噪声。假设函数 f(x,1,2,3)是一个未知的复杂函数,其与传感器特性以及环境因素有关。根据传感器特性,可以得出在给定环境变量 1、2、3的情况下,函数 x 和 y 之间存在一种复杂的对应关系。因此,可以推断出一种特殊的函数 y=g(f(x,1,2,3),即寻求一个函数 g,使得经过修正的传感器的输出数据可以准确地反映所测气体浓度的大小,其校正原理如图 3所示:图 3 传感器校正原理GRU 神经网络可以被认为一个黑盒,这个黑盒就是函数 g,将环境参数(温度、湿度、压力)以及检测的气体浓度作为 GRU 神经网络的输入,将气体真实浓度作为输出。GRU 神经网络通过大量数据训练,建立待测气体与其环境变量之间的非线性黑盒模型,以此来修正传感器检测数据。2 基于长鼻浣熊算法的修正模型优化影响 GRU 神经网络模型训练效果的关键参数主要有学习率(learning rate)、隐藏层神经元(hidden layer neurons)节点数和正则化系数(regularizaiton)等。其中,学习率控制模型更新方向与收敛速度,隐含层121 仪 表 技 术 与 传 感 器第 3 期神经元个数决定模型的非线性拟合能力,正则化系数主要防止模拟过拟合。选取合适的 GRU 网络的超参数可以使得模型快速收敛,提高学习的性能和效果。但是 GRU 神经网络的超参数往往难以确定,不同超参数的选取对训练结果会造成很大的影响,还有可能出现多局部极值的问题。由于长鼻浣熊优化算法(coati optimization algorithm,COA)具有良好的全局寻优能力和收敛速度,于是引入 COA 对 GRU 神经网络进行优化,解决 GRU 神经网络初始参数选择不准确,导致训练模型收敛速度慢和效果不佳的问题。长鼻浣熊优化算法由 M.Dehghani 提出,是一种用于全局搜索和局部搜索最优值的改进算法14。该算法起源于模拟浣熊群攻击蜥蜴策略和躲避捕食者机制的 2 种自然行为。COA 对浣熊 2 种自然行为进行建模,浣熊被认为是该算法的群体成员,每个浣熊在搜索空间中的位置决定了决策变量的值,2 种自然行为可认为是 2 个阶段。第 1 阶段模拟浣熊群攻击蜥蜴时的策略,在搜索空间中更新种群。在这一策略中,一群浣熊爬上树去围剿一只蜥蜴并吓唬它。其他浣熊在树下等待,直到蜥蜴从树上摔落。蜥蜴摔倒在地后,地上浣熊攻击并追捕它。这种策略使浣熊在搜索空间中移动到不同的位置,这表明了 COA 在解决空间问题中全局搜索的探索能力。第2 阶段是基于浣熊遇到捕食者和逃离捕食者时的机制更新浣熊在搜索空间中的位置。当捕食者攻击一只浣熊时,它会从自己的位置逃跑。浣熊在此策略中使当前位置接近于安全位置,这表明了 COA 在局部搜索中的开发能力。COA 在全局和局部层面扫描搜索空间的能力较高,并且在识别出主要最优区域后,可以以很高的收敛速度得到最优解。COA 寻找最优解过程如下:随机初始化浣熊群在搜索空间中的位置:Xi xi,j=lbj+r(ubj-lbj)(6)式中:Xi为第 i 个浣熊在搜索空间的位置,i=1,2,N;xi,j为第 j 个决策变量的值,j=1,2,m;N 为浣熊种群的数量;m 为决策变量的数量;r 为0,1的随机实数;ubj和 lbj分别为决策变量的上限和下限。浣熊群矩阵用式(7)表示:X=X1XiXNNm=x1,1x1,jx1,mxi,1xi,jxi,mxN,1xN,jxN,mNm(7)候选解在决策变量中的位置不同,对问题目标函数值的评估也不同,其值用式(8)表示:F=F1FiFNN1=F(X1)F(Xi)F(XN)N1(8)式中:F 为获得目标函数的向量;Fi为第 i 个浣熊获得的目标函数值。2.1 狩猎和攻击蜥蜴的策略(探索阶段)浣熊在树上往上爬的位置用式(9)表示:XP1i xP1i,j=xi,j+r(Igj-Ixi,j),i=1,2,N2(9)式中:XP1i为计算第 i 个浣熊的新位置;xP1i,j为新位置的j 维数;I 为随机整数,I1,2;Igj为蜥蜴在搜索空间中的位置即最优解的位置,j 是维数。地面上的浣熊在搜索空间中移动搜寻掉落在地上随机位置的蜥蜴可用式(10)、式(11)表示:IgG IgGj=lbj+r(ubj-lbj)XP1i xP1i,j=xi,j+r(IgGj-Ixi,j)FGIgFixi,j+r(xi,j-IgGj)其他i=N2+1,N2+2,Nj=1,2,m(11)式中:I 为从集合1,2中随机选择的整数;IgG表示蜥蜴在地面上随机生成的位置;IgGj为生成位置的 j 维数;FGIg为目标函数的值;是最大整数函数。