电容式降雨传感器及其特性曲线拟合方法

针对将电容式传感器应用于降雨测量时,特性曲线的非线性误差较大问题,分别采用最小二乘曲线拟合法和径向基函数(RBF)神经网络对其输出特性曲线进行拟合.结果表明:RBF神经网络模型具有更强的非线性映射能力,其拟合精度明显高于最小二乘多项式模型.     

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。     

在实际测量中被测体对CZF1涡流传感器的影响

在实际测量中,被测导体对电涡流传感器输出信号的影响一般不被考虑.对涡流传感器的工作原理进行了定性的探讨;在此基础上对不同材料的导体在不同厚度进行实验测量,分析实验数据,研究不同被测导体对电涡流传感器性能的影响.     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于径向基函数网络的永磁同步电机直接转矩控制

对永磁同步电机直接转矩控制系统特性进行了深入研究,提出一种新的径向基函数神经网络控制器,给出了神经网络控制器的结构设计、样本选取及训练方法.利用系统中的开关表作为导师对径向基函数神经网络控制器进行训练,实现了永磁同步电机直接转矩控制的径向基函数神经元网络输出矢量选择.该控制器可以简化获得输出电压矢量的过程,并具有并行计算速度快、转矩响应迅速的性能.仿真结果验证了该控制器的有效性.     

无线传感器网络的系统化自适应建模

无线传感器网络的系统能耗制约着全网络的综合应用能力,其中节点有限的能量从根本上影响着传感器网络效能。针对无线传感器网络的全局能耗问题,提出了基于径向基函数神经网络以及状态空间表达的系统化建模方法。考虑到无线传感器网络的拓扑结构与分级关系, 采用径向基函数神经网络自适应实时规划系统。鉴于各传感器节点对数据的不同处理方式与能耗密切相关, 对全系统能耗建立系统化矩阵模型。仿真分析表明该模型可根据实际应用背景调整设置完成全局优化。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于改进聚类算法的传感器非线性数据拟合研究

针对传感器输出电信号与物理量之间存在的非线性问题,提出了一种新的曲线拟合方法。该方法通过将改进的粒子群优化算法,混沌搜索法和改进的模糊C-均值算法相结合,对实验数据搜索聚类中心点,然后利用分段线性逼近对传感器输入输出关系进行拟合。介绍了粒子群优化算法和模糊C-均值算法,给出了相关的公式推导过程,对传感器输出电信号与物理量的对应关系进行曲线拟合,最后将该方法应用于电涡流智能传感器。实验结果表明,该方法精度高、可靠性好,具有较强的自适应性和快速性,能够更准确的将电信号转换为物理量。     

双光路光纤位移传感器的研究

提出了一种可消除温度对光纤位移传感器影响的双光路传感器结构,用径向基函数(RBF)神经网络对传感器输出进行了处理,并用实测数据对其进行了验证.结果表明:采用双光路结构,并结合RBF神经网络使传感器的热灵敏度漂移降低了近1个数量级.     

Sensor fault diagnosis for a class of time delay uncertain nonlinear systems using neural network

In this paper, a sliding mode observer scheme of sensor fault diagnosis is proposed for a class of time delay nonlinear systems with input uncertainty based on neural network. The sensor fault and the system input uncertainty are assumed to be unknown but bounded. The radial basis function (RBF) neural network is used to approximate the sensor fault. Based on the output of the RBF neural network, the sliding mode observer is presented. Using the Lyapunov method, a criterion for stability is given in terms of matrix inequality. Finally, an example is given for illustrating the availability of the fault diagnosis based on the proposed sliding mode observer.     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

10kV开关柜的真空断路器神经网络健康诊断策略的研究

为了解决10 kV开关柜的真空断路器的维修不足和维修盲目等问题,在对真空断路器故障类型及征兆分析的基础上,提出了一种基于RBF神经网络的10 kV开关柜的真空断路器健康诊断策略。该策略通过传感器提取到真空断路器的特征参数,得到反映真空断路器健康状况的特征量,并以这些特征量作为RBF网络的输入,对真空断路器进行健康诊断,以达到提前预防的目的。Matlab仿真结果证明了该策略的有效性。     

基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法

提出了一种基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法。将消噪后的零序电流绝对值的最大值进行归一化处理后得到故障信息矩阵,并将该矩阵作为RBF神经网络的输入;计算RBF神经网络输入层的活跃值,当活跃值在设定范围内时,RBF神经网络的隐含层与输出层自动断开,隐含层神经元分裂,待网络中权值、方差、中心值等参数自动调整后,RBF神经网络的隐含层与输出层重新连接,输出训练结果;将测试集输入到训练好的RBF神经网络,得出故障选线结果。算例分析结果表明,该选线方法不受故障相位角、接地电阻的影响,故障选线准确、可靠。     

足式机器人腿部倾角传感器信号处理研究

足式机器人在自主行走时,一般通过倾角传感器来测量腿部转动角度计算足端位置,然而目前足式机器人腿部倾角传感器测量时易受噪声干扰、温度等因素的影响,导致测量精度低,足端位置估计不准确.针对以上问题,提出新的倾角传感器信号处理方法,首先利用卡尔曼滤波方法对倾角传感器输出信号进行滤波预处理,然后把滤波信号和倾角传感器输出温度值作为建立的双输入单输出RBF神经网络模型的输入变量,采用蚁群聚类算法的并行寻优特征和自适应调整挥发系数方法来确定RBF神经网络基函数位置.实验结果表明,提出的算法能很好地滤除倾角传感器信号中的噪声,实现了倾角信号的温度补偿,测量误差能够控制在0.75％以内,具有实际运用价值.     

Sensor fault diagnosis in a chemical process via RBF neural networks

Radial basis function (RBF) neural networks are investigated here for process fault diagnosis. The use of the output prediction error, between a neural network model and a non-linear dynamic process, as a residual for diagnosing actuator, component and sensor faults is analysed. It is found that this residual for a dependent neural model is less sensitive to sensor faults than actuator or component faults. This is confirmed in experiments for a real, multivariable chemical reactor. A scheme is then developed utilising a semi-independent neural model to generate enhanced residuals for diagnosing the sensor faults in the reactor. A second neural-network classifier is developed to diagnose the sensor faults from the residuals generated, and results are presented to demonstrate the satisfactory detection and isolation of sensor faults achieved using this approach.