非线性的反函数校正理论与方法

提出非线性的反函数校正理论和构造反函数发生器的方法，并通过在非线性严重和具有较大迟滞现象的磁致伸缩控制系统中进行应用实验，对反函数校正理论的应用方法和应用效果作了进一步说明和验证。     

传感器非线性校正的人工神经网络方法

本文提出传感器非线性校正的人工神经网络方法。研究实例中，其最大相对误差不超过０．９５％。理论分析和实验结果表明，该方法性能良好，在建立各种传感器的校正曲线方面有广阔的应用前景。     

基于BP网络的结冰传感器非线性校正方法

根据当前结冰传感器非线性校正存在的问题，提出了利用BP网络建立传感器逆模型的校正方法。文中采用功能强大的MATLAB工具软件，对神经网络进行训练，获得权值、阈值。实际应用结果表明，该方法简单、实用，大大方便了产品性能一致性不高的结冰传感器在测控系统中的应用。     

数字传感器非线性校正方法研究

针对数字型传感器-石英晶体温度传感器的非线性校正设计了几种方法,通过实验分析了这几种方法的优缺点和可行性。结果证明,综合传感器的特性、精度要求、软件实现的复杂程度等几方面因素,同时采用两种或两种以上方法,能够达到理想校正效果。     

基于SVM的传感器非线性特性校正新方法

介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。     

基于遗传算法的传感器系统的非线性校正

针对最小二乘等传统方法的不足,本文提出了解决传感器系统非线性校正问题的遗传算法模型。计算机仿真表明,采用本文所提出的观点和广阔, 拟合精度明显高于传统上应用最为广泛的最小二乘法,并且鲁奉性强,而且,从所做的研究显示,该方法还可用于其它类似系统的非线性校正。     

基于遗传改进神经网络的煤矿井下传感器非线性校正方法

煤矿井下的工作环境十分恶劣,包括高湿度、高温、持续振动和大量粉尘等因素,这些因素都可能对传感器造成非线性干扰,使其输出结果与实际值产生显著偏差。这种偏差如果不加以校正,会严重影响煤矿的生产安全和效率。为此,该研究提出一种基于遗传算法优化的神经网络方法,旨在校正煤矿井下传感器非线性误差。根据已获取的传感器非线性误差数据,确定校正模型的输入与输出。以神经网络为核心构建校正模型,并利用遗传算法对校正模型的权值和阈值参数进行优化,以提高模型的校正性能。在模型训练完成后,将其应用于实际煤矿井下传感器非线性校正中。实验结果表明,经过该研究方法校正后,瓦斯浓度值更接近标准瓦斯浓度值,误差显著降低,这充分证明了该研究方法在实际应用中的有效性和可靠性。     

基于CMAC神经网络测温传感器的非线性校正

本文充分利用CMAC神经网络的非线性函数逼近功能,并结合电站数据采集和监测系统,提出一种校正电站测温传感器非线性输出特性的新方法,研究表明,该方法简单实用,速度快,精度高。     

传感器动态非线性的一种补偿方法

针对传感器存在的动态非线性问题，本文提出一种补偿方法，将具有动态非线性的传感器分为非线性静态环境环节和线性动态环节。先对传感器输出信号进行非线性静态校正，再进行线性动态补偿，研制以DSP为处理核心的传感器模拟器和传感器动态非线性补偿系统，实验结果表明，方法是有效的。