判断是否更新浣熊位置:Xi=XP1i FP1iFiXi 其他(12)2.2 逃离捕食者的过程(开发阶段)在每个浣熊所在位置的附近生成随机位置,用式(13)、式(14)表示:lblocalj=lbjt,ublocalj=ubjt,t=1,2,T(13)XP2i xP2i,j=xi,j+(1-2r)(lblocalj+r(ublocalj-lblocalj)(14)式中:XP2i为 i 个浣熊在 COA 第 2 阶段计算的新位置;xP2i,j为新位置的 j 维数;t 为迭代计数器;ublocalj和 lblocalj分别为第 j 个决策变量局部上限和局部下限。221 第 3 期李炳伟等:基于 COA-GRU 的低成本气体传感器数据修正方法 式(15)为选择生成位置:Xi=XP2i FP2iFiXi 其他(15)式中 FP2i为目标函数。如果新生成位置提高了目标函数的值,则更新浣熊的位置。根据第 1 阶段和第 2 阶段更新搜索空间中所有浣熊的位置后,COA 的迭代完成。根据式(9)式(15)重复更新种群,直到算法的最后一次迭代。COA 运行完成后,将所有算法迭代期间获得的最优解作为输出。本文提出了一种新的组合模型 COA-GRU 对传感器数据进行修正,将 COA 的最优解赋值给 GRU 神经网络的超参数。COA-GRU 的优化流程图如图 4 所示。图 4 COA-GRU 优化流程图3 实验与结果分析3.1 实验环境与数据来源3.1.1 实验环境本文实验均在 64 位的 Windows10 操作系统下完成,平台基于 C+的 MatlabR2022b,计算机 CPU 为11th Gen Intel CoreTMi5-11400H,GPU 为 NVIDIA GeForce RTX 3050,内存为 16 GB。3.1.2 数据来源本文采用的 SO2、CO、NO2、CO2低成本气体传感器组的型号分别为 PR-3002-SO2、MQ-7、Figaro-TGS2600、JX-CO2-102,检测精度分别为5%FS、10FS、10FS、5%FS。为了建立实际应用中环境参数对传感器影响的模型,获得更加准确的传感器修正数据,本文将传感器组置于镇江港 4003 拖轮船已安装的 H200D 气体检测装置的检测室内。传感器组与 H200D 气体检测仪器共用一个气体预处理装置和检测室,每 min 记录 1 次环境参数和气体浓度,并使用 H200D 气体检测装置测得的数据作为参比数据。H200D 气体检测装置检测精度小于2%FS,分辨率为0.01 ppm(1 ppm=10-6),测得的气体浓度可认为气体的真实浓度。记录 8.5 h,共 500 组数据,其中 80%作为训练集,20%作为测试集。实验装置如图 5 所示。(a)低成本传感器组(b)H200D 气体检测装置图 5 实验装置3.1.2.1 参数设置本文以检测室的压力、气体温度、湿度、原始气体浓度数据作为 COA-GRU 网络的输入,H200D 设备测得的气体浓度作为输出,对 COA-GRU 修正模型进行训练。GRU 网络的重置门和更新门选择 Sigmoid 函数作为激活函数。生成候选隐藏状态时使用 tanh 函数作为激活函数。全连续层中采用 Relu 函数作为激活函数。将均方根误差(RMSE)设为损失函数。设置 COA 初始的浣熊种群成员数量为 50,算法迭代次数为 30。COA-GRU 网络训练参数设置如表 1所示。表 1 COA-GRU 网络训练参数设置参数名称参数设置COA 种群数50COA 迭代次数30损失函数均方根误差优化算法Adam 函数3.1.2.2 数据归一化在 COA-GRU 对传感器数据进行修正前,首先对测得的数据进行归一化处理,数据归一化处理是为了提高模型的收敛速度,避免不同指标数值区间的差异性,消除不同量纲对修正结果的影响。本文采用mapmaxmin 函数对各影响因素下的检测数据进行归一化处理,经处理后的指标数值按固定比例缩放至0,1范围内,数据归一化公式为y=(ymax-ymin)(x-xmin)xmax-xmin+ymin(16)321 仪 表 技 术 与 传 感 器第 3 期式中:y 为各影响因素下气体浓度归一化的值;xmin和xmax分别为 y 对应的最大值和最小值;ymin和 ymax分别为 xmin和 xmax归一化后对应的最大值和最小值;x 为各影响因素下的气体浓度值。