一种光电位置敏感器件温度补偿方法研究

光电位置敏感器件(PSD)是一种可直接对其光敏面上光斑位置进行检测的光电器件,基于PSD可以构成多种非接触的高精度动态位移监测仪器。在PSD器件使用中的一个关键问题是如何克服温度的影响,以提高检测的精度和可靠性。分析了光电位置敏感器件(PSD)的温度特性,表明测量范围较宽时,传感器的输出易受环境温度的影响,并且成非线性。提出一种基于神经网络共轭梯度算法的光电位置敏感器件温度补偿方法.利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过训练使神经网络建立在不同环境温度下传感器输出与其实际感受的电压值之间的非线性映射关系,实现光电位置敏感器件温度补偿。实验结果表明,该方法不仅能有效地消除温度的影响,而且能在神经网络的输出端得到期望的线性输出。     

基于BP算法的光纤传感器非线性位移补偿研究

针对光纤位移传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用BP算法,以传感器的输出作为神经网络的输入样本.传感器的输入位移为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现位移测量的非线性补偿.实例仿真结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

PSD空间定位的非线性误差补偿模型及归一化

PSD是一种高分辨率、实时性好的光电位置敏感器件，因而具有广泛的应用前景.但在光照度变化条件下，输出信号存在非线性飘移，因而影响了作为位置检测传感器的检测精度，尤其在3D测量时适用性受到了限制.针对这个问题，提出了一种PSD位置传感器的非线性误差补偿方法.该方法针对目标的空间距离变化所产生的PSD输出非线性飘移，采用归一化模型进行误差修正，很大程度上改进了PSD的输出一致性，使基于PSD的3D测量系统性能得以提高.     

高精度PSD线性化方法与实验研究

为了提高位置敏感探测器(PSD)的测量精度,减少其非线性带来的误差,设计了基于微位移平台的在线数据采集与校定装置,提出了基于BP神经网络的非线性校正算法,进行了数据采集和线性化实验研究,并对线性化结果进行了误差仿真分析。实验结果表明,设计的线性化算法真实有效,采用该方法校正后PSD的最大线性度误差为3.3μm,大幅减小了PSD的非线性,在不增加成本和设备复杂度的前提下大幅提高了PSD的测量精度和数据置信度,具有很高的实用价值。     

神经网络动态补偿方法及应用

三轴飞行仿真转台是专门用于测试导弹导引头性能的重要设备,是一类具有非线性、时变性和不确定性的复杂的电液伺服系统,其中环系统的阻尼比和固有频率通常较低,需加以校正．提出一种采用神经网络来实现对系统进行动态补偿的新方法,控制器采用单个神经元PID,动态补偿采用三层前向网络,隐层采用S型函数．仿真结果表明该方法相对于线性动态补偿器能更好地改善系统的动态性能,并能够利用神经网络的在线调整,使对象发生变化时得到更好的补偿．     

三容系统的解耦神经网络PID控制

三容水箱是常见的非线性强耦合系统,利用一种非线性动态解耦的方法对其进行解耦(其特点是能利用非线性补偿的方式将该类系统各回路输入与输出之间完全解耦),然后采用基于BP神经网络的PID控制策略对其进行控制,并利用MATLAB进行仿真。仿真结果证明解耦的有效性,表明了BP神经网络的PID算法比传统的数字PID具有更强的抗扰动性。     

基于动态反馈的AUV水平面路径跟踪控制

针对离散自治水下机器人水平面的路径跟踪控制问题,利用水下机器人的位置和姿态角量测信息,提出神经网络自适应输出反馈控制器.所设计的控制器包括3部分,镇定水下机器人动态系统线性部分的动态反馈控制器;神经网络控制器,用来补偿水下机器人受到环境干扰引起的水动力系数变化的不确定非线性结构;补偿环境扰动和神经网络带来的重构误差的鲁棒控制器.基于离散非线性系统理论,对水下机器人水平面跟踪误差系统进行分析,得到系统的跟踪误差最终一致有界.所提出的控制方法具有对模型精确度要求低的优点,利用INFANTE水下机器人模型进行仿真分析验证了提出的控制算法的有效性.     

