基于导数约束的称重传感器非线性误差补偿方法

电阻应变式称重传感器存在严重的非线性误差,直接影响称重结果的准确度。本文首先阐述了称重传感器的非线性误差机理与误差补偿原理,提出了一种基于导数约束的称重传感器非线性误差补偿方法。该方法根据称重传感器输入-输出特性曲线的单调递增性,构造神经网络补偿模型训练的约束条件,完成神经网络优化设计,弥补了因训练样本不足导致的网络泛化误差大的缺陷,同时讨论了惩罚因子对网络性能的影响。实验表明,采用这种基于导数约束神经网络补偿方法（DCNN方法）的称重传感器的非线性误差远小于补偿前的误差;同时当训练样本不足时,DCNN方法比传统训练方法（仅利用数据样本训练神经网络,DINN）具有更好的泛化能力,称重准确度更高。     

基于RBFNN的称重传感器温度误差补偿

称重传感器存在因环境温度不同导致的非线性误差,需要进行补偿.阐述了称重传感器的温度误差机理,提出了一种基于径向基函数神经网络(RBFNN)的称重传感器温度误差补偿方法,并给出了训练算法.采用该方法,利用量程为100kg的称重传感器,在0～60℃范围内进行温度误差补偿实验.实验表明:采用这种方法补偿后,称重传感器温度误差...     

基于小波神经网络的电涡流传感器非线性补偿

为消除电涡流传感器的非线性误差,提高其测量精度,提出了一种基于小波神经网络和遗传算法的电涡流传感器非线性补偿方法。该方法利用小波神经网络的非线性映射能力,使得传感器的输入与输出线性化,并使用遗传算法搜寻网络的最优初始值,加强网络的非线性逼近能力和收敛能力,显著提高电涡流传感器的非线性补偿效果。实验结果表明,经过补偿后,极大提高了传感器的精度,传感器输出电压最大绝对误差为15.55mV,最大相对误差为1.36%,非线性误差为0.34%。     

称重传感器非线性误差自适应补偿方法

额定量程内称重传感器的非线性误差不同,为此阐述了称重传感器的非线性误差特性,提出了一种非线性误差自适应分段补偿方法:在额定量程的上限区,采用基于径向基函数神经网络(RBFNN)的补偿网络完成传感器非线性误差补偿;在下限区,采用数字滤波器完成非线性误差补偿;在中间区,传感器不补偿。同时利用自适应选择网络,完成了分段补偿的选择。实验表明,采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2、0.4、1.37下降到0.16、0.04、0.07,补偿效果明显。     

改进型BP神经网络对电容称重传感器的非线性校正

针对电容称重传感器电容检测电路的输出电压与载荷质量之间的非线性特性问题,基于贝叶斯正则化的L-M算法建立BP神经网络改进模型,实现了电容称重传感器的非线性特性的校正,并与传统的梯度下降算法建立的BP神经网络模型的校正结果进行了仿真对比。仿真结果表明:改进型BP神经网络具有较快的收敛速度、较高的精度和较好的推广能力,有利于准确实现电容称重传感器非线性特性的有效校正。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.     

基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

二进离散小波神经网络在传感器逆向建模中的应用

给出了快速收敛的离散二进小波神经网络的初始化,构造和权值确定的详细方法。并将这类小波神经网络应用于传感器的非线性校正,并给出了仿真实验结果。相对使用随机贪心算法训练的神经网络,快速收敛小波神经网络利用离散二进小波变换的便利,采用启发式的构造算法;具有构造过程复杂度低,构造完成后高度接近目标模型,训练次数少,并可有效避免陷入局部极小点的优点。有效解决了小波神经网络尺度和平移系数在训练时需对小波函数进行求导而影响网络收敛速度的问题。     

二进离散小波神经网络在传感器逆向建模中的应用

给出了快速收敛的离散二进小渡神经网络的初始化．构造和权值确定的详细方法。并将这类小波神经网络应用于传感器的非线性校正，并给出了仿真实验结果。相对使用随机贪心算法训练的神经网络，快速收敛小波神经网络利用离散二进小波变换的便利，采用启发式的构造算法；具有构造过程复杂度低，构造完成后高度接近目标模型，训练次数少，并可有效避免陷入局部极小点的优点。有效解决了小波神经网络尺度和平移系数在训练时需对小波函数进行求导而影响网络收敛速度的问题。     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

