基于Logistic变换的回归正交试验模型

在解决线性回归问题时,回归正交试验具有较大的优越性,却无法解决非线性回归问题。本文依据广义线性模型的基本原理,针时非线性回归问题,引入Logistic变换,给出了基于Logistic变换的回归正交试验模型,实现了回归正交试验在非线性回归问题中的运用。将此方法运用到车险续保问题中,实例分析说明了该模型的可行性和有效性。     

基于BP网络微位移传感器误差修正研究

对微位移传感器非线性误差的修正存在诸多问题,该误差是提高微位移传感器测量精度的＂瓶颈＂。本文介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了基于BP神经网络传感器非线性误差校正对测量数据进行修正。修正结果表明该方法是准确有效的,而且网络结构简单,准确度高。     

基于神经网络的气压传感器非线性校正

为了解决气压传感器非线性校正困难、校正结果精度低的问题,基于小波函数建立反向传播(back propagation,BP)神经网络模型,采用Levenberg-Marquardt算法进行网络参数更新,实现了气压传感器的非线性校正.实验结果表明:传统BP神经网络使气压传感器均方根误差由最初的2.10降低到0.68,减少了67.6％的测量误差;而提出的小波BP神经网络则使其降低到0.28,进一步减少了19％的测量误差,更好地满足了高空探测的精度要求,具有良好的泛化能力,可以推广到类似传感器的非线性校正中.     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题，提出了一种基于改进的Elman动态回归神经网络预测控制算法．首先，在一般的Elman动态回归神经网络算法中加入了混沌机制，利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点，提高了系统的辨识速度；然后，结合广义预测控制（GPC）的反馈校正、滚动优化来完成非线性系统的预测控制．仿真结果表明：将本算法应用于非线性系统预测控制，对未建模动态具有较强的鲁棒性和良好的控制跟踪能力。     

非线性特性的线性化

在检测与控制系统中,传感器非线性特性的线性化处理,十分必要。本文从工程实用角度,论述了其一般原理和方法:1、模拟量非线性校正;2、数字量非线性校正;3、非线性A/D转换校正。     

基于神经网络的广义预测控制综述

概括叙述了广义预测控制的发展现状,对具有误差校正的预测控制方法进行了概括,介绍了与神经网络相结合的非线性系统的预测控制方法,并在此基础上讨论了神经网络非线性预测控制中存在的问题及进一步研究的方向。     

基于ADμC845的高精度差动变压器变送器设计

LVDT位移传感器的变送器输出电压值和输入位移量之间存在着非线性,设计和制作线性度较高的传感器比较困难.在分析产生非线性误差主要原因和传统校正方法的基础上,利用单片机软件算法进行非线性校正以提高传感器输出精度.该算法以传感器标定数据为样本,用分段线性插值法求出实际位移量.实验测试结果表明,设计达到了高精度要求,具有良好的应用价值.     

一种模拟传感器非线性校正电路设计

该文针对模拟型传感器存在的非线性问题,设计了一种函数变换电路,用硬件方式实现非线性校正。由传感器的传输特性推导校正函数,利用模拟集成器件进行电路设计。校正电路以传感器的输出电压作为输入量,输出电压值与被测物理量成线性关系。通过simulink仿真软件对设计方案进行仿真分析。     

基于神经网络的瓦斯传感器非线性校正

瓦斯传感器输出非线性问题的原因很多,其中包括敏感元件温度变化所带来的影响,但即使使用恒温瓦斯检测技术,非线性误差仍然存在,影响了瓦斯检测的准确性。在简述用神经网络进行非线性校正的原理的基础上,探讨了用BP神经网络实现瓦斯传感器非线性校正的模型、MATLAB算法和实现程序,通过计算机仿真,其结果表明采用该方法能够得到令人满意的结果,且结构简单,准确度高。     

通用回归神经网络及其用于渣油裂解建模

为建立准确的渣油裂解装置经验模型,采用了一种特殊的径向基函数网络--通用回归神经网络(general regression neural network, GRNN).GRNN具有明确的概率意义,结构和连接权均完全确定,克服了一般径向基网(RBFN)设计和训练上的困难.在分析了平滑因子对GRNN性能的影响后,设计了改进的进化规划算法(MEP)以优选平滑因子,并建立MEP-GRNN模型.该模型用于渣油裂解建模时,其预报精度和稳定性比RBF-PLS等方法均有所提高,表现了MEP-GRNN为非线性过程建模的优势.     

压电效应的高阶效应在传感器、执行器中的应用研究

压电体机电耦合过程中的正、逆压电效应原理已被广泛应用于传感器与执行器中,压电类传感器与执行器在应用过程中出现了一些较严重的问题,如非线性问题.由于大多数压电晶体都具有非线性性质,尤其是压电陶瓷,非线性与迟滞特性是其固有特性.讨论压电体的非线性特征,并通过实验验证高阶压电效应对压电传感器和压电执行器的影响及其矫正与补偿方法,从而在工程应用中利用其原理提高传感器与执行器的测量与控制精度.     

硫酸盐法制浆蒸煮终点预测模型

为了实现制浆蒸煮终点的精确预测，建立了基于广义回归神经网络（GRNN）的预测模型．GRNN具有很强的非线性映射能力，能够根据样本数据逼近自变量与因变量之间隐含的关系，平滑参数的确定是GRNN训练的实质和难点．均衡地兼顾GRNN模型的预测性能与训练可行性，提出了一种平滑参数优化方法．通过分析训练样本分布、恰当地设计适应度函数，运用优进遗传算法（EGA）实现参数寻优．通过实验表明，所建立的制浆蒸煮终点预测模型，预测精度高、稳定性能好．     

基于神经网络算法的一维PSD非线性修正

分析了PSD(position sensitive detetor)的非线性成因,并根据PSD的非线性特点,提出一种基于神经网络的PSD非线性补偿方法,利用神经网络具有逼近任意非线性函数的特点,通过训练使神经网络建立在PSD输出与其理想值之间的非线性映射关系,实现PSD非线性补偿．从而使PSD的非线性区获得了与线性区近似的线性度．实验结果表明,该方法能有效地消除非线性的影响,在神经网络的输出端得到期望的线性输出．     

基于BP算法的光纤传感器非线性位移补偿研究

针对光纤位移传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用BP算法,以传感器的输出作为神经网络的输入样本.传感器的输入位移为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现位移测量的非线性补偿.实例仿真结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

应用GRNN模型对给水管网水质的综合评价

给水管网水质是多种污染因子的综合作用结果。为克服水质综合评价过程中的随机性与评价专家主观上的不确定性,利用神经网络的非线性和良好的函数逼近特性,建立了给水管网水质评价的广义回归神经网络(GRNN)模型。该模型具有网络结构自适应确定及输出与初始权值无关等优良特性。通过对在水质评价各等级间随机内插足够数量的训练样本的训练,确定合适的光滑因子。通过实例验证了模型评价结果与实际情况的一致性,为给水管网水质的评价提供了一种新方法.     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

应用动态泛回归神经网络的在线负荷预测

电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性.为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练泛回归神经网络,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目的.     

人工神经网络在乘员约束系统中的应用

建立正面碰撞乘员约束系统空间模型,通过实车碰撞试验验证了模型的正确性.结合均匀试验设计方法,分别建立3种人工神经网络拟合乘员伤害,网络结构经过优化和训练后使用遗传算法寻优,优化后的参数使得约束系统的保护性能得到显著改善.优化结果表明:RBF网络和GRNN网络对乘员约束系统的拟合效果较好,预测精度较高.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。