有源消声的混合自适应控制系统及试验研究

为有效提高有源噪声控制的消声性能,针对线性控制和非线性控制方法的优缺点,基于模型参考神经网络直接自适应控制原理,提出了一种模型参考混合直接自适应控制策略,利用FLMs和非线性BP网络混合构建自适应控制系统,通过系统误差确定2种网络的加权系数,使控制器训练初期以FLMs为主提高收敛速度,后期以非线性BP网络为主提高系统控制精度．混合控制策略在保持原有非线性控制策略优点的同时,提高了系统的收敛速度．试验结果表明．该控制策略优于神经网络自适应控制．     

一类非线性时滞系统的输出反馈模糊控制

针对一类由T-S模糊模型表示的非线性时滞系统，提出一种输出反馈模糊控制器设计的新方案．首先采用PDC（并行分布补偿）的基本思想设计输出反馈控制器，然后利用T-S模糊模型扩展的稳定性条件，给出系统以稳定度口全局渐近稳定的充分条件，最后基于LMI（线性矩阵不等式）方法，将模糊控制器的设计问题转化为LMIP（线性矩阵不等式问题）．     

误差补偿和时滞辨识预测控制算法

通过神经网络辨别出非线性系统的滞后时间,并采用误差补偿手段对神经网络进行修正,控制系统的反馈取自不带时滞的非线性神经网络的输出,采用预测控制策略改善整个系统的控制性能。仿真实验表明该方法具有较快的响应速度和较强的自适应性与鲁棒性,能有效克服延迟和干扰给控制品质带来的不利影响,取得了良好的控制性能。     

BP算法在位移传感器测量精度方面的应用

在较高精度位移测量中,需要对位移传感器的输出进行温度补偿。采用BP(Back Propagation)网络的多传感器数据融合方法,把位移传感器和温度传感器的输出作为网络的输入向量送入融合中心,通过BP网络训练,然后将标定样本送入训练好的神经网络,得到比较准确的位移输出。为克服传统BP网络算法收敛慢、容易收敛到局部最小点的缺陷,采用BP多层前馈神经网络改进算法对传感器特性进行补偿,用MATLAB仿真所得到的结果与原有的实验数据相比较,在相同的温度波动情况下,位移传感器的输出误差比原来的减小了3倍,而且大幅度地节省了时间。     

催化传感器对可燃混合气体的分析

催化传感器对不同可燃气体或在不同的工作温度下有不同的输出灵敏度，根据这一特点控制催化传感元件的工作温度，检测可燃混合气体在不同工作温度下的输出信号，由催化传感元件的静态热平衡关系，得出信号与混合气体中各种可燃气体浓度相关的方程组，由于输出信号与气体浓度的关系是非线性的，故采用人工神经网络进行训练，建立了分析多种可燃气体的数学模型，通过对甲烷，丁烷和乙炔3种气体混合的5组样品进行实验，分析结果的绝对误差均小于0．5％，证明所研究的方法可以较好地实现单一催化传感器对多种可燃混合气体的分析．     

基于径向基神经网络的压力传感器信息融合技术

因为压力传感器的温度漂移普遍存在,其输出特性容易受环境温度、电压扰动等各种非目标参量的影响,从而大大降低了其性能．利用径向基神经网络构建了双输入单输出网络模型,采用带遗忘因子的梯度下降算法,实现了压力传感器高精度温度补偿,从而大大提高了压力传感器的稳定性和可靠性．     

基于BP神经网络的热舒适性指标计算

人的舒适性与其影响因子之间存在着复杂的非线性关系,由于人工神经网络能够反映非线性的映射关系,因此利用神经网络可实现对舒适性指标的计算．首先对BP神经网络做了一个简要介绍,并建立了一个用于训练计算舒适性PMV指标的3层网络．以Fanger公式计算了输入样本的期望输出值,利用输入样本与期望输出值对网络进行训练．神经网络达到误差要求后计算PMV指标,其中未经网络训练的样本计算结果与Fanger公式计算结果平均偏差为0．026,最大偏差为0．113,计算误差均在工程应用的允许范围之内．     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

Study on Adaptive Control with Neural Network Compensation

A scheme of adaptive control based on a recurrent neural network with a neural network compensation is presented for a class of nonlinear systems with a nonlinear prefix. The recurrent neural network is used to identify the unknown nonlinear part and compensate the difference between the real output and the identified model output. The identified model of the controlled object consists of a linear model and the neural network. The generalized minimum variance control method is used to identify parameters, which can deal with the problem of adaptive control of systems with unknown nonlinear part, which can not be controlled by traditional methods.Simulation results show that this algorithm has higher precision, faster convergent speed.     

神经网络非线性估计在浆计量仪中的应用

给出了一种基于人工神经网络的传感器非线线估计新方法。该方法用幂级数多项式拟合传感器的非线性模型，多项式的系数可由神经网络学习算法得到。当环境条件发生变化时，只要给出几组数量数据时，对该方法可自动重新训练网络，获得新的多项式系数，实现传感器的在线标定。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。