基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于NSGA-Ⅱ&BP的应变片式压力传感器温度补偿研究

应变片式压力传感器容易受到温度的影响,需要对该传感器进行温度补偿,针对该问题提出一种带精英策略的快速非排序遗传算法(NSGA-Ⅱ)与BP神经网络相结合的软件补偿模型。该模型将BP神经网络中2个输出值与期望值误差作为NSGA-Ⅱ同时寻求最小的2个目标,对BP神经网络初始权值和阈值进行优化,克服单一BP神经易陷入局部极小值的缺陷。通过该算法模型对不同温度下压力传感器的输出值进行数据融合,研究结果表明,补偿后的传感器零位温度系数(α_0)和灵敏度温度系数(α_s)均提高两个数量级,从而证明NSGA-ⅡBP算法的温度补偿模型可以有效提高该传感器的温度稳定性。     

基于PSO-BP模型的扩散硅压力传感器温度补偿

硅的电导率易受温度影响,导致扩散硅压力传感器的输出电压随温度变化产生漂移,需对该传感器进行温度补偿,针对该问题提出粒子群优化的BP神经网络算法(PSO-BP)。通过二维标定实验,利用温度传感器监测实验环境温度,得到扩散硅压力传感器在不同工作温度下的输入输出特性曲线,建立PSO-BP模型。该模型利用粒子群算法全局寻优的能力为BP神经网络算法初始权值和阈值选取最优解,弥补传统BP神经网络初始值随机选取的弊端,克服容易局部陷入极值的缺陷。实验结果表明,经过PSO-BP模型补偿后的输出零位温度系数和灵敏度温度系数均减小一个数量级,证实该模型能够有效降低温度对扩散硅压力传感器的影响。     

基于BP神经网络的功率传感器数据融合

本文阐述了BP神经网络传感器补偿矫正方面的应用,针对功率传感器非线性和频响问题,提出了采用BP神经网络进行补偿修正的方法,结果表明,采用BP神经网络消除非标参量影响的方法是有效可行的。     

基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿

针对关节臂式坐标测量机(AACMM)长度误差补偿问题,分析了误差来源,通过实验确定了影响其测量长度的误差参数。引入BP神经网络对长度误差补偿模型进行了建模,并通过粒子群化算法对BP神经网络的权值和阈值进行全局寻优,克服了BP神经网络收敛速度慢和易陷入局部极值的缺陷。在不同输入参数的条件下测量标准尺,获得了误差补偿模型的训练样本。进行了长度误差补偿验证,补偿后误差均值减小了0.014 mm,使AACMM的测量精度提高了31.8%。     

压力传感器温度补偿技术分析

压力传感器是一种较为常用的传感器件,由于自身的非线性特点以及外界因素的影响,传感器的输出结果容易产生误差,其中温度的影响最大,因此,对传感器的温度补偿就显得尤为重要。文章对目前常用的温度补偿方法进行了分析,在此基础上,提出了一种新的温度补偿方法 ,并对BP神经网络进行了改进,从研究结果来看,该方法有效提高了传感器的稳定性及精度。     

非线性质量补偿方法在微量包装系统中的应用

目的 为解决微量包装系统中称量传感器输出电压与质量之间的非线性关系、提高称量精度,基于改进BP神经网络设计一种非线性补偿方法.方法 阐述电阻应变式称量传感器的非线性补偿原理,根据称量传感器输入和输出之间的关系,设计一种神经网络补偿器.为提高神经网络控制性能,引入一种惩罚因子,可解决因训练不足导致的误差偏大等问题.结果 经对比发现,改进型BP神经网络具有较快的收敛速度、较高的精度,可提高微量称量包装系统的控制性能.高速模式下,称量误差可以控制在0.5％以内,实际称量结果较理想.结论 该方法能够改善系统动态性能,提高测量精度,可满足称量、包装行业等精度要求.     