基于改进RBF网络的传感器非线性误差补偿

为推动胃肠道动力功能障碍型疾病临床诊查技术的发展,研制了胃肠道多元生理参数无创检测系统,针对该系统中压力传感器的非线性误差补偿问题进行研究。介绍了系统所采用的扩散硅压阻式绝对压力传感器的原理,分析了这类传感器的非线性误差产生原因。在传统的减法聚类算法的基础上,提出基于改进的减法—密度聚类算法的RBF网络的传感器非线性误差补偿方法,对样本数据进行聚类操作,用来确定RBF神经网络的初始聚类中心,并结合梯度下降法对网络参数和权值进行训练。结合实际系统的实验数据进行了方法验证和效果分析。实验结果表明:方法在系统误差纠正方面比传统方法提高至-1～4 kPa,使得测量结果准确性得以较大的提高,满足了系统的应用需求。     

传感器模糊神经网络非线性误差补偿的研究

在测量系统中。传感器的非线性特性是测量系统误差的主要来源。要提高测量系统的精度，就必须进行误差补偿。设计了一个用模糊小脑神经网络实现的补偿环节。该补偿环节是一个用神经网络拟合的传感器逆特性，通过传感器的逆特性将传感器非线性特性改造成与实际物理过程相一致的不失真的线性特性。从而减小非线性误差。通过应用实验，验证了该方法的有效性。     

基于小波神经网络的空调系统传感器故障诊断

详细阐述了小波神经网络(WNN)的原理、结构,并对传统的BP算法进行了改进。以空调系统传感器故障检测问题为目标,提出了基于WNN的故障诊断方法。通过采集天津博物馆中的传感器数据,对训练好的WNN进行了传感器故障诊断能力的验证,对温度传感器的1℃偏差故障、0.05℃/s速率漂移故障、完全故障、与不同方差下的精度等级下降故障进行了仿真,结果表明:这种方法对传感器故障具有很好的诊断效果。     

基于遗传小波网络的飞控系统故障诊断研究

针对飞行控制系统的传感器故障诊断问题,构造基于Mexico hat小波的小波神经网络,采用改进的自适应遗传算法优化所构造的小波网络的网络参数,并应用训练好的小波网络对飞行控制系统的传感器故障进行诊断.通过在Matlab/Simulink中建立飞控系统传感器的数字仿真模型并进行计算机仿真,得出所构造的小波网络能很好地诊断出飞控系统传感器的三类故障.仿真结果表明,用遗传算法训练小波网络,收敛速度快,且不会陷入局部最优点,训练好的小波神经网络的收敛性、故障诊断能力及泛化性均强于传统的BP神经网络.     

基于三次样条插值的硅压阻式压力传感器的温度补偿

传感器的零点温度漂移、灵敏度温度漂移和非线性误差是影响传感器性能的主要因素,如何能使该类误差得到有效补偿对于提高其性能有重要意义。提出了基于三次样条曲线插值的温度补偿方法,改进了传统三次样条曲线插值的补偿方法,分别对传感器的零点、灵敏度以及非线性进行补偿,用这种方法对测压范围为1.0140×105 Pa～3.0140×105 Pa,温度范围为-20℃～+60℃的硅压阻式压力传感器的实验标定结果进行了温度补偿。通过比较传统三次样条插值补偿后的传感器输出信号,验证了使用改进后的三次样条曲线插值法的补偿效果更好。这种方法为高精度压力传感器的温度补偿提供了一种有价值的理论依据。     

软质电容称重传感机理的初步研究

研究了软质电容式称重的传感机理.根据橡胶的力学特性,分析了传感器电容变化量与受力部分几何形状之间的关系,并通过改变受力大小和受力部分几何形状进行了实验研究.实验结果表明:软质电容称重传感器产生的电容变化量不仅与质量有关,而且与传感器受压面积及几何形状有关,符合一定的规律.用该方法制成的传感器结构简单、携带方便,可应用在许多领域.     

基于小波神经网络的船舶冷却水系统的传感器故障诊断

船舶冷却水系统是保证船舶动力装置安全可靠运行的系统之一,是故障诊断系统的重要组成部分,具有十分重要的工程意义.以船舶冷却水系统传感器故障检测问题为目标,提出了基于小波神经网络预测器的传感器故障诊断方法.该方法避免了神经网络结构设计上的盲目性及训练过程易陷入局部最小等问题,同时采用同伦算法优化网络,解决小波神经网络对初始值敏感的问题.采集大连海事大学实验船的传感器数据,以温度传感器为例,对1℃偏差故障、0.03℃/s速率漂移故障及不同方差下的精度等级下降故障进行了仿真,结果表明同伦小波网络的诊断率高达95%,证明了该方法的有效性.