改进BP网络及其在传感器非线性校正中的应用

针对传统BP网络收敛速度慢、容易陷入局部最小点等问题,采用附加动量因子和自适应学习速率进行了改进,并将其用于对传感器的非线性误差进行补偿.用MATLAB语言编制相应的训练程序,仿真结果表明,在相同的条件下,改进后算法节省了大量的训练时间,同时提高了数据拟合的精度.     

基于分层自适应学习率的改进BP算法

在自适应学习率算法的基础上提出一种新的BP网络改进算法——分层自适应学习率附加动量项算法。仿真结果表明该算法较之自适应学习率算法能进一步提高网络的学习速度。     

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.     

采用BP 神经网络及其改进算法改善传感器特

本文采用BP多层前馈神经网络及其改进算法对传感器特性进行补偿 .提出附加动量法、自适应参数变化法为主要内容的BP神经网络改进算法 ,有效地改善了BP网络传统算法收敛慢、容易收敛到局部最小点的缺陷 ,并编制了训练程序 .结果表明 ,经BP改进算法处理后 ,传感器性能大幅度改善 ,改进的BP算法拟合精度更高 ,计算时间更短     

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.     

一种基于粒子群神经网络的容差模拟电路故障诊断方法

为了诊断模拟电路中的故障,在粒子群算法和BP神经网络的基础上,本文提出了一种动态加速常数协同惯性权重的粒子群算法和动量及自适应学习率的BP算法的混合算法训练神经网络权值,使得动态加速常数协同惯性权重的粒子群算法与动量及自适应学习率的BP算法相互补充,提高网络性能,克服了传统BP算法收敛速度不快的缺点。通过对容差模拟电路硬故障的诊断,表明该算法提高了网络的学习速度,能够实现对容差模拟电路硬故障的诊断。     

基于改进BP-LMS自适应滤波器算法的仿真研究

传统的LMS自适应滤波器收敛速度较慢,存在步长、收敛速度和失调的矛盾.针对此问题,提出了一种基于神经网络控制的自适应滤波器变步长算法,其中神经网络结构选择改进后BP神经网络模型,在反向传播过程中加入动量因子和自适应学习方法.使用自适应滤波器输入信号、输出信号、误差和步长因子建立网络关系(BP-LMS),确定学习步骤进行...     

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法.该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势.仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法.     

修正激励函数的BP算法的研究

本文对基于梯度下降的标准BP算法进行了深入研究,提出了修正激励函数的BP算法,它能有效克服标准BP算法中Sigmoid函数的不足,加快网络学习速率。在模型预测控制的建模和预测中,将基于该算法的神经网络与基于标准BP算法的神经网络、基于带动量项的BP算法的神经网络、基于自适应调整学习率BP算法的神经网络、基于自适应调整学习步长和动量项4算法的神经网络进行仿真比较,它在预报准确率和学习速度方面都取得了令人满意的结果。     

醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量一自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的.     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

一种基于神经网络算法的高精度拟合传感器温度特性曲线的方法

为了有效改善传感器温度补偿特性,提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型.分析了算法的收敛性,为学习率的选择提供了理论依据.给出了对掺杂苯的SnO2纳米传感器的灵敏度-温度特性曲线进行拟合的实例.结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度(10-6),因而是一种有效的温度特性曲线拟合方法.     

基于改进型ANFIS的磁致伸缩液位传感器温度补偿

考虑到磁致伸缩液位传感器在温差变化大的环境中温漂现象严重,且产生温漂的多种因素与温漂的程度呈非线性关系,难以用数学模型表达等问题,建立基于改进型ANFIS的温度补偿系统。该系统采用附加动量算法不断修正ANFIS中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该温度补偿系统的性能,将其与基于PSO-LSSVM模型和基于BP神经网络的温度补偿系统相比较。分析与实验结果表明,改进型ANFIS模型的温度补偿的最大误差为0.88%,平均误差为0.65%,远小于另外两种补偿方法。使用了改进型ANFIS的温度补偿方法具有较强的泛化能力,能够有效消除温度对磁致伸缩液位传感器的影响。     

基于深度置信网络的4-CBA软测量建模

PTA工业生产过程中4-CBA的含量是评价其产品质量的重要依据。将深度置信网络和已有的浅层算法相结合,提出基于深度置信网络的4-CBA软测量模型。深度置信网络是一种典型的深度学习算法,该算法在特征学习方面优势显著。根据实验结果,基于深度置信网络的软测量模型能够很好地估计4-CBA含量,和单纯的BP神经网络模型相比,基于深度置信网络的模型预测精度更高。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.