热式气体流量计的温度补偿

<正>本文主要利用径向基函数(RBF)神经网络算法在温度补偿中的优势,分析不同温度对气体流量测量的影响,设计一种基于RBF神经网络的温度补偿方法,有效避免硬件电路补偿方法的单一性和不稳定性,在降低成本的同时提高测量装置的准确性。最终采用软件补偿的方法对热式气体流量计的温度补偿进行了大量实验研究,实现了温度梯度变化下热式气体流量计的高精度测量。一、热式流量计的工作原理及分类     

声表面波压力传感器信号采集与处理

声表面波 (SAW)传感器能将被测量转换成容易检测的频率信号 ,即一种准数字信号的输出。针对 SAW压力传感器 (以 CSF- 1 0型 SAW压力传感器为对象 )的输出特点 ,利用等精度频率测量法测量输出频率 ,并用 Dallas的单线数字温度传感器 DS1 8B2 0测出现场温度 ,采用 BP神经网络对所得数据进行温度补偿后得到精确的被测压力值     

基于RBF神经网络模型的传感器非线性补偿方法

针对传感器测量过程中各种环境因素(温度、湿度、磁场等)的影响,提出了一种新的非线性补偿方法,利用两个相同的距离传感器对物理量进行测量,建立RBF神经网络结构,并利用神经网络的学习记忆功能,消除主要环境因素对传感器输出的影响.通过实验和计算机仿真应用,证明这个系统提高了传感器测量的精度,具有良好的抗干扰性.     

用神经网络BP算法预测钨合金材料抗拉强度

为减少实验量,降低实验成本,采用人工神经网络BP算法处理了钨合金材料的抗拉强度的实验数据,包括钨含量、变形量对材料抗拉强度的影响,给出了在不同钨含量条件下变形量对材料抗拉强度的关系曲线,和不同变形量条件下钨含量对材料抗拉强度的关系曲线.通过本文的分析可知,采用BP算法来处理钨合金的实验数据是可行的.     

基于神经网络的双辉等离子渗金属工艺预测

将人工神经网络理论及Back propagation(BP)算法应用于双层辉光等离子渗金属工艺的研究,并针对BP神经网络收敛速度慢、易陷入局部极小的缺点,提出一种新的动态退火算法优化网络的训练,进而建立了双层辉光等离子渗金属工艺参数与渗层元素总质量分数、渗层厚度和表面硬度之间的数学模型,最后将模拟预测结果与实验数据进行比较和误差分析, 证明该模型具有较高的预测精度.     

两种神经网络模型在材料领域中的应用

简要介绍了基于BP反向误差传播算法和自组织特征映射算法的神经网络模型的基本原理和在材料领域中的应用。     

PSO-Gabor-CNN算法在印刷品套印缺陷的检测

目的二维Gabor滤波器含有多个参数,在印刷品套印缺陷检测中,二维Gabor滤波器使用不同参数增强图像特征的效果差别较大,为了获得二维Gabor在某印刷品套印缺陷检测下的优化参数。方法在印刷品套印缺陷检测中,提出一种PSO-Gabor-CNN算法,采用Sobel算子对印刷品图像进行边缘检测,以粒子群算法(PSO)对二维Gabor滤波器的中心最大频率kmax、带宽σ、模板窗口window进行参数寻优,处理后的图像与模板图像采用加权欧式距离进行评价。然后用优化后的Gabor滤波器对图像进行滤波,最后采用卷积神经网络(CNN)对印刷品套印缺陷进行检测和分类。结果通过粒子群算法,确定了二维Gabor中心最大频率kmax为6.0476、带宽σ为0.1444、模板窗口window为27×27取得最佳效果,此时加权欧式距离为1.1927×10-33。卷积神经网络经过70次训练的均方误差为0.0035,测试样本正确率为96.93%。该方法与无数据预处理的BP神经网络(BPNN)、Sobel预处理的BP神经网络(Sobel-BPNN)、无数据预处理的卷积神经网络(CNN)、Sobel预处理的卷积神经网络(Sobel-CNN)对比,表现出了较好的识别效果。结论该方法可以获取二维Gabor滤波器的较优参数,从而获得较好的滤波效果,将其应用于套印缺陷检测,具有一定的应用价值。     

