模糊LS-SVM在加速度传感器动态补偿中的应用

提出一种基于模糊LS-SVM传感器的非线性动态误差补偿器设计措施,在传感器与参考模型对输入激励响应的实测数据基础上,运用模糊LS-SVM回归算法构造补偿器,减小微硅加速度传感器因带宽有限引起的动态测量误差.既克服人工神经网络非线性动态补偿过程中易出现的局部极小问题,又减小在标准LS-SVM中一些非主要数据对模型精度的影响,在测试领域中有较好的应用前景.     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上，探讨了一种利用LS-SVM进行传感器动态误差补偿的方法，并给出了相应的过程和算法。与标准SVM补偿方法比较，该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束，将求解二次规划问题转化为直接求解线性矩阵方程，在相同样本条件下，使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明，在噪声条件下，LS-SVM方法的补偿误差约为SVM的40％。因此，LS-SVM补偿方法学习速度快，抗噪声干扰能力强，更适合传感器动态补偿。     

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法.首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联--Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识.仿真与实际传感器系统辨识的实验结果均表明该方法可行.     

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Laguerre函数的高压力非线性传感器补偿研究

针对高压力传感器线性化输出的结果不准确的现象,研究了具有针对性的Duffing非线性系统。用传感器的输出数据作为补偿器的输入,传感器的输入数据作为补偿器的输出,进行基于Laguerre函数的非线性动态补偿器的设计研究。该方法无需知道传感器的非线性阶数,对于外界干扰有较强的抑制作用,对于时延对象也具有一定的优势。利用该补偿器对传感器进行动态补偿,将补偿结果与阶跃响应输出进行对比,结果表明该非线性模型补偿的有效性。     

基于测量噪声确定传感器动态补偿的理想指标

测量噪声是影响传感器动态补偿效果的主要因素,对在噪声环境下传感器动态补偿所能达到的理想效果进行了研究。提出根据测量噪声确定传感器动态补偿后理想工作带宽的方法,使用该理想带宽可进一步确定补偿后时域性能指标中调节时间与超调量的理想值。将该方法应用于应变天平的动态校准实验,验证了其有效性。进而采用该方法评定应变天平经动态补偿后能够满足飞行器舱门风洞动态试验的要求,表明该方法可用于确定传感器动态补偿后是否适用于动态试验。     

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.     

基于动态自由能磁滞模型的GMM-FBG电流传感器磁滞建模与参数辨识

为解决GMM-FBG电流传感器中存在的磁滞非线性和涡流损失问题,提出了一种耦合涡流损失模型的动态自由能磁滞模型,采用非线性遗传算法对该模型进行参数辨识和优化,提高了模型在工频下对磁滞曲线的预测精度.搭建了 GMM-FBG电流传感器实验平台,利用所建的磁滞模型对传感系统进行建模补偿和实验验证.实验结果表明该模型能够较好地...     

电涡流传感器非线性补偿电路设计

电涡流位移传感器输出特性非线性明显,为改善传感器线性度,需要进行输出信号的非线性补偿.通过在电涡流传感器前置电路的基础上增加非线性补偿电路模块,可以改善传感器线性度.为获得实用的线性化补偿器,根据传感器位移电压测量数据,先确定其非线性函数关系及线性补偿范围,以函数补偿法为基础采用开环补偿与闭环补偿,分别进行了非线性补偿电路设计,通过模拟电路实现了相关函数运算功能.借助电路仿真手段,可方便地确定电路的结构与具体电路参数.对实际非线性补偿电路进行了测试,实验结果表明,所设计的非线性补偿电路结构简单,能有效改善传感器的线性度.     

