基于小波神经网络建立虚拟仪器非线性软校正模型

神经网络具有良好的学习特性,小波变换有良好的时频局部化性质,将二者结合在一起构成小波神经网络兼有神经网络和小波变换的优点.本文提出了解决虚拟仪器系统非线性校正问题的小波神经网络算法.最后通过一个应用实例表明,采用小波神经网络建立软校正模型,不仅可以使系统获得高精度,而且在相同的误差条件下,其收敛速度也要远远快于传统的BP神经网络.     

基于小波神经网络建立虚拟仪器非线性软校正模型

神经网络具有良好的学习特性,小波变换有良好的时频局部化性质,将二者结合在一起构成小波神经网络兼有神经网络和小波变换的优点。本文提出了解决虚拟仪器系统非线性校正问题的小波神经网络算法。最后通过一个应用实例表明,采用小波神经网络建立软校正模型,不仅可以使系统获得高精度,而且在相同的误差条件下,其收敛速度也要远远快于传统的BP神经网络。     

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     

高分子湿度传感器非线性误差校正的神经网络模型设计

本文介绍了湿度测量中的传感器误差问题，提出了一种基于人工神经网络的非线性滤波器模型，并成功地应用于温湿度传感器非线性误差的校正中。     

用于传感器非线性误差校正的新颖神经网络

该文阐述了用神经网络校正传感系统非线性误差的原理和方法,提出了一种新颖的简化小脑模型神经网络（SCMAC）及其模型、算法与实现技术.模型、算法采用直接权地址映射技术,以训练样本的输入为地址,建立起输入与权重的关系.任意输入作为相近的权地址,即可找到对应的权,经过联想插补后可获得高精度输出.此外,采用磁盘文件存储、寻址权重等方法,避免了微机内存溢出,使得实现容易.最后给出了一个仿真实验.实验结果表明,用SCMAC校正后,可使传感器的非线性误差减少到近似为零.     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

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ARIMA模型误差修正的小波神经网络风速短期预测

风电场风速短期预测对于风力发电具有重要意义。本文首先根据国家标准《风电场风能资源评估方法》推荐的方法对风速数据进行预处理,修正不合理的数据以及插补丢失的数据:接着运用小波神经网络对预处理之后的数据进行预测,并对预测之后的残差形成的随机序列建立ARIMA误差预测模型,最后用预测的误差来修正风速预测结果。将以上方法用于某小型风电场实测数据,并将运算结果与小波神经网络的预测进行比较,MAPE降低了46.97%,结果表明基于ARIMA模型误差修正的小波神经网络明显改善了风速预测的精度,可有效应用于短期风速预测。     

用小波神经网络补偿传感器非线性误差的研究

研究了一种用小波神经网络对传感器非线性误差进行补偿的方法 ,给出了相应的算法和计算公式。该方法可将传感器传输特性的非线性模型改造成为与实际物理过程相一致的不失真的线性模型 ,从而使传感器的非线性误差大大减小。应用实例结果表明了该方法的有效性。     

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.     

基于神经网络误差修正的广义预测控制

本文基于ＢＰ结构神经网络，对系统的建模误差进行预测，并将其与模型预测相结合构成广义预测控制算法，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性；仿真结果表明了这一算法的有效性。     

BP神经网络误差修正的电力物资时间序列预测

传统的ARIMA时间序列分析方法是基于线性技术来进行时序预测,而对非线性数据的处理不尽合理,效果欠佳;而影响电力物资需求的因素非常多,绝大多数的物资序列通常既包含了线性时序的部分,又包含了非线性时序的成分.本文提出在ARIMA对电力物资需求预测的基础上,融合BP神经网络进行误差修正,以全面提取物资序列中的复合特征,提高电力物资的预测精度.实验结果表明,误差修正后的电力物资预测精度有了显著提高,可以为制定物资采购计划提供重要的数据支持.     

GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

一种基于小波神经网络故障检测方法的仿真研究

文中提出了一种基于小波神经网络一性观测器的故障检测方法。它是一种把信号分析和模型相结合的故障检测方法,通过小波对信号的去噪和神经的神经网络的自学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判疡,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法是可行的。     

应用BP神经网络进行成像误差修正

成像误差修正是摄像机标定中的一个重要的环节，而传统的像差修正方法计算复杂。提出了一种基于BP神经网络的修正成像误差的算法，建立两个神经网络分别对δu与δv进行最佳函数逼近。仿真实验结果证明利用神经网络的非线性逼近能力无须建立精确的数学模型即可提高精度，而且比传统的方法更加简单易行。     

一种基于神经网络和Neugebaure方程的输入图像色彩校正模型

在分析扫描物呈色原理和误差产生原因的基础上,提出了一种扫描输入图像的色空间转换的修正模型.首先重新解释Neugebauer方程的参数含意,使原本只适用于印刷网点图像的Neugebauer方程也适用于非印刷网点图像.随后结合Neugebauer方程和RBF神经网络,分单色、双色和三色逐步导出输入图像的色彩修正方程.最后给出的实验结果表明,与目前具有较高转换精度的主流模型比较,本文模型能够明显提高转换精度.     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

基于优化小波BP神经网络的燃气短期负荷预测

在燃气短期负荷预测问题的研究中,燃气负荷由于受天气、人为活动等因素的影响,呈现出一种非线性特性,单个神经网络的局限性限制了其预测精度.为了有效的预测天然气短期负荷,提出了一种混沌遗传算法优化的小波BP神经网络预测模型.小波网络结合小波变换良好的时频局部特性和神经网络的自学习能力,加强了网络的函数逼近能力.利用混沌遗传算法的全局优化搜素能力对网络连接权值、阈值和伸缩平移尺度的优化求解,加快了网络的收敛的速度,建立最优的燃气负荷预测模型.将组合模型应用于上海燃气短期负荷预测,结果表明改进检测模型具有更好的非线性拟合能力和更高的预测精度.     

基于神经网络的瓦斯传感器的非线性校正

文章提出了一种基于改进型BP神经网络的瓦斯传感器的非线性调校方法,该方法利用神经网络良好的非线性映射能力逼近反非线性函数,从而完成非线性校正。仿真结果表明:与传统的分段线性方法和BP算法相比,改进型BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校。