基于SVM回归的FLANN改进新法及其应用

通过分析常规函数链接型神经网络（FLANN）结构与支持向量机（SVM）的关系,确定了两者本质上的等价性;在此基础上提出了一种基于SVM技术的FLANN构造新方法,并将SVM-FLANN应用到称重传感器的动态补偿上。结果表明该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点,应用于称重传感器的动态补偿时,对传感器的性能改善效果明显,具有实用价值。     

回归型支持向量机的系统辨识及仿真

本文详细阐述支持向量机(SVM)和最小二乘SVM(LS—SVM)的基本原理基础上。提出基于SVM的线性、非线性系统辨识。通过仿真分析并比较SVM、LS—SVM辨识与神经网络辨识结果，得到SVM、LS—SVM方法比神经网络具有更高的系统辨识精度和更好的泛化能力；LS—SVM算法比SVM快速。抗噪声能力强，更适合于动态系统辨识。     

基于逆模型辨识的Wiener型传感器动态补偿研究

在测量系统中许多传感器动态特性是一个非线性Wiener模型,即存在着严重的静态非线性和动态响应滞后.为了补偿动态误差,采用模型参考和Wiener逆模型辨识的算法建立动态补偿单元.补偿单元由一个静态逆模型和动态逆模型构成.通过静态标定方法,采用单输入/单输出的模糊小脑神经网络(SISO-FCMAC)建立传感器静态非线性模...     

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法。在该方法中,LS-SVM被用作构建逆模型,并通过该模型映射传感器非线性特性,同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明:所提模型建模速度比SVM模型高1~2个数量级,补偿误差仅为SVM模型的20%左右。因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正。     

动态加权最小二乘支持向量机

提出一种基于动态加权最小二乘支持向量机（LS—SVM）的时间序列预测方法．动态加权LS—SVM能够跟踪时变非线性系统的动态特性,适合于系统辨识和时间序列预测;同时采用鲁棒方法确定权系数,以减小噪声的影响．将动态加权LS-SVM算法应用于工业PTA氧化过程中的4-CBA浓度预测,结果显示,动态加权LS—SVM预测精度高,能够有效减小噪声的影响．     

基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

磁场信号检测误差分析及补偿算法

针对载体自身磁场特性及三轴磁传感器误差特性建立了地磁导航干扰误差补偿模型,通过对模型进行简化变形,利用系统辨识的最小二乘估计算法(LS)求取误差特性参数.数据分析表明:该方法简单易实现,简化了复杂的求解过程,基本达到了误差补偿的要求.     

基于SVM逆系统的非线性系统广义预测控制

针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机（SVM）逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制（GPC）算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。     

基于支持向量机的电容式传感器温度补偿研究

针对电容式传感器极易受到温度影响这一特性,基于支持向量机（SVM）建立电容式传感器系统补偿逆模型,对电容式传感器进行的温度补偿。实例分析表明：与RBF神经网络温度补偿法相比较,SVM逆模型在很大程度上提高了传感器的线性度,并且,补偿曲线更顺滑,预测性更强,提高了系统计量的准确度。     

基于神经网络的速度传感器幅频特性改进

为了降低磁电式振动速度传感器的下限测量频率,以实现超低频振动速度测量,提出改进其幅频特性的函数连接型人工神经网络(FLANN)方法。该方法以磁电式振动速度传感器动态试验数据为基础,通过FLANN训练来确定传感器动态补偿网络,以改善它的幅频特性。介绍了原理和FLANN权值调整的算法,给出用FLANN建立的磁电式振动速度传感器动态补偿网络的数学模型。结果表明:这种幅频特性的改进方法具有精度高、鲁棒性好,并能在线修正等优点,在工程测试领域有重要的实用价值。