基于RBF网络的光纤位移传感器温度补偿研究

提出了一种解决光纤位移传感器温度影响的软件补偿方法.该方法基于RBF神经网络理论,将位移传感器和温度传感器的输出进行神经网络处理,基本消除了温度对光纤位移传感器的影响.为存在温度影响的光纤类传感器的实用化设计提供了一种可行途径.实验表明,神经网络处理后光纤位移传感器的温度敏感度系数下降了两个数量级,测量准确度和系统稳定性均得到提高.     

改进GA-SVM的湿度传感器温度补偿研究

针对地面遥测自动气象站采用的HMP-45D湿度传感器测量准确度易受温度影响的问题,通过改进遗传算法(GA)的适应度函数、选择、交叉、变异操作优化支持向量机(SVM)的惩罚函数、径向基核函数、不敏感损失函数,利用不同温湿度条件下的多组实测数据,建立了温度补偿模型,并与传统的SVM回归模型补偿结果对比分析。实验结果表明,利用GA-SVM模型进行温度补偿最大误差绝对值为0.1367%,比传统SVM温度补偿模型提高了2.8351%,GA-SVM算法克服了传统SVM补偿算法补偿精度低、处理速度慢的问题,具有全局寻优能力强、收敛速度快、补偿精度高的特点,能够有效地对湿度传感器进行温度补偿。     

基于协同训练与LS-SVM的集成传感器在线温度补偿

为利用机器学习对集成传感器实现在线补偿,使算法具有标定未知样本和更新样本集的能力,利用协同训练的方式,对最小二乘支持向量回归机进行改进,提出基于协同训练的支持向量回归算法,使用临近法对未知样本进行标定和选择,同时对新的样本空间进行剪枝,在保证反映新样本特性的前提下尽量减少对学习模型影响小的样本数量。实验证明,该算法在泛化能力不下降的情况下提高了回归精度,运用在集成传感器的在线补偿上,能降低获的成本,并取得良好的补偿效果。     

倾角传感器温度特性研究

倾角传感器广泛应用于航海、航天、军事等领域,但在恶劣的工作环境下,倾角传感器易受温度影响,存在零点和灵敏度温漂.以ADXL213倾角传感器为研究对象,研究了基于径向基函数RBF神经网络温度补偿方法,并对比BP神经网络建立了温度补偿模型.结果表明,RBF神经网络补偿效果和训练速度明显优于BP神经网络;补偿后倾角传感器轴向零点温漂和灵敏度温漂都降低了2个数量级,取得了良好的补偿效果.     

基于支持向量机RBF神经网络的TDOA定位算法

为了克服最小二乘法在无线定位算法中的缺点,提出了基于RBF神经网络的TDOA定位算法。利用SVM优化RBF网络权值、阈值及结点数,获得优化稳定的RBF网络结构,将训练后的RBF网络用于TDOA定位。仿真结果表明,该算法有很强的抗NLOS能力,与Chan算法和基于k-均值聚类法RBF神经网络的定位算法比较,具有更高的定位精度和可靠性。     

改进遗传神经网络在传感器温度补偿中的应用

精确辨识传感器温度补偿模型对于提高系统测试精度具有重要的意义.神经网络具有良好的自学习、自适应和非线性映射能力,但往往训练速度慢、易陷入局部极小值,而遗传算法具有很强的全局寻优能力,但其局部搜索能力却不足.本文探讨了利用改进遗传算法优化函数链神经网络,以获得全局最优解的方法,并根据多温度条件下的实测数据,对电涡流传感器温度补偿模型进行了有效辨识.结果表明,该方法运算快速、精度高、通用性强,在智能传感器建模与补偿等领域具有良好的应用前景.     

利用 GWO-LSSVM 算法对光纤压力传感器进行温度补偿

光纤压力传感器工作性能受温度影响较大,需进行温度补偿。针对这一问题,提出了灰狼算法与最小二乘支持向量机(GWO-LSSVM)算法相结合的软件补偿方案,利用灰狼算法在指定范围内迭代优化最小二乘支持向量机的惩罚因子ζ和核参数σ以求构建补偿算法模型。在不同温度环境下,对传感器进行标定试验测得传感器的输入输出数据,分成测试集和训练集。以测试集的预测值计算的均方根误差为适应度函数,将温度补偿问题转化为带约束的凸二次优化问题。结果表明,相较于补偿前,温度补偿后的光纤压力传感器的灵敏度温度系数由9.405×10^-3/℃提升到1.201 6×10^-4/℃,温度附加误差相对值由28.215%提升到0.481%,传感器的温度稳定性得到了很大程度的改善。     

光纤光栅应变传感器温度补偿

光纤光栅传感器在应变测量方面有着非常广泛的应用。但在测量过程中受温度和应变两种因素的影响,常会导致测量结果的准确度受到一定程度的影响, 不能很好的满足实际需要。采用BP神经网络算法,通过实验样本训练建立神经网络结构,来降低温度对测量结果误差的影响。通过实验验证,在整个传感器温度测量范围内,使用BP神经网络可以有效的降低由温度引起的最大测量误差,使误差可以控制在一定范围内,对传感器的使用具有重要意义。     