基于粗神经网络的企业组织创新风险预警

提出了基于粗神经网络的企业组织创新风险预警模型,通过粗集减少属性的数量,提取主要的特征属性,降低神经网络构成系统的复杂性及计算时间;结合神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题能力,将粗集与神经网络进行串行结合.实例研究表明,将Rough Set与BP神经网络结合起来应用于企业组织创新风险预警,大大简化了BPNN的结构,减少了网络的计算量,加快了收敛速度.     

Development of ANN model and study the effect of temperature on strain ratio and sensitivity index of EDD steel

Anisotropy and strain rate sensitivity index (m) plays a very important role in the formability of materials. In the present investigation strain ratios in 0°, 45° and 90° to the rolling direction and the strain rate sensitivity index were calculated at different temperatures. After developing the data from experiments, Artificial Neural Network (ANN) models are trained for different properties. Trained ANN models are used to calculate different strain ratios and sensitivity index at unknown temperatures. The results are promising and the percentage error in ANN prediction is found to be around 10%.     

基于神经网络的膜法薏苡仁油脱胶过程动态模拟和预测

应用BP神经网络对膜法薏苡仁油脱胶过程的膜通量动态模拟与预测.研究了神经网络的构建、训练、结果测试和模型泛化,并用得到的神经网络对不同运行条件下(操作压力和温度)膜通量进行预测.结果表明:神经网络能够很好地模拟膜法脱胶过程的通量变化,预测结果与实验实测结果能够很好的吻合.与传统模型法相比,神经网络能快速简便地得到模拟和预测膜分离过程.     

用神经网络技术实现的高精度光栅测量装置

描述了一种用神经网络技术实现的高精度光栅测量装置。该装置采用BP神经网络对光栅信号进行细分，在仅用7个训练样本的情况下，细分精度可达0.18μm，使装置的分辨率得到很大提高，同时，简化了硬件设计，提高了系统的可靠性。     

Modeling of rotary vane compressor applying artificial neural network

The thermal modeling of rotary vane compressor (RVC) was performed in this paper by applying Artificial Neural Network (ANN) method. In the first step, appropriate tests were designed and experimental data were collected during steady state operating condition of RVC in the experimental setup. Then parameters including refrigerant suction temperature and pressure, compressor rotating speed as well as refrigerant discharge pressure were adjusted.With these input values, the operating output parameters such as refrigerant mass flow rate and refrigerant discharge temperature were measured. In the second step, the experimental results were used to train ANN model for predicting RVC operating parameters such as refrigerant mass flow rate and compressor power consumption. These predicted operating parameters by ANN model agreed well with the experimental values with correlation coefficient in the range of 0.962-0.998, mean relative errors in the range of 2.79-7.36% as well as root mean square error (RMSE) 10.59 kg h⁻¹ and 12 K for refrigerant mass flow rate and refrigerant discharge temperature, respectively. Results showed closer predictions with experimental results for ANN model in comparison with nolinear regression model.     

基于神经网络的微合金钢热轧奥氏体晶粒尺寸及流变应力模型的研究

基于神经网络原理,对微合金钢热轧控制的选取进行了研究,首先,制定了一套获取样本数据的实验方案,该方案利用Ｇleeble-1500热力模拟机提取了轧制温度、应变量、应变速率和相应的应力变曲线,并通过显微观察获取了实验了实验后样品断面的奥氏体晶粒尺寸,通过归一化把实验所得数据进行必要的处理,采用ＢＰ算法训练网络,对热轧控制（轧制温度、应变量、应变速率）和描述微合金钢组织性能的参数（奥氏体晶粒尺寸及流变应力）之间的映射关进行了函数逼近,建立了奥氏体晶粒尺寸及流变应力神经网络模型,实践证明,将该神经网络模型运用于热轧控制预报,提高了预算精度并取的较好的效果。