BP神经网络在小信号有效值非线性误差校正中的应用

系统传输的非线性是产生测量误差的主要原因之一。为保证测量精度,应对非线性误差进行校正。描述了BP神经网络的基本模型及算法,阐述了神经网络校正非线性误差的基本原理,提出了用BP神经网络来校正交变小信号真有效值非线性误差的方法。最后给出了校正AD637非线性误差的实验数据。结果表明：运用BP神经网络校正非线性误差,提高了交变小信号真有效值的测量精度。     

基于PID神经网络的智能温度仪表研究

热电偶在工业测温中应用广泛,但其温度和热电势之间呈非线性关系,限制了测温精度.利用PID神经网络前馈校正法功能,设计了智能温度仪表硬件电路来解决热电偶温度计算的精度问题.通过实验验证,这种计算方法准确性高、实用性强.     

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.     

基于神经网络的NTC热敏电阻校正方程的试验研究

为了提高NTC热敏电阻的测温精度,采用BP神经网络对NTC热敏电阻传感器的Steinhart-Hart方程进行非线性校正,提高了测温精度。     

一种简单的数字式测温电路

将热电偶的输出电压转换成频率,然后由数字式频率计测出,此测温装置与镍—镍铬热电偶连接能测量5℃—800℃的温度,误差±1℃。热电偶的输出信号与温度之间的特性是非线性关系,取特性某一部分的近似值,仍然可以在预定的误差内进行温度测量。多数情况下测量的准确度足以达到±1℃,在这种情况下此装置具有电压频率变换器及标准刻度是有某些优点的。刻度直接提供输出数据的摄氏度数。     

基于神经网络的汽油干点软测量

针对常压蒸馏塔产品质量(汽油干点)测量困难的特点,建立质量指标(汽油干点)与其影响因素的多层前馈神经网络,应用神经网络的输入输出非线性函数逼近原理,将易于测量的温度压力等参数作为网络的输入,使经过BP算法学习的神经网络输出与实际化验的质量指标(汽油干点)值逼近。以此方法来实现常压蒸馏塔产品质量的在线软测量,以获得控制与优化所需的实时质量测量信号。这种软测量为实现常压塔的质量优化控制奠定了基础。     

热电偶测温系统误差剖析及处理对策

热电偶是温度测量系统中最常用的传感器之一.通过实际应用中的典型案例,从理论上剖析了热电偶自身、补偿导线、二次仪表等环节在测温过程中产生误差的原因,提出了提高热电偶测温精度的相应对策,以达到为生产过程的温度正确、准确测量提供理论指导的目的,有一定实际意义.     

热释电效应与超声衰减结合的离体温度估计

针对不规则介质引起的超声信号方向改变对超声测温的影响,提出结合热释电传感器和衰减系数温变性的超声测温方法. 构建并论证由超声、待测体和热释电传感器组成的测温模型. 设计制作具有高吸声特性的传感器,评价该传感器的超声信号的响应性能. 结果显示,传感器的输出电压与到达的超声功率成正比,功率灵敏度为3.117 mV/W,测量误差小于2.5%. 通过估计离体猪肉组织温度验证测温方法的准确性,传感器的输出信号时域能量与组织温度的相关性达到0.975 5,该方法估计的温度与热电偶测量值基本一致,估计误差小于3.95 °C. 实验结果表明,利用热释电传感器与超声能够测量出组织的温度的变化.     

基于热电偶的精密环境温场测量的关键问题研究

分析了热电偶温度测量不确定度、温场稳定度测量不确定度和温场均匀度测量不确定度,为精密环境的温场参数测量和控制提供理论保障.分析表明,热电偶测温不确定度与热电偶热电动势、参考端温度传感器的测量不确定度密切相关;温场均匀度测量不确定度与热电偶热电动势的测量不确定度密切相关;温场稳定度测量不确定度与热电偶热电动势和温差拟合函数的关系密切,在一次线性拟合的条件下取决于拟合函数的斜率.针对测量过程中存在的脉冲噪声和热电偶非线性的干扰,结合精密环境温度信号变化缓慢的特点,提出综合运用均值滤波和中值滤波处理热电偶热电动势测量数据去除测量中脉动噪声和热电偶非线性对测量结果的影响.     

基于LabVIEW的温度监测系统及软件设计

为提高温度测量的智能化水平并降低仪器成本,设计了一种虚拟温度监测系统.该系统用热电偶采集工作端温度,用AD590采集冷端温度,用神经网络算法实现了热电偶的冷端补偿和非线性校正.开发了基于LabVIEW的温度监测系统软件,该软件具有数据的采集、处理、分析、显示、保存以及温度的报警功能.仿真实验表明,该监测系统测温准确、稳定可靠,可满足实际需要,有较高的应用价值.     

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.     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

Combined Transmission Interference Spectrum of No Core Fiber and BP Neural Network for Concentration Sensing Research

To investigate wavelength response of the no core fiber(NCF)interference spectrum to concentration, a three-layer back propagation(BP) neural network model was established to optimize the concentration sensing data. In this method,the measured wavelength and the corresponding concentration were trained by a BP neural network, so that the accuracy of the measurement system was optimized. The wavelength was used as the training set and got into the input layer of the three layer BP network model which is used as the input value of the network, and the corresponding actual concentration value was used as the output value of the network, and the optimal network structure was trained. This paper discovers a preferable correlation between the predicted value and the actual value, where the former is approximately equal to the latter. The correlation coefficients of the measured and predicted values for a sucrose concentration were 1.000 89 and 1.003 94; similarly, correlations of 0.999 51 and 1.018 8 for a glucose concentration were observed. The results demonstrate that the BP neural network can improve the prediction accuracy of the nonlinear relationship between the interference spectral data and the concentration in NCF sensing systems.     

基于神经网络的瓦斯传感器非线性校正

瓦斯传感器输出非线性问题的原因很多,其中包括敏感元件温度变化所带来的影响,但即使使用恒温瓦斯检测技术,非线性误差仍然存在,影响了瓦斯检测的准确性。在简述用神经网络进行非线性校正的原理的基础上,探讨了用BP神经网络实现瓦斯传感器非线性校正的模型、MATLAB算法和实现程序,通过计算机仿真,其结果表明采用该方法能够得到令人满意的结果,且结构简单,准确度高。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

BP神经网络在商品住宅定价中的应用——以杭州市为例

商品住宅的合理定价问题是开发商开盘前面临的重大课题。文章运用BP神经网络非线性的学习能力,通过商品住宅定价的流程设计,运用商品住宅特征价格理论,分析商品住宅价格的影响因素,并采用大量样本数据进行模拟训练与验证,模型结果显示交易样本输出值与实际值相对误差在10%以内,达到精度要求。文章探索将BP神经网络引入到商品住宅定价中,避免了传统定价方法主观性较强的弱点,同时还为批量定价或估价提供了一种新思路。     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素以及建筑本身因素等导致预测精度不高的问题．提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习．但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足．最后通过仿真实验,结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热．     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.