本文选择 Adam 算法更新修正模型中的权重。虽然 Adam 优化算法可以自适应地调整学习率,但训练修正模型具有一定的随机性,并且在更新权重时使用了动量和自适应学习率等技术,从而造成其搜索空间较为广泛,可能导致出现多个局部极值的问题。为了判断修正模型是否存在多个局部极值的问题,验证 COA 优化 GRU 神经网络的必要性。选择500 组环境参数数据以及 SO2浓度数据作为训练数据集,其中 70%作为训练集,30%作为测试集。随后设置超参数的搜索范围,其中学习率0.001,0.05、隐藏层数10,100、正则化系数0.001,0.01。使用不同的超参数组合训练 GRU 神经网络,并记录每个超参数组合的均方根误差。最后,将参数组合绘制成三维图表,其中横轴表示隐藏层数,纵轴表示学习率,深度轴表示正则化系数,点的颜色表示均方根误差的大小。超参数三维图如图 6 所示:图 6 超参数三维图由图 6 可知,超参数三维图中颜色最深的点存在多处且比较分散,可以得出 GRU 神经网络修正模型存在多局部极值的问题。所以本文有必要采用 COA 优化算法在全局范围内寻找最佳参数组合,从而提高数据修正模型的性能和准确性。3.2 实验结果分析COA 优化的 GRU 网络的适应度值随迭代次数变化如图 7 所示:由图 7 得出,COA 优化的适应度值随着迭代次数增加而逐渐降低,最后趋于平稳状态,说明 COA-GRU模型的训练效果较好,COA 优化后的 GRU 神经网络具有更快的收敛速度、更好的学习效果和性能。选取 PR-3002-SO2与 H200D 同时间段对 SO2检测图 7 适应度值浓度作为验证数据来测试 COA-GRU 修正模型效果,同时判断是否存在过拟合问题。部分测试结果如图8所示。图 8 COA-GRU 网络修正结果由图 8 可以得出,经过修正的测量值更接近H200D 的检测值。以 H200D 的测量值为真实参考值,测试集绝对误差曲线如图 9 所示。图 9 测试集绝对误差曲线图由图 9 可以得出,修正后的绝对误差基本小于测量值的绝对误差,可以得出经过 COA-GRU 模型对传感器数据进行修正可以提高对 SO2的检测精度。本文采用决定系数(R2)、均方根误差、平均绝对误差421 第 3 期李炳伟等:基于 COA-GRU 的低成本气体传感器数据修正方法(MAE)与平均绝对百分比误差(MAPE)来量化评估COA-GRU 模型的修正性能。不同算法对 SO2修正的效果如表 2 所示。表 2 SO2修正精度对比修正模型R2RMSEMAEMAPE/%测量值0.60310.558118.41GRU0.66610.23410.21565.74LSTM0.67340.24180.22616.48PSO-GRU0.67110.23150.19076.14COA-LSTM0.67890.20880.16655.31COA-GRU0.68190.19170.15395.17 由表 2 可知,PR-3002-SO2 传感器的原始测量值均方根误差远大于修正值均方根误差,修正后的平均绝对误差相比于测量值减少 72%,均方根误差减少了68%,平均绝对百分比误差减少了 72%。COA-GRU模型在均方根误差、平均绝对误差、平均百分比误差上小于任何一个修正模型。为了验证 COA-GRU 对其他气体的修正效果,分别对 CO、NO2、CO2的浓度、烟气参数历史数据进行训练,训练后的各气体传感器数据修正模型测试结果如图 10 所示。从图 10 可以得出,COA-GRU 修正模型对各类气体传感器数据的修正值相较于测量值更加接近H200D 烟气检测装置的值,修正曲线比传感器测量曲线更接近 H200D 检测曲线。说明 COA-GRU 修正模型在对传感器数据修正方面具有较好的效果和较强的普遍适用性。为了更加直观地分析 COA-GRU 修正模型在 CO、NO2、CO2传感器数据修正效果,依旧采用决定系数、均方根误差、平均绝对误差与平均绝对百分比误差评估修正模型的效果,结果如表 3 所示。由表 3 可以得出,基于 COA 优化的 GRU 神经网络的修正模型对 CO、NO2、CO2传感器数据修正的均方根误差均小于测量值的均方根误差,平均绝对误差相比于测量值分别降低了 28.4%、29.6%、13.5%,平均绝对百分比误差相比于测量值分别降低了 27.9%、46.3%、17.8%。