基于神经网络的传感器非线性静态特性模型辨识

本文介绍了近几年来利用ANN可以任意精度逼近任意复杂的非线性函数的特性,所进行的传感器非线性静态特性模型辨识的研究,分析了各种模型与算法的特点及应用,提出了展望。     

基于BP神经网络的振动筒压力传感器的温度补偿

介于振动筒压力传感器在航空领域有广泛的应用,本文以某基于振动筒压力传感器的大气数据系统为基础,研究了振动筒压力传感器的输入-输出特性,并对影响其输出特性的主要因素进行了深入分析,得到了振动筒压力传感器的温度特性曲线.提出了一例利用BP人工神经网络对振动筒压力传感器静态输出特性进行修正的新方法.计算机仿真和试验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现,具有较高的推广应用价值.     

振筒式压力传感器的特性分析

本文通过理论分析与实验分析,研究了振筒式压力传感器的敏感元件——振筒的振动模型、压频特性。分析了振筒传感器产生“振型跳变”的原因,提出了振筒式压力传感器的合理结构设计。     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关,提出了采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对压力传感器输出的影响。研究结果表明,利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于遗传神经网络的传感器输出特性拟合􀀁

针对最小二乘法和分段线性化等传统方法的不足,提出了解决传感器输出特性拟合和在线标定问题的遗传神经网络算法,实验验证了其有效性,本文的论述不但可以用于传感器,而且可以用于其它类似系统。     

基于MATLAB的新型CMAC控制器的设计与仿真

在小脑神经网络(CMAC)与PID并行控制的基础上,提出了一种新型的CMAC控制器,即FCMAC控制器。这种把小脑神经网络与模糊控制(Fuzzy)结合起来的控制方法,具有两种控制方法的优点。本文中以某交流伺服电机作为控制对象,用MATLAB进行了仿真。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。     

CMAC网络在机动目标跟踪中的应用

采用“当前”统计模型的机动目标跟踪算法,常常会遇到当系统参数固定时,如果目标以较小的加速度机动时,系统方差较大、跟踪精度低的问题。为了解决这一问题,该文首先对目标的机动性能提出了一种简单但合理有效的量化方法,在此基础上,根据目标当前的机动性能,通过利用CMAC(小脑模型连接控制器)网络对系统参数进行调整来提高跟踪精度。最后从理论上说明了该算法中使用的CMAC网络一定收敛,从而保证了网络训练结果的可靠性。仿真结果证明了该算法的有效性。     

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.     

用多个改进低维CMAC神经网络学习多维函数的研究

提出了一种多维非线性函数的多神经网络学习方法。即用变量代换的方法把一个多维非线性函数分解为若干低维函数。用多个改进的低维小脑模型神经网络分别映射这些低维函数。提高了收敛性。减少了存储空间。大大提高了学习精度。且易于实现。给出了大量学习非线性函数的仿真实验，其结果表明。采用这种方法的学习精度比用一个CMAC的学习精度提高l0倍以上。     

基于径向基神经网络的电涡流传感器输出特性拟合研究

针对电涡流传感器的输出特性参数非线性较大,不能精确地反映被测物理量的问题,提出了一种采用径向基神经网络对电涡流传感器的输出特性参数进行拟合的方案。该方案采用newrb函数创建一个径向基神经网络,以被测物理量作为输入矩阵、电涡流传感器输出电压作为输出矩阵,对该径向基神经网络进行训练,从而可得到均方根误差小且光滑的电涡流传感器输出特性拟合曲线。实验结果表明,只要选择合适的创建函数和扩展系数,径向基神经网络能有效地实现电涡流传感器输出特性的拟合。     

Adaptive-backstepping force/motion control for mobile-manipulator robot based on fuzzy CMAC neural networks

In this paper, an adaptive backstepping fuzzy cerebellar-model-articulation-control neural-networks control （ABFCNC） system for motion/force control of the mobile-manipulator robot （MMR） is proposed. By applying the ABFCNC in the tracking-position controller, the unknown dynamics and parameter variation problems of the MMR control system are relaxed. In addition, an adaptive robust compensator is proposed to eliminate uncertainties that consist of approximation errors, uncertain disturbances. Based on the tracking position-ABFCNC design, an adaptive robust control strategy is also developed for the nonholonomicconstraint force of the MMR. The design of adaptive-online learning algorithms is obtained by using the Lyapunov stability theorem. Therefore, the proposed method proves that it not only can guarantee the stability and robustness but also the tracking performances of the MMR control system. The effectiveness and robustness of the proposed control system are verified by comparative simulation results.     

小脑模型控制系统的遗传算法最优设计

首次采用遗传算法实现小脑模型控制固定增益的最优设计，并采用超调受限最优化方法进行优化，而且结合线材缠绕坟系统张力控制进行了控制仿真试验，同时采用遗传算法对同一被控对象进行ＰＩＤ最优控制设计，试验结果表明本文方法是有效的，它克服了以往小脑模型控制设计的反复度错的缺点，进而使控制系统设计工作量大大减少，试验还表明，采用遗传算法对小脑模型控制的固定增益进行最优设计，比对ＰＩＤ最优控制设计容易，而且稳定。     

模糊CMAC的硬件结构分析及其FPGA实现

提出了模糊CMAC的一种基于FPGA的硬件实现方法。与其它FPGA实现的神经网络相比，包含了可以用于在线学习的权学习算法。分析了模糊CMAC的模型结构及其相应的硬件模块；用VHDL实现基于上述模块的模糊CMAC；对该模糊CMAC进行硬件综合与测试。测试结果表明：该模糊CMAC的FPGA实现方法是可行的，硬件化后的网络具有速度快、精度高、占用器件资源少的特点，是在SOPC中实现模糊CMAC模块的一种有效方法。     

基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

神经计算中坐标变换的网络模型(CMAC)的泛化特性

在神经计算中神经网络的泛化特性是一个非常重要的内容.该文简述了小脑模型(CMAC--Cerebellar Model Areiculation Controller)的原理和学习算法,并用仿真方法讨论了在机器人使用的坐标变换关系(输入直角坐标值,输出机器手的关节角度)下CMAC的泛化性能:当泛化率为1:100时CMAC仍能正常工作.系统的精度虽能满足需要,但是进一步提高却受到限制.本文还讨论了影响精度的各种因素及可能的改进方法.     

CMAC最优设计及其算法--GA技术优化CMAC偏移矢量分布

采用GA(Genetic Algorithm)技术实现CMAC(cerebellar Model ArticulationController)最优设计及算法.该方法解决了CMAC与其学习对象的整体优化问题,具有理论意义和实用价值.仿真结果证明该方法是成功的和有效的.对不同的客观对象(如空间曲面),可以采用GA技术找到CMAc的最优内部表示(偏移矢量分布),实现一般CMAC难以达到的精度.该方法比Albus的CMAC和Parks等的CMAC学习效果都有不同程度的提高,适合于要求高精度学习的情况.同时给出了任意偏移矢量分布的CMAC算法.     

非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.     

遗传算法对CMAC与PID并行励磁控制的优化

为解决同步发电机在不同工况下的PID控制参数最优化,干扰情况下的快速稳定等问题,提出了一种通过遗传算法来优化CMAC与PID的并行控制策略.由遗传算法来对PID参数进行全局择优,CMAC在其基础上进行局部择优,以达到所需要的控制效果.Matlab仿真表明该控制方案与传统控制方案相比具有优越性,通过现场试验表明算法的可行性和实际控制效果的优越性.