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。     

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     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

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网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

用基于视角的方法分析和合成图像

本文介绍了计算机视觉领域中基于视角的对象识别方法，对径向基函数(Radial Basis Function)神经网络模型进行了分析，分析了其训练算法，给出了一种利用径向基函数神经网络和基于视角的方法分析和合成图像的方法，并在MATLAB平台实现。仿真结果说明，采用RBF神经网络模型的训练速度和分析精度是令人满意的。     

径向基神经网络的汇率预测模型研究

针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理,然后送入径向基神经网络（RBF）中训练,得出相应参数,再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明,该方法不仅运算速度较快,且预测精度明显要高于传统BP神经网络所能达到的效果。     

Stock prediction using deep learning

Stock market is considered chaotic, complex, volatile and dynamic. Undoubtedly, its prediction is one of the most challenging tasks in time series forecasting. Moreover existing Artificial Neural Network (ANN) approaches fail to provide encouraging results. Meanwhile advances in machine learning have presented favourable results for speech recognition, image classification and language processing. Methods applied in digital signal processing can be applied to stock data as both are time series. Similarly, learning outcome of this paper can be applied to speech time series data. Deep learning for stock prediction has been introduced in this paper and its performance is evaluated on Google stock price multimedia data (chart) from NASDAQ. The objective of this paper is to demonstrate that deep learning can improve stock market forecasting accuracy. For this, (2D)²PCA + Deep Neural Network (DNN) method is compared with state of the art method 2-Directional 2-Dimensional Principal Component Analysis (2D)²PCA + Radial Basis Function Neural Network (RBFNN). It is found that the proposed method is performing better than the existing method RBFNN with an improved accuracy of 4.8% for Hit Rate with a window size of 20. Also the results of the proposed model are compared with the Recurrent Neural Network (RNN) and it is found that the accuracy for Hit Rate is improved by 15.6%. The correlation coefficient between the actual and predicted return for DNN is 17.1% more than RBFNN and it is 43.4% better than RNN.     

基于遗传优化径向基概率神经网络的岩性识别应用

岩性识别是测井数据解释中最关键的一环,但传统的岩性识别方法解释效率慢,精度低,受人为因素影响大。为此,提出一种遗传优化径向基概率神经网络(RBPNN)的岩性识别方法。该方法融合概率神经网络(PNN)和径向基函数神经网络(RBFNN)的优势来构造RBPNN,采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量和相匹配的核函数控制参数,优化网络结构,提高收敛速度与精度,形成全结构遗传优化的RBPNN模型。实例应用表明,基于遗传优化RBPNN的岩性识别能够达到工程实际应用的规范标准,且是可行有效的,能够为油田地质勘探领域的岩性识别提供科学的理论支持与依靠。     

现代医院门诊量的灰色RBF神经网络预测

门诊量预测是现代医院电梯交通以及医疗资源优化配置的重要前提。为了有效地预测医院的门诊量,提出一种将灰色预测方法与RBF神经网络有机结合的灰色神经网络组合预测方法。该方法利用灰色预测中的累加生成运算（AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本。所提出的方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,对短期的医院门诊量预测具有较强的实用价值。结果表明：所提出的方法具有良好的预测精度。     

Power transformer differential protection using neural network Principal Component Analysis and Radial Basis Function Neural Network

Many methods have been used to discriminate magnetizing inrush from internal faults in power transformers. Most of them follow a deterministic approach, i.e. they rely on an index and fixed threshold. This article proposes two approaches (i.e. NNPCA and RBFNN) for power transformer differential protection and address the challenging task of detecting magnetizing inrush from internal fault. These approaches based on the pattern recognition technique. In the proposed algorithm, the Neural Network Principal Component Analysis (NNPCA) and Radial Basis Function Neural Network (RBFNN) are used as a classifier. The principal component analysis is used to preprocess the data from power system in order to eliminate redundant information and enhance hidden pattern of differential current to discriminate between internal faults from inrush and over-excitation condition. The presented algorithm also makes use of ratio of voltage-to-frequency and amplitude of differential current for detection transformer operating condition. For both proposed cases, optimal number of neurons has been considered in the neural network architectures and the effect of hidden layer neurons on the classification accuracy is analyzed. A comparison among the performance of the FFBPNN (Feed Forward Back Propagation Neural Network), NNPCA, RBFNN based classifiers and with the conventional harmonic restraint method based on Discrete Fourier Transform (DFT) method is presented in distinguishing between magnetizing inrush and internal fault condition of power transformer. The algorithm is evaluated using simulation performed with PSCAD/EMTDC and MATLAB. The results confirm that the RBFNN is faster, stable and more reliable recognition of transformer inrush and internal fault condition.     

RBF-PSO在N型热电偶非线性校正中的应用

为了解决大样本数据情况下N型热电偶应用中存在的问题,本文提出了基于粒子群算法优化径向基神经网络(RBF-PSO)进行热电偶非线性校正的新方法.仿真结果表明,采用该方法比以往采用的BP网络和RBF网络方法具有更高的拟合精度;同时以阳极焙烧过程中燃烧室温度为对象进行了仿真和实际应用研究,取得了满意的结果.     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。