基于LabVIEW的动态力测量仿真系统研究

基于LabVIEW设计了动态力测量仿真系统,该系统应用系统辨识和动态补偿来提高力传感器的动态性能,使之适用于动态测量。着重介绍了该系统对力传感器仿真模型进行系统辨识与动态补偿的原理、方法和步骤。仿真实验证明：通过选择合适的激励信号,该系统能够准确辨识力传感器仿真模型并提高力传感器系统的动态性能。     

基于递归神经网络的传感器非线性动态建模

根据动态校准实验结果建立传感器的动态数学模型,以研究传感器的动态性能,是动态测试的一个重要内容。讨论了递归神经网络模型在传感器动态建模中的应用,给出了递归神经网络模型的结构及相应的训练算法。由于其反馈特征,使得递归神经网络模型能获取系统的动态响应。该方法特别适用于传感器非线性动态建模,而且避免了传感器模型阶次的选择的困难。试验结果表明,应用递归神经网络对传感器进行动态建模是一种行之有效的方法。     

BP神经网络在测试系统动态补偿中的应用

测试系统的非线性动态补偿是仪器技术的一个重要方面．采用BP神经网络对测试系统进行动态补偿．BP神经网络的结果决定于网络输入、隐层和输出节点．由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性．采用了收敛速度较快的递推预报误差算法训练神经网络．试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求．表明本文的方法是有效的．     

Nonlinear inverse dynamic models of gas sensing systems based onchemical sensor arrays for quantitative measurements

Gas sensing systems based on low-cost chemical sensor arrays are gaining interest for the analysis of multicomponent gas mixtures. These sensors show different problems, e.g., nonlinearities and slow time-response, which can be partially solved by digital signal processing. Our approach is based on building a nonlinear inverse dynamic system. Results for different identification techniques, including artificial neural networks and Wiener series, are compared in terms of measurement accuracy     

电磁悬浮转子的非线性控制

本文在对一个电磁悬浮转子实行线性控制研究的基础上,采用了两种非线性补偿控制,位移补偿和速度补偿。数字仿真结果表明,非线性补偿控制可使电磁悬浮转子达到更好的动态控制效果。     

压电智能悬臂梁神经网络预测控制

对表面粘贴压电元件的压电智能悬臂梁进行有限元建模和分析,获取了结构的动力响应数据。根据神经网络的非线性逼近能力,用动态递归神经网络对压电振动系统进行了系统辨识,建立了系统的预测模型。以此预测模型来代替传统广义预测控制算法中的受控自回归积分滑动平均模型,对压电智能悬臂梁进行振动主动控制的研究,并优化了控制系统参数。对一单输入单输出压电智能悬臂梁系统进行了仿真分析,控制效果良好,为智能算法在智能结构中应用有一定的指导意义。     

小波神经网络的水电机组自适应逆控制

针对水电机组的非线性和结构参数易变化且具有时变和非最小相位的特点,依据神经网络的自学习特性和小波分析的逼近能力,提出了一种基于小波神经网络(WNN)的水电机组自适应逆控制方法.该方法用小波神经网络逼近被控对象的正、逆模型,通过构造控制加权的广义目标函数,推导出一种对非最小相位系统能实现有效控制的小波神经网络自适应逆控制律,理论分析和对水电机组仿真实验均表明,文中提出的控制策略比采用神经网络控制能更好地改善水电机组的动态性能,证明了该方法的有效性.     

Dynamic decoupling and compensating methods of multi-axis forcesensors

Dynamic decoupling and compensating methods of multi-axis force sensors are proposed to solve simultaneously the dynamic coupling between axes and the slow dynamic response which are the two key problems in dynamic characterizing of the multi-axis force sensors and improve their dynamic quality. Four types of dynamic decoupling and compensating networks are shown, the design equations and procedures are presented, and the parameters of the networks are determined using a method based on a functional link artificial neural network (FLANN). The dynamic decoupling and compensating results for a wrist force sensor have proved the methods to be correct and effective     

遗传算法结合FLNN实现加速度传感器动态特性补偿

对加速度传感器动态性能进行分析,利用遗传算法与函数链神经网络相结合实现其动态性能补偿的方法,介绍补偿原理以及算法,给出了用遗传算法和函数链神经网络相结合建立的加速度传感器动态补偿网络的数学模型。结果表明,这种补偿模型具有精度高、有良好的鲁棒性以及动态补偿器实现简单等优点,在测试领域中有很好的应用前景。