COA-GRU 模型的修正值与 H200D检测值的误差均小于 PSO-GRU 修正模型以及原始的GRU 和 LSTM 模型。实验结果表明经过大量数据训练后的 COA-GRU 网络修正模型对 SO2、CO、NO2、CO2传感器检测的数据有良好的修正效果。(a)CO 修正结果(b)NO2修正结果(c)CO2修正结果图 10 各类气体传感器数据修正结果4 结束语本文提出了一种基于 COA-GRU 的传感器数据修正方法,用于提高低成本气体传感器检测精度。实验结果表明,COA 算法可以有效提高 GRU 修正模型的学习性能和效率。在 COA-GRU 数据修正模型的处理下,SO2、CO、NO2、CO2检测浓度的平均绝对误差分别降低了 72.0%、28.4%、29.6%、13.5%,该方法可以显著提高低成本气体传感器的检测精度,具有较强的可操作性,可应用于工业生产与环境监测等领域。521 仪 表 技 术 与 传 感 器第 3 期表 3 各类气体传感器数据修正结果对比气体类型修正模型R2RMSEMAEMAPE/%CO测量值1.1120.9092.8GRU0.8610.8510.7222.3LSTM0.8650.8590.7282.4PSO-GRU0.8730.7910.6692.1COA-GRU0.8710.7670.6532.1NO2测量值0.1760.1522.9GRU0.5420.1510.1311.7LSTM0.5420.1570.1321.8PSO-GRU0.5610.1490.1131.6COA-GRU0.5590.1480.1071.5CO2测量值48.66440.1922.6GRU0.89544.13637.1252.3LSTM0.89944.94437.5812.4PSO-GRU0.90941.82435.1242.2COA-GRU0.90841.40934.7632.1参考文献:1 贾克斌,王彦明,杨加春,等.基于神经网络的气压传感器非线性校正J.北京工业大学学报,2021,47(1):9-40.2 MAO K,XU J,JIN R,et al.A fast calibration algorithm for non-dispersiveiInfrared single channel carbon dioxide sensor based on deep learning J.Computer Communications,2021,179:82-175.3 IONASCU M E,CASTELL N,BONCALO O,et al.Calibration of CO,NO2,and O3 using airify:a low-cost sensor cluster for Air quality monitoring J.sensors,2021,21(23):10-33.4MARTIN C R,ZENG N,KARION A,et al.Evaluation and environmental correction of ambient CO2 measurements from a low-cost NDIR sensor J.Atmos Meas Tech,2017,10(7):95-2383.5 CUI H,ZHANG L,LI W,et al.A new calibration system for low-cost sensor network in air pollution monitoring J.At-mospheric Pollution Research,2021,12(5):101049.6 BOWEN W.Research on nonlinear calibration of mine cata-lytic-combustion-based combustible-gas sensor based on RBF neural network J.Heliyon,2023,9(3):14055.7 AMOAH N A,XU G,KUMAR A R,et al.Calibration of low-cost particulate matter sensors for coal dust monitoring J.Science of the