提高传感系统准确度的软件方法及其应用

传感系统的2项主要误差是非线性误差和重复性,为了提高传感系统的准确度,提出了减小这2项误差的软件方法:即用神经网络技术减小非线性; 用微机软件数字滤波技术减小重复性.与传统技术比,系统的量程扩大30%以上,非线性减小到0.1%FS以下,重复性也大幅减小,应用效果显著.     

光纤陀螺捷联系统振动误差补偿研究

针对舰船振动环境对光纤陀螺捷联系统性能的影响,提出基于神经网络的非线性数学补偿方案。对加速度计信息作傅里叶分析,进行振动特征提取;利用提取的振动特征值作为输入向量进行BP神经网络训练,建立光纤陀螺误差输出模型;对陀螺进行在线补偿,减小振动引起的漂移误差,提高了捷联系统初始对准精度。     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

用神经网络估计模型误差的预测滤波算法

针对时不变非线性系统,提出一种用神经网络进行模型误差估计的预测滤波算法．该算法用寻优的方法离线获得与当前状态和下一步输出测量相对应的模型误差估值,并作为样本训练神经网络;实际滤波中,用训练好的神经网络进行模型误差估计．该方法与原预测滤波算法相比没有动态过程,不会因为滤波器初始误差太大而振荡或发散,且稳态精度与计算步长无关．通过对一个二阶非线性系统的仿真验证了神经一预测滤波器的优越性。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于神经网络的开环光纤陀螺误差补偿方法

根据开环光纤陀螺线性度课差随角速度增大而增大的特性,提出了在大角速度情况下应用神经网络对陀螺误差进行建模并补偿,在小角速度时对陀螺输出数据进行平滑滤波以抑制噪声的分段误差补偿方法.在速率转台上对开环光纤陀螺(VG941)进行测试并采集了测量范围内陀螺的多组实际输出数据,基于这些数据对单输入单输出的神经网络进行训练,得到了开环光纤陀螺的神经网络模型.在所得模型基础上,对整个测量范围内的陀螺原始输出数据采用分段补偿方法进行了陀螺误差补偿,并使开环光纤陀螺最大线性度误差由15%下降到0.3%,提高了开环光纤陀螺的测量精度.实验结果表明基于神经网络的开环光纤陀螺误差补偿方法对提高开环光纤陀螺的精度、扩大其应用范围具有实用价值.     

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.     

基于LM算法的成品油流量温度补偿研究

针对油品体积易受环境温度影响,导致LTC体积流量计测量准确度下降问题,给出了一种基于BP神经网络的油品体积温度误差补偿方法,采用Levenberg-Marquardt(LM)算法进行训练,利用神经网络良好的非线性映射能力,根据实际工作参数训练网络,得到体积修正补偿系数,算法通过可编程序控制器PLC实现,从而达到油品流量误差的智能补偿。应用温度误差补偿方法,保证了测量的正确性,并提高油库生产的计量精度和生产效率。     

基于粗糙集理论的PSO-IOIF-Elman神经网络建模

针对系统级仿真中功放建模的优缺点,结合粗糙集理论提出一种简化粒子群(PSO)算法优化改进OIF-Elman神经网络(PSO-IOIF-Elman)功放行为模型。该模型同时考虑小信号和大信号对功放记忆非线性的影响,结合AM-AM和AM-PM失真把OIFElman神经网络的自反馈系数用归一化后的输入输出电压表示。采用简化PSO优化算法,避免陷入局部最优,用粗糙集理论对模型预测值进行修正与补偿,提高预测精度。通过Matlab仿真比较,该模型训练误差减小9.53%,收敛速度提高11.31%,进而验证了建模方法的有效性和可靠性。     

Least learning machine and its experimental studies on regression capability

Feedforward neural networks have been extensively used to approximate complex nonlinear mappings directly from the input samples. However, their traditional learning algorithms are usually much slower than required. In this work, two hidden-feature-space ridge regression methods HFSR and centered-ELM are first proposed for feedforward networks. As the special kernel methods, the important characteristics of both HFSR and centered-ELM are that rigorous Mercer's condition for kernel functions is not required and that they can inherently be used to propagate the prominent advantages of ELM into MLFN. Except for randomly assigned weights adopted in both ELM and HFSR, HFSR also exploits another randomness, i.e., randomly selected examplars from the training set for kernel activation functions. Through forward layer-by-layer data transformation, we can extend HFSR and Centered-ELM to MLFN. Accordingly, as the unified framework for HFSR and Centered-ELM, the least learning machine (LLM) is proposed for both SLFN and MLFN with a single or multiple outputs. LLM actually gives a new learning method for MLFN with keeping the same virtues of ELM only for SLFN, i.e., only the parameters in the last hidden layer require being adjusted, all the parameters in other hidden layers can be randomly assigned, and LLM is also much faster than BP for MLFN in training the sample sets. The experimental results clearly indicate the power of LLM on its application in nonlinear regression modeling.     

