基于BP网络微位移传感器误差修正研究

对微位移传感器非线性误差的修正存在诸多问题,该误差是提高微位移传感器测量精度的＂瓶颈＂。本文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,提出了基于BP神经网络传感器非线性误差校正对测量数据进行修正。修正结果表明该方法是准确有效的,而且网络结构简单,准确度高。     

基于BP神经网络的铂铑热电偶的非线性校正

热电偶是工业中广泛使用的测温元件,由于其自身的物理特性的限制,其输出热电势与被测温度之间存在着一定的非线性,这将增大温度的测量误差,从而影响测量精度。针对这一问题,提出了基于BP神经网络的非线性校正算法,以热电偶的热电动势为输入信号,以与其相对应的温度值作为输出信号,给出了前馈型BP神经网络的结构和训练权值的方法。通过实验仿真结果对比可知,此方法降低了热电偶测温的非线性误差,便于操作,大大提高了铂铑热电偶在温度测量中的测量精度。     

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。     

基于神经网络的气压传感器非线性校正

为了解决气压传感器非线性校正困难、校正结果精度低的问题,基于小波函数建立反向传播(back propagation,BP)神经网络模型,采用Levenberg-Marquardt算法进行网络参数更新,实现了气压传感器的非线性校正.实验结果表明:传统BP神经网络使气压传感器均方根误差由最初的2.10降低到0.68,减少了67.6%的测量误差;而提出的小波BP神经网络则使其降低到0.28,进一步减少了19%的测量误差,更好地满足了高空探测的精度要求,具有良好的泛化能力,可以推广到类似传感器的非线性校正中.     

用插值法实现同步采样

在周期信号有效值测量中,由于被测信号频率的变化,产生同步误差,影响有效值测量精度。提出采用数学插值的方法实现同步采样。仿真表明,采用插值方法实现同步采样,提高了有效值测量精度。     

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。     

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算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

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．     

BP神经网络在带钢宽展预测中的应用

传统数学模型对非线性系统进行预测往往造成较大误差，而BP神经网络能取得较好的效果．本文将BP神经网络的思想用于热连轧精轧自然宽展预测。研究并建立了基于BP神经网络的精轧自然宽展预测控制数学模型。经用现场实测数据仿真验证表明该模型大大优于传统的数学预测模型的预测精度．