基于RBF神经网络的电子罗盘误差补偿研究

介绍了三轴磁阻电子罗盘的测量原理。基于磁阻传感器HMC1052/1051Z和MEMS加速度计MXD2020ML研制了一款带倾斜补偿功能的三轴磁阻电子罗盘,分析了电子罗盘工作过程中可能存在的误差及其来源。针对无姿态角度的情况,基于径向基函数(RBF)神经网络补偿算法,建立了以测量航向角为输入、期望的航向角为输出的3层RBF神经网络模型,并用样机的采样数据进行仿真验证。实验数据表明,采用该RBF神经网络补偿算法,可将航向角的精度从±35.52°提高至±0.6°以内。     

基于磁传感器的温度误差补偿方法

随着科学技术的发展,传感器技术尤其是磁传感器技术在军事领域得到更为广泛的应用,很多武器炮弹在进行远程打击时,会通过自身内部的传感器测定周围环境变量,由计算机进行控制以进行更为精确的打击,而在测定环境变量的过程中传感器不可避免的会出现一些误差,影响打击的精确度,因而提出了基于磁传感器的温度误差补偿方法。先通过对传感器的温度误差的研究分析设计出温度误差漂移模型,然后由温度传感器和地磁传感器来测得不同温度下地磁在两个敏感轴上的分量数据,在拟合出温度漂移系数之后结合模型得出在温度补偿后的各敏感轴数据。仿真分析温度补偿前后磁传感器的输出对比,验证该方法能有效对温度误差进行补偿。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

Chebyshev神经网络模块在铂电阻温度传感器非线性补偿中的应用

针对铂电阻温度传感器在应用中存在的非线性问题,提出了应用切比雪夫（Chebyshev）神经网络建立非线性补偿模型,并用与之对应的神经网络模块SN9701实现的铂电阻温度传感器非线性补偿的硬件方法。以μ100铂电阻温度传感器为例,介绍了非线性补偿的原理和网络的训练方法,给出了非线性补偿模型的数学表达式。结果表明,这种非线性补偿方法精度高、实时性好以及鲁棒性强等优点,对μ100铂电阻温度传感器补偿后,在0～500℃范围内,可使各测量点非线性误差不大于0．02℃,有很好的应用价值。     

基于遗传算法的RBF神经网络在热敏电阻温度传感器非线性补偿中的应用

针对热敏电阻温度传感器应用中存在的非线性问题,提出了应用遗传算法训练径向基函数(RBF)神经网络实现其非线性补偿的遗传神经网络方法,介绍了非线性补偿的原理和网络训练方法.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高.实验结果表明,所提出的热敏电阻温度传感器非线性补偿方法是实用的和可行的.     

基于遗传神经网络的电容称重传感器非线性补偿方法

为了解决电容称重传感器的非线性问题,应用遗传算法训练径向基函数神经网络实现其非线性补偿。介绍非线性补偿的原理和网络训练方法。从实测数据出发,建立了电容称重传感器的非线性补偿模型。该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿。实验结果表明,本文所用的电容称重传感器非线性补偿方法是有效和可行的。     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

基于RBF神经网络模型的电站锅炉燃烧优化

针对电站锅炉燃烧过程对运行经济性的影响,运用径向基函数(RBF)神经网络建立锅炉运行优化模型,以锅炉热效率与NOx排放质量浓度最佳值作为优化目标,实现二次风门挡板开度、燃尽风门挡板开度的寻优,求取不同工况下的最优值。结果表明:该系统可以在提高锅炉效率的同时也降低了NOx的排放,并正确地反映了锅炉机组的动态特性。     

基于RBF神经网络的燃气轮机转速传感器故障诊断研究

提出基于径向基函数RBF(Radial Basis Function,简称RBF)神经网络的转速观测器,利用迭代增加神经元的方法解决了传统RBF网络神经元位置调整范围小和神经元数量固定带来的逼近不精确问题,并通过估计相对差和阀值的比较检测传感器故障。以某型燃气轮机转速试验数据为例进行了验证,证明RBF神经网络能准确进行转速传感器的故障检测,具有较好的工程应用价值。     

基于RBF神经网络的永磁同步电机速度控制

针对常规PID控制的永磁同步电机调速系统性能不足,利用RBF神经网络较强的非线性映射能力,提出一种基于RBF神经网络PID自整定方案。该算法通过RBF神经网络在线辨识对PID参数整定,改善常规PID控制效果。在Matlab/Simulink构建了基于S函数的RBF神经网络PID控制器和永磁同步电机调速系统,并结合研究对象进行仿真研究。仿真结果表明:该控制器具有较好的静、动态性能,并有较强的自适应性和鲁棒性。     

一种基于径向基神经网络的PLL控制研究

电网并网时需要控制电流与电网电压同相位.介绍了一种基于人工神经网络的用于相位跟踪的PLL控制方法,即把RBF网络的算法加入锁相环中.具体是将电网电压作为期望输出值,将输入电流作为训练样本,通过神经网络的自我学习,逐步减小样本输出与期望输出之间的误差,实现对期望输出的同步和跟踪.用MALAB电力系统仿真工具箱进行了数字动态仿真,并从仿真结果可以看出,系统跟踪性能很好,并且有较强的自适应能力.