Total Environment,2023,859:160336.8 S J P,CHOJER H,BRANCO P T B S,et al.Two step cali-bration method for ozone low-cost sensor:Field experiences with the urbansense DCUs J.Journal of Environmental Management,2023,328:897-910.9 GAMBOA V S,KINAST J,PIRES M.System for perfor-mance evaluation and calibration of low-cost gas sensors ap-plied to air quality monitoring J.Atmospheric Pollution Research,2023,14(2):101645.10 SOLRZANO A,EICHMANN J,FERNNDEZ L,et al.Ear-ly fire detection based on gas sensor arrays:Multivariate calibration and validation J.Sensors and Actuators B:Chemical,2022,35(2):13-61.11WEI R,OUYANG K,BAO X,et al.High-precision smart calibration system for temperature sensors J.Sensors and Actuators A:Physical,2019,29(7):15-61.12 YUE Y L,XU S J,ZUO X.Nonlinear correction method of pressure sensor based on data fusion J.Measurement,2022,19(9):11-33.13 刘建伟,宋志妍.循环神经网络研究综述J.控制与决策,2022,37(11):2753.14 DEHGHANI M,MONTAZERI Z,TROJOVSK E,et al.Co-ati optimization algorithm:a new bio-inspired metaheuristic algorithm for solving optimization problems J.Know-ledge-Based Systems,2023,25(9):11011.作者简介:李炳伟(1996),硕士研究生,主要研究方向为先进控制技术与应用。E-mail:1533103646 通信作者:齐亮(1980),教授,主要研究方向为船舶综合控制及保障。E-mail:alfred_02030210 (上接第 74 页)参考文献:1段梦月,赵宏亮.微型 CMOS 图像采集存储系统设计J.仪表技术与传感器,2021(9):78-81;86.2 张媚,杜辉,关晖,等.基于 TLK2711 的遥感卫星高速串行载荷数据接口设计J.航天器工程,2015,24(6):13-19.3 王红亮,和爽.基于 FPGA 的 JESD204B-光纤传输接口转换器设计J.仪表技术与传感器,2020(12):110-113.4 陈洋君,吴志勇,崔明,等.基于 MAX9259/MAX9260 的CameraLink 图像数据光纤传输技术 J.中国光学,2018,11(6):1017-1023.5 王永康,顾晓东.基于 FPGA 的星载图像实时处理系统设计J.电子设计工程,2015(3):179-182.6 刘明辉,周刚,陆爱杰,等.一种高精度多路信号采集系统的设计J.国外电子测量技术,2018,37(2):100-104.7 余达,刘金国,徐东,等.多路基于 TLK2711 高速串行图像数据的传输系统J.液晶与显示,2017,32(10):815-821.8 王红亮,曹京胜,陈一波.一种 LVDS-光纤接口转换器的设计与实现J.仪表技术与传感器,2018(5):35-38.作者简介:刘静军(1990),工程师,硕士,主要从事相机成像处理系统与卫星存储系统方面研究。E-mail:liujingjun1990 贺小军(1983),研究员,博士,主要从事光学遥感卫星、光电成像方面研究。621