基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪,介绍了用神经网络校正超声波传感器的非线性误差的原理与方法,并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验,显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好,充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于神经网络的传感器非线性误差校正

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,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

基于神经网络的传感器非线性误差校正

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及其模型、算法与实现技术。通过计算机仿真与应用 ,显示出这种逆模型不但可实现温度补偿和非线性校正 ,而且网络结构简单 ,准确度高     

BP神经网络在测距误差补偿中的应用

文章提出了一种采用BP前馈神经网络补偿超声波测距受温度、湿度变化而引起的误差的方法,详细介绍了如何利用BP神经网络数据融合方法补偿超声测距传感器误差的实现方法,给出了该方法在室外测距仪中的应用实例。实际应用表明,该补偿方法明显提高了超声测距的精度,适用于高精度要求或复杂环境下的超声测距。     

用遗传网络校正传感器非线性误差的研究

文章描述了一种用反函数校正传感器非线性误差的方法。阐述了校正原理，提出了利用BP神经网络和遗传算法相结合，拟合传感器传输特性反应函数的算法，该算法可将传感器传输特性的非线性模型，改造成为与实际物理过程相一致的不失真的线性模型，给出了一个应用实例，其结果表明，可使传感器的非线性误差有较大的减少。     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

基于BP神经网络的超声测距误差补偿

指出了超声波在测距应用中的局限性,并给出解决方案。着重从新的角度补偿超声传感器的误差,提出了用BP前馈神经网络补偿超声波声速受温度、湿度变化而引起的误差。在室外工作的测距仪上,应用该补偿方法后超声测距的精度提高了2个数量级。本方案适用于高精度要求或复杂环境下超声测距。     

一种基于超限学习机的电子磁罗盘非线性误差补偿方法

针对磁罗盘传感器非线性校正中现有方法的不足,提出采用小波函数和双曲正弦函数作为超限学习机(ELM)的激活函数,并将此改进超限学习机用于磁罗盘的校正.同时,阐述了传感器的非线性校正原理,磁罗盘航向误差模型及改进超限学习机的实现过程,并分别采用BP神经网络法和传统ELM对磁罗盘进行非线性校正.实验结果表明,改进ELM算法补偿后最大误差为0.103°,均方根误差为0.0596°,优于BP神经网络算法(补偿后最大误差为0.5°,均方根误差为0.1805°)和传统ELM神经网络(补偿后最大误差为0.21°,均方根误差为0.1056°).     

基于一维PSD误差分段的BP网络非线性校正

介绍了光电位置敏感探测器（PSD）的组成结构和工作原理,分析了传感器产生非线性的原因。对实际一维PSD进行了实验标定,建立了一般BP神经网络非线性校正模型,为了提高网络校正结果精度,提出融合误差曲线分段处理和BP神经网络的高精度校正方法,实例运用结果证明了该方法的可行性和优越性,大大提高了非线性区域的测量准确度和数据的置信度。对于传感器测量范围的扩大和整个测试系统精度的提高都具有较大的应用价值。     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变 化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此, 提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号, 从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒 性.此外,它可以使用较高的学习速率,实时性强.     

超声传感器补偿算法在机器人避障中的应用

分析了井下钻孔机器人避障中超声波传感器的局限性,并提出解决的方案。着重指出对超声波进行温度、湿度补偿,尝试用Elman反馈神经网络逼近函数。Elman网络隐含层采用"Tansig"激活函数,输出层用"Pureline"激活函数,保证了只要有足够多的隐含层神经元个数,网络就可以任意精度逼近任意函数。经实验验证:对超声测距进行温度、湿度补偿后,其测量精度提高了2个数量级。大大改善系统中避障模块的工作效率,提高了钻孔机器人躲避障碍物的能力。     

车辆防碰预警系统的设计

介绍了一种以ATmega16单片机为控制核心的车辆防碰预警系统,提出了解决收发一体式超声波测距电路难题的新方法;由于温度对超声波波速的影响,增加了温度补偿电路来消除误差;设计的自动增益控制(AGC)电路,有效地解决了回波信号过于微弱而导致系统测量误差加大的难题;在此基础上,设计了相应的超声波测距系统的软件;对系统进行了测试,如主要试验参数:灵敏度、测距、频率等;并将所测数据与实际数据进行了对比;结果表明,该预警系统具有较高的测量精度。     

一种基于B超图像处理的生物组织变性监测方法

本文提出基于B超图像灰度和小波变换系数并结合BP神经网络监测HIFU治疗中生物组织变性的方法。通过对高强度聚焦超声打击新鲜离体猪肉组织前后获得的B超图像作数字减影,并提取图像特征,利用神经网络进行分类处理。在此基础上,对大量实验数据处理后的统计特性和误差进行分析,得出较好的辨识效果。结果表明:结合图像平均灰度和小波变换系数特征并输入BP神经网络,能够更好地监测HIFU治疗中生物组织是否变性。     

管道缺陷多超声传感器检测数据的神经网络融合

针对管道缺陷检测的现状,设计了超声传感器阵列检测系统,将神经网络技术应用于数据融合领域,采用改进的BP-LM算法对多个超声传感器测得的管道缺陷数据进行了融合处理.实验室检验结果表明,基于神经网络的数据融合大大提高了信号的质量,改进的BP-LM算法比标准BP算法融合效果更好,收敛速度更快.     

基于神经网络的杂草图像分割算法

在自动除草系统中优化杂草图像分割算法是降低识别误差的有效途径,为此提出了一种基于神经网络的分割算法。首先由训练样本统计出植被和背景在RGB颜色空间的分布概率,接着通过Bayes理论得出最优分割曲面训练BP神经网络,再通过BP神经网络将各种颜色分为植被和背景两类,并据此分割杂草图像。与其他三种杂草图像分割算法比较,新方法以颜色代替像素点为研究对象并据此构造最优分割曲面从而减小了分割误差并具备较好的泛化能力。     

一种基于小波型函数链神经网络的竞争学习模型的设计与应用

神经网络模式分类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“赢者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络模式分类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,本文采用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了基于小波型函数链神经网络的竞争学习模型,充分利用小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适用性强等特点。