基于 ＰＳＯ￣ＢＰ 神经网络的增量式拉线位移传感器误差补偿方法

拉线位移传感器将拉绳的位移转变为滑轮的转动,通过角度测量得到拉线自由端的位移,安装方式和使用环境都会对测量结果产生影响。本文基于拉线位移传感器的工作原理建立了拉线的力学模型,分析了误差影响因素,同时分析了其角度测量部件-增量式旋转编码器引入的误差。由于目前比较普遍的误差补偿模型优化算法难以获得较好的补偿效果,本文提出了一种基于粒子群算法（PSO）优化的BP神经网络模型的误差补偿方法。以KS120系列拉线位移传感器为研究对象,并进行了实验研究,结果显示：在全量程范围内,使用该方法进行误差补偿后的拉线位移传感器精度由0.136%FS提高到0.007%FS,提高了95%。最后将本模型与基于多项式拟合算法和传统BP神经网络算法的补偿系统进行实验对比,结果显示补偿效果亦优于这两种方法。     

改进的自适应神经模糊推理系统的角度传感器误差补偿方法

角度传感器测量精度控制在工程应用中非常重要, 直接影响其实际应用的效果. 当被测物理量和角度传感器输出之间为复杂非线性关系时, 传统方法已难以获得满意的结果. 本文引入了一种基于改进的自适应神经模糊推理系统的误差补偿方法, 阐述了模型建立过程与步骤, 并对一个16位绝对式光电编码器进行了精度检测与误差补偿. 实验结果证明, 与多项式拟合法和BP神经网络相比, 改进的自适应神经模糊推理系统可显著提高光电编码器的测量精度; 相比于补偿前, 补偿后光电编码器测量精度可至少提高7.5倍.     

基于MPSO-BP算法的四电极电化学气体传感器温度补偿研究

针对四电极电化学气体传感器的测量精度极易受环境温度影响的问题,提出一种基于粒子群优化-BP神经网络算法（PSO-BP）的温度补偿方法。利用改进的PSO算法（MPSO）对BP神经网络的权值和阈值进行优化,构造四电极电化学气体传感器的温度补偿模型,并设计了气体传感器测试系统。实验结果表明,MPSO-BP算法可有效提高BP神经网络的收敛速度和泛化能力;基于MPSO-BP算法的四电极气体传感器温度补偿模型,可将其温度补偿误差控制在0.1%以内。     

基于树突神经网络的ＭＥＭＳ压力传感器误差补偿方法

压力传感器的性能因自身工艺或环境温度变化而造成影响,在实际应用中,因环境温度的改变而造成的传感器输出误差尤为突出。现今微机电系统（MEMS）压力传感器在线性度与灵敏度方面较之前已有了很大提高,但温度漂移问题依然存在。传统的误差补偿方法如线性回归模型、BP神经网络或BP神经网络的优化算法,均能对传感器的误差有修正效果,但还有提升空间。针对以上问题,本文将MEMS压力传感器中嵌入温度传感器模块,并构建了一种基于树突神经网络的误差补偿模型。该模型首先对采集数据进行逻辑组合关系预处理,然后用树突神经网络对传感器数据进行误差补偿。实验结果表明,使用数据逻辑关系预处理后的BP神经网络模型评估指标MAE（平均绝对误差）由9.1降至0.191,而用树突神经网络模型后,该指标更是降低至0.04348,精度提升效果非常明显,所提方法能够有效地补偿MEMS压力传感器误差。     

基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪,介绍了用神经网络校正超声波传感器的非线性误差的原理与方法,并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验,显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好,充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪，介绍了用神经网络校正超声波传感器的非线性误差的原理与方法，并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验，显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好，充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

一种基于正交基神经网络算法的传感器误差补偿方法

为了提高传感器的误差补偿精度,提出了一种基于正交基神经网络算法的传感器误差补偿方法.研究了神经网络算法的收敛性,为学习率的选择提供了理论依据.为了验证算法的有效性,给出了传感器误差补偿实例.研究结果表明,基于正交基神经网络算法的传感器误差补偿方法具有高的误差补偿精度,因而是一种有效的误差补偿方法.     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

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.     

基于神经网络的多传感器系统误差校正方法

为提高传感器的准确度，减少传感器的研制成本，提出了基于神经网络多传感器误差补偿的方法。该方法利用BP网络较强的非线性映射能力，网络通过学习能实现对传感器系统误差的补偿。通过实例及仿真证明了该方法的有效性。     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。     

基于改进人工蜂群算法的传感器温度补偿

摘要：针对红外气体传感器在工作时外界温度对测量精度影响较大的问题,提出一种基于自适应人工蜂群-BP人工神经网络(AABC - BP)温度补偿方法。原始人工蜂群算法在运算过程中容易随着迭代次数增加而丢失优质解,降低解的稳定性,引入自适应人工蜂群优化算法提高的算法的稳定性。通过不同测试函数对自适应人工蜂群算法进行性能测试对比,结果表明自适应人工蜂群算法全局搜索能力强、计算精度高且计算过程稳定。利用自适应人工蜂群算法对BP神经网络的阈值和权值进行优化。实验结果表明(AABC - BP)混合算法对红外气体传感器的温度补偿误差在5%以内。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

声表面波压力传感器的温度补偿

基于声表面波传感器(SAW)理论基础,研究了SAW压力传感器的输入-输出特性。并对影响其性能的主要因素———温度进行了理论和实验分析,得到了SAW压力传感器的温度特性曲线。在非线性补偿方法的基础上,采用反向传播(BP)神经网络对其进行温度补偿,达到了减小误差、提高测量准确度的目的。     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

基于BP神经网络的超声测距误差补偿

指出了超声波在测距应用中的局限性,并给出解决方案。着重从新的角度补偿超声传感器的误差,提出了用BP前馈神经网络补偿超声波声速受温度、湿度变化而引起的误差。在室外工作的测距仪上,应用该补偿方法后超声测距的精度提高了2个数量级。本方案适用于高精度要求或复杂环境下超声测距。