离散事件系统的协调反馈控制

本文探讨以Ｐｅｔｒｉ网为模型的离散事件系统（ＤＥＳ）的某种禁止状态避免问题，提出了以Ｐｅｔｒｉ网Ｎ为基网，设计具有外部输入位置Ｐｅｔｒｉ网（ＰＮＩＰ），对Ｎ进行协调反馈控制的方法。由Ｎ现行状态反馈决定的ＰＮＩＰ的控制状态，既保证Ｎ避免禁止状态，又使Ｎ具有最大自由度。     

Wavelet Neural Network for Corrections Prediction in Single-Frequency GPS Users

Accurate and reliable position determination is a vital component in Global Positioning System (GPS). GPS positioning errors occur from the cumulative effects of receiver, satellite and atmosphere, and also due to the U.S. military intentionally such as Selective Availability (SA). In order to improve the accuracy of positions provided by GPS additional correction information may be used, such as Differential GPS (DGPS) or other sensors to enhance position reliability. The DGPS has the problem of slow updates. To overcome this limitation, DGPS corrections prediction has been proposed. The ability of Neural Networks (NNs) to discover nonlinear relationships in input data makes them ideal for modeling nonlinear dynamic systems. The Wavelet Neural Network (WNN) employing nonlinear wavelet basis function, which are localized in both the time and frequency space, has been developed as an alternative approach to nonlinear fitting problem. Particle Swarm Optimization (PSO), a global optimization method, is used to train the WNN. In this paper, a WNN trained by a PSO algorithm is proposed for DGPS corrections prediction in single-frequency GPS receivers. Experimental results show the feasibility and effectiveness of the proposed method. The results are analyzed and compared with WNN trained by Back Propagation (BP) algorithm. The experimental results show that WNN, trained by the PSO algorithm, is able to reduce RMS errors to less than 1 m with SA on and 0.6 m with SA off.     

基于模值估计的三轴磁力计标定方法研究

现有的三轴磁力计标定方法大都是对采样数据进行归一化,然后利用样本数据求解参数.为了提高标定算法的通用性和有效性.提出了一种改进的标定方法,首先将磁力计所处位置磁场向量的模作为误差模型参数,然后对其进行估计算法设计,接着提出一种两步标定方法进行参数初值的选取,然后应用Levenberg-Marquardt方法进行磁力计标定算法设计.仿真和实验结果表明,本文所提算法对类似的三轴传感器具有通用性,不依赖于传感器的观测向量,同时能够对所观测向量的模值进行精确的估计,可以标定三轴磁力计的安装误差、静态灵敏度误差和零位误差,标定过程简便,适用性广.     

测力平台系统输出压力中心参数的校正

目前使用的应变式测力平台,其检测的压力中心都是以力平台初始标定数据作为依据。由于生产测力平台的工艺及技术问题,随着测力平台使用时间增加、工作环境变化,传感器参数随之改变,很大程度影响了测力平台测量精度。针对这种情况,本研究通过对测力平台静态标定,建立了输出特性校正模型,利用最小二乘法求解该模型参数,并应用软件补偿实现对测力平台的校正。基于实验结果,讨论了最优模型结构参数,表明了此方法能够补偿测力平台的非线性,可在一定的温度和压力内实现测量准确度优于1 mm,使测力平台满足人体COP测量评定要求。     

基于综合误差的对角负载稳健波束合成器*

在稳健的波束合成器中,采用对角负载的校正方法能有效克服误差影响。与传统的对角负载稳健波束合成器相比,新算法一方面综合考虑多种误差影响,建立相应数学模型;另一方面,在求解最优对角负载值时,对协方差矩阵进行了预处理,消除了部分误差影响,从而使对角负载校正方法更加有效。计算机仿真证明了新算法的有效性。     

基于粒子群优化的三轴磁强计非线性误差校正

三轴磁强计的非线性误差是影响其测量精度的重要因素,而传统三轴磁强计误差模型仅考虑零偏、磁轴非正交和灵敏度误差,无法实现对磁测误差有效剥离和校正.通过对传统误差模型进行扩展,提出了三轴磁强计的非线性误差模型,并利用自适应粒子群优化(APSO)算法对非线性误差模型参数进行反演.实验结果表明:可以有效地补偿三轴磁强计的非线性测量误差,相较于传统校正方法,在误差参数规模较大情况下,APSO算法具有更好的全局搜索能力,可大幅提高误差参数反演精度及算法收敛速度.     

基于小波神经网络的非线性系统建模研究

研究了用小波神经网络对非线性系统进行建模问题。提出了用带遗忘因子的最小二乘法训练网络的权值,利用递推预报误差算法训练伸缩因子和平移因子的交互辩识算法。仿真结果证明了算法的有效性。     

未知主点条件的相机焦距自标定方法

对于双目相机焦距自标定,当前研究方法均假定相机主点位置已知,而相机主点在实际中却通常是未知的,提出一种主点和场景均未知的条件下相机焦距自标定的新方法,通过严格的数学分析表明相机的坐标系尺度对焦距标定具有重要影响,并在坐标系尺度影响的定量分析的基础上提出了一种选择合适的坐标系尺度算法。模拟和实际实验都验证了坐标系尺度的重要性,且该方法较传统方法可获得更好的标定精度。     

基于网络与统计方法的集成分类器及其应用

分析了各单一方法的分类性能，提出了神经网络与统计方法相集成的策略，由此提出MLFN-CCA-Fisher集成分类器。通过网络的自适应学习，将原样本模式经加权S型变换，映射到新的模式空间，能被线性分类，然后用相关成分分析方法提取特征，再建立Fisher判别模型。在性能测试与实际应用中，集成分类器均取得了良好的效果。