基于径向基函数神经网络的高精度基准编码器误差补偿

高精度角度基准编码器的角度误差,对小型绝对式光电编码器误差检测装置的测量精度有着重要的影响。影响基准编码器角度误差的因素众多,难以用准确的数学模型来描述。为此提出一种通过径向基函数神经网络进行误差修正的方法。首先,为增加基准编码器检测采样点,使用多种多面体对基准编码器进行检测,并将误差合成在同一坐标曲线上。然后,利用检测误差结果作为训练样本,建立径向基函数神经网络模型,使其输出逼近真实角度。最后,通过补偿电路的设计,对小型编码器误差检测装置的基准编码器进行补偿。实验表明,补偿电路的处理速度快,实现简单,不受算法复杂度影响。补偿后的编码器精度提高了2 倍,有效改善了检测装置的检测精度。     

阵列误差影响下的RBF神经网络波达方向估计

针对阵列误差(阵元间互耦、通道失配)影响下波达方向估计问题,提出一种新型的基于径向基神经网络侦察测向系统。这种系统采用直接数据域补偿算法对输入数据进行误差补偿,从而获得正确的基函数中心。在无需对RBF神经网络测向系统作任何改进的情况下,可获得对波达方向的准确估计。为了减少输入,利用信号协方差矩阵的对称性以及对角线元素不包含信号方向信息的特点,仅考虑协方差矩阵中的上三角部分元素作为网络输入。给出了应用该方法的具体步骤。仿真实验表明,基于这种RBF网络的侦察测向系统达到了很高的精度。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

基于径向基网络动态称量数据修正

在动态称重仪表技术上提出了基于广义回归神经网络GRNN与径向基RBF结合的拟合逼近法,增加车型代码并入输入神经元。实验表明,GRNN网络适用于动态称量大样本下的拟合回归,提升运算速度。同时RBF网络进一步修正称量数据,提高了动态称重的准确性、快速性。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

称重传感器蠕变补偿的RBF网络模型

称重传感器的蠕变是影响精度的主要因素之一。针对传感器蠕变的实时性与非线性,建立了称重传感器蠕变补偿的RBF网络模型。设计硬件采集电路并采用低功耗处理器对传感器数据进行软件补偿。仿真结果表明,RBF神经网络具有很强的逼近非线性函数和自学习能力,能够对称重传感器的蠕变误差进行修正。补偿后的蠕变误差减小至0.005%以内,补偿效果明显。     

基于RBF神经网络的B样条曲面重构

采用RBF神经网络模型进行自由曲面重构,建立了适合曲面重构的径向基函数网络模型,并在B样条曲面上做了仿真试验.实验结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快.说明了径向基函数神经网络应用于曲面重构问题的可行性.     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

FBG反射谱中心波长检测算法仿真与实验分析

为了进一步提高光纤布拉格光栅(FBG)中心波长的检测精度,结合其反射谱波长检测方法,给出了一种反射谱数据处理流程并对流程中的数据拟合方法进行了重点分析.通过仿真和实验,对高斯曲线拟合、一般多项式拟合、三次样条拟合和径向基函数(RBF)神经网络拟合的检测精度进行了比较,并利用高斯拟合分析了不同数据采样间隔和不同的数据截取...     

基于RBF的金属壳谐振陀螺温度误差补偿方法

针对金属壳谐振陀螺由于温度变化导致陀螺精度降低的问题,提出一种基于RBF神经网络的金属壳谐振陀螺温度误差补偿方法。在-4～60℃温度范围内,分别建立金属壳谐振陀螺的温度误差一阶多项式模型、二阶多项式模型和RBF神经网络模型,基于三种温度误差模型对陀螺输出进行温度误差补偿。实验数据表明,基于RBF神经网络模型的补偿效果优于基于一阶多项式和二阶多项式模型的补偿效果,补偿后漂移标准差减少了66.31%,可大幅度降低温度变化对金属壳谐振陀螺精度的影响,在工程实际中有一定参考意义。     

光栅角编码器偏心误差修正方法研究

为了减小光栅角编码器偏心误差的影响,提高光栅角编码器角度测量的精度,对偏心误差的修正方法进行了研究。通过对光栅角编码器测角原理和偏心误差产生原因的分析,建立了偏心误差模型。并根据偏心误差模型的特点,对其进行简化,得到易于数学计算的偏心误差修正模型。以平行光管和23面棱体为基准,得到存在偏心误差的一组光栅角编码器测量数据。使用线性最小二乘参数选择准则,对偏心误差修正模型中的参数进行优化计算,得到修正模型中的参数,完成对光栅角编码器误差偏心的修正。通过误差修正试验和精度验证试验,表明经过偏心误差修正,系统测量精度优于±13″。修正方法达到了补偿误差的目的,提高了光栅角编码器的测量精度,满足了高精度角度测量的要求。     

微波辐射计反演大气折射率剖面技术研究

温度变化引起的干空气和水汽对23.8GHz和31.65GHz双通道微波辐射计的观测亮温变化的贡献表明,干空气对观测亮温的变化可以忽略。在此基础上,提出了将折射率的干项和湿项分别反演的方法,并且将径向基神经网络(RBF网络)方法应用于折射率剖面反演中。基于青岛历史探空数据和实验数据,对线性回归、非线性回归和Hopfield模型反演折射率干项剖面的精度进行了比较,并对利用线性回归、非线性回归、BP网络和RBF网络方法反演折射率湿项剖面的精度进行分析,结果表明:反演折射率干项和湿项剖面分别采用线性回归方法和RBF网络方法可提高反演精度。     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

基于RBF神经网络的压电执行器迟滞建模

针对压电陶瓷执行器的迟滞非线性特性问题,该文提出了一种最小二乘法与径向神经网络相结合的建模方法。首先,通过搭建压电执行器位移测试系统,得到执行器输出位移与输入电压的对应曲线关系,然后用最小二乘法对该曲线进行多项式拟合,得到压电执行器的迟滞数学模型,在此基础上再用径向基函数神经网络方法对该模型进行优化。最后对建立的模型进行分析发现,用最小二乘法拟合的多项式数学模型,其最大误差Emax=0.244 7 μm,标准方差δ=0.059 02 μm,而利用径向基函数(RBF)神经网络优化建模后,Emax=0.079 89 μm,δ=0.016 04 μm。实验证明该模型有较高的准确性, 该文为压电执行器迟滞建模提供了一种新的方法。     

基于神经网络信息融合隧道CO浓度预测研究

高速公路隧道监控系统存在传感器单一、可靠性低等问题,如果能对失效传感器数据预测,可提高隧道安全性。利用BP和RBF神经网络的非线性逼近能力融合提取隧道CO浓度信息特征,再用最优均方误差加权融合算法对两种网络分别提取的信息再次融合预测隧道CO浓度。提高了模型预测精度,进而给出数据预处理方法和模型评价指标。仿真实验表明:该模型对隧道CO浓度预测的有效性,性能优于单一神经网络融合预测模型。     

基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.