基于SVM的传感器非线性特性校正新方法

介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。     

高分子湿度传感器非线性误差校正的神经网络模型设计

本文介绍了湿度测量中传感器误差问题，提出了一种基于人工神经网络的非线性滤波器模型，应用于温湿度传感器非线性误差的校正中。     

非线性传感特性的神经网络学习校正方法及应用

非线性误差是传感器的主要误差之一 ,用硬件补偿或用查表、曲线拟合等方法复杂且精度低。研究了一种神经网络校正方法 ,并提出了一种改进的小脑模型神经网络 ,仿真和应用表明 ,可使非线性误差减小到近似为零。     

基于CMAC神经网络测温传感器的非线性校正

本文充分利用CMAC神经网络的非线性函数逼近功能,并结合电站数据采集和监测系统,提出一种校正电站测温传感器非线性输出特性的新方法,研究表明,该方法简单实用,速度快,精度高。     

基于遗传神经网络的传感器系统的非线性校正

针对最小二乘等传统方法的不足，提出了解决传感器系统非线性校正问题的遗传神经网络算法。计算机仿真表明，采用这里所提出的观点和方法，其拟合精度远高于传统上应用最为广泛的最小二乘法，并且具有较强的鲁棒性。而且，从所做的研究显示，该方法还可用于其它类似系统的非线性校正。     

智能传感器系统非线性校正的神经网络法

研究了智能传感器系统的非线性特性,给出了非线性校正系统的通用模型,并应用函数链神经网络(FLNN)作为非线性校正环节实现智能传感器系统的非线性校正.仿真结果证明这种方法是非常有效的.     

传感器非线性校正的人工神经网络方法

本文提出传感器非线性校正的人工神经网络方法。研究实例中，其最大相对误差不超过０．９５％。理论分析和实验结果表明，该方法性能良好，在建立各种传感器的校正曲线方面有广阔的应用前景。     

虚拟仪器设计中压力传感器的BP神经网络温度非线形校正

压力传感器的输入输出特性大部存在非线性，且易受工作环境温度的影响。利用LabVIEW图形化编程语言，辅以多参量数据采集卡，采用了基于BP神经网络压力传感器非线性校正的模型、算法和实现方法，探讨了虚拟仪器系统中对压力传感器特性进行温度非线性校正。通过计算机仿真与应用，显示了在虚拟仪器系统中使用这种方法不但使压力传感器的性能得到了改善，而且计算时间短，准确度高，有实际应用价值。     

光纤传感器的神经网络光强补偿及非线性校正

为实现光纤位移传感器的光强补偿及非线性校正,确立并构造了两输入单输出的BP神经网络。讨论了基于L-M优化算法的BP网络的优点,说明了神经网络的权值修正方法及网络的具体训练步骤,阐明了用神经网络实现光纤位移传感器光强波动补偿及传感器非线性校正的原理。最后使用Matlab实现了神经网络,并将该网络应用于实际测量,结果表明该网络很好地实现了传感器的光强补偿及非线性校正。     

智能检测仪器非线性误差神经网络校正研究

本文描述了一种智能检测仪器非线性误差的神经网络校正方法,阐述了校正原理,提出了一种ＣＭＡＣ神经网络的改进算法,最后,给出了一个应用实例,其结果表明,经过神经网络非线性校正后,检测仪器的非线性误差减小十倍以上。     

人工神经网络在压力传感器中的应用

利用Ｃ型布尔登管传感器实现压力的计算机检测,在考虑成本、测量精度等情况下,利用人工神经网络实现压力与输出量值的非线性映射。     

RBF神经网络在传感器校正中的应用

提出了一种基于RBF神经网络的传感器非线性校正方法,传感器的输出及待测物理量的实际数值用于训练RBF神经网络,以得到非线性校正用的逆模型,只需较少的神经元就可构成上述逆模型,便于单片机软件实现或“因化”在硬件中,通过一个二维位移传感器的例子表明,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。     

采用基于神经网络的时间序列预测器的传感器故障诊断新方法

本文提出一种采用基于神经网络的时间序列预测器的传感器故障诊断新方法。它先用神经网络对传感器输出序列建立预测模型（简称神经网络预测模型）,然后利用神经网络预测模型预测传感器输出值和传感器实际输出之差判断传感器是否发生故障。与其它方法相比,本文方法只需单一传感器输出信号即可诊断相应的传感器是否发生故障。本文通过对一控制系统中转速传感器漂移故障诊断过程阐述了这种方法。     

A Novel Artificial Neural Networks Force Model for End Milling

The physical process of multipoint metal cutting depends on a large number of parameters that are strongly interlinked. A number of empirical and semimechanistic models are described in the literature. This paper uses the artificial neural networks (ANNs) approach to evolve a comprehensive model for critical process parameters, such as cutting force, based on a set of input machining conditions. A set of eight input variables is chosen to represent the machining conditions, and process parameters (such as maximum force and mean force) are predicted. Exhaustive experimentation is conducted to develop the model and to validate it. The model is tested for a typical machining scenario found in industry, namely pocket-milling. Excellent agreement between the simulated and experimental forces is found.     

Modelling Deformation of Hydroformed Circular Plates Using Neural Networks

The process of applying fluid pressure to form metal sheets into desired shapes is widely used in the industry and is known as hydroforming. Similar to most other metal forming processes, hydroforming leads to non-homogeneous plastic deformation of the workpiece. Predicting the amount of deformation caused by any sheet metal forming process leads to better products. In this paper, a model is developed to predict the amount of deformation caused by hydroforming using an artificial intelligence technique known as neural networks. The data used to design the neural network model is collected from an apparatus that was designed and built in our laboratory. The neural network model has a feedforward architecture and uses Powell’s optimisation techniques in the training process. Single- and two-hidden-layer feedforward neural network models are used to capture the nonlinear correlations between the input and output data. The neural network model was able to predict the centre deflection, the thickness variation, and the deformed shape of circular plate specimens with good accuracy. ID="A1"Correspondance and offprint requests to: Dr M. Karkoub, Mechanical and Industrial Engineering Department, College of Engineering and Petroleum, Kuwait University, PO Box 5969, Safat 13060, Kuwait     

人工神经网络与智能 CAD

通过分析目前ＣＡＤ专家系统中存在的问题,对人工神经网络在智能ＣＡＤ中应用的理论和方法进行了探讨。文中介绍了人工神经网络在模拟形象思维、知识获取、知识表示等方面的应用,并对存在的一些问题进行了详细的讨论。     

用人工神经网络求取铂热电阻测温电路最佳参数的计算方法

文中建立了铂热电阻正反馈非线性校正电路与单结点神经网络之间的联系,利用神经网络训练的方法巧妙地解决了非线性解析表达式最小二乘拟合问题,求解精度高,编程方便。此方法也可用于其它有关领域。