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     

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MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

直接映射低维小脑模型神经网络及在机器人传感器中的应用

提出了一种能高速度、高精度学习的低维小脑模型神经网络．模型算法采用直接权地址映射技术，将训练样本的输入量化后直接作为联想存储器中C个权的首地址，建立起输入与权的关系．经样本训练后，任意输入作为相近的两个样本间的权首地址，经过输出映射算法即可得到较精确的输出．实验表明，它学习非线性函数的精度比最新改进的CMAC高十倍以上，收敛速度则快五十倍以上，且算法简单，不会发散，学习过程要求的存储器很小，实现容易．此算法已用于机器人传感器的信号细分，取得了非常好的效果．     

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。     

基于遗传神经网络的传感器非线性校正研究

针对实际传感器的非线性问题,介绍了用神经网络进行传感器非线性校正的原理,提出了基于自适应遗传算法的神经网络传感器非线性校正模型、算法及实现方法。通过实验结果显示:此方法不但可以实现非线性校正和减少环境因素的影响,而且,校正后的精度也高于单一的神经网络模型。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

挠性陀螺刻度系数标定算法

为减小刻度系数非线性误差,建立了陀螺刻度系数分段非线性插值标定方法.针对分段非线性插值方法的不足,建立刻度系数神经网络模型,用扩展卡尔曼滤波方法训练;并在此基础上对神经网络进行再训练以提高其精度.实验结果表明,分段非线性插值方法有效地减小了刻度系数非线性误差;用训练好的神经网络可以代替分段非线性插值算法,并可简化实现过程;对刻度系数神经网络再训练,可提高神经网络对实际刻度系数的逼近程度,减小刻度系数的非线性误差.     

基于平衡学习的CMAC神经网络非线性滑模容错控制

以一改进的信度分配CMAC(cerebellar model articulation controllers)神经网络为在线故障诊断的手段,将变结构滑模摔制技术引入容错控制器设计之中,提出一种动态非线性系统主动容错控制方法.在常规CMAC学习算法中,误差被平均地分配给所有被激活的存储单元,不管各存储单元存储数据(权值)的可信程度.改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的-p次方成比例,从而提高神经网络的在线学习速度和精度;在此基础上利用滑模控制算法进行容错控制律的在线重构,实现动态非线性系统在线故障诊断与容错控制的集成.分析了系统的稳定性,仿真结果表明改进故障学习算法及容错控制的有效性.     

输入输出均为时变函数的过程神经网络及应用

为了解决实际系统中输入、输出经常是时变连续函数的问题,提出了一类基于基函数展开的过程神经元网络模型.该模型利用过程神经元网络所具有的对时间变量的非线性映射能力,实现系统的输入、输出之间的连续映射关系.另外,还给出了一种学习算法.为了简化计算,选择正交函数作为基函数,并以油藏开发仿真为例,验证了模型和算法的有效性.     

Self-Adaptive Output Tracking with Applications to Active Binocular Tracking

In this article we present a neurally-inspired self-adaptive active binocular tracking scheme and an efficient mathematical model for online computation of desired binocular-head trajectories. The self-adaptive neural network (NN) model is general and can be adopted in output tracking schemes of any partly known robotic systems. The tracking scheme ingeniously combines the conventional Resolved Velocity Control (RVC) technique and an adaptive compensating NN model constructed using SoftMax basis functions as nonlinear activation function. Desired trajectories to the servo controller are computed online by the use of a suitable linear kinematics mathematical model of the system. Online weight tuning algorithm guarantees tracking with small errors and error rates as well as bounded NN weights.     

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法。在该方法中,LS-SVM被用作构建逆模型,并通过该模型映射传感器非线性特性,同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明:所提模型建模速度比SVM模型高1~2个数量级,补偿误差仅为SVM模型的20%左右。因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正。