基于GSA-BP神经网络的压力传感器温度补偿

针对压力传感器输出的温度非线性特性,采用遗传模拟退火算法优化的BP神经网络(GSA-BPNN)进行误差补偿,并与标准BP神经网络补偿误差进行了比较。通过matlab仿真验证,实验结果表明：采用GSA-BP神经网络不易陷入局部极小值,大大减小传感器非线性误差,误差精度小于0.1%,补偿结果优于标准BP神经网络。     

基于LMBP神经网络的涡流传感器曲线拟合研究

为了正确反映数字式涡流传感器的实际非线性特性,文中利用Levenberg-Marguardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,从数学角度详细阐述了LMBP算法的学习过程,并在Matlab环境下设计了具体的网络对数字式涡流传感器特性曲线进行拟合。仿真结果表明,较传统BP网络和传统改进BP网络,LMBP网络有着更快的收敛速度和更强的逼近能力。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

基于PSO-BP算法的压力传感器温度补偿研究

硅压力传感器在工业环境中使用时,尤其是用于测量油井井下压力的时候,环境温度变化范围通常比较大.硅压力传感器由于其自身结构的原因,输出压力值会呈现非线性变化,大大的降低了压力传感器的测量精度.本文是基于PSO-BP神经网络方法对压力传感器在温度变化时产生的误差进行补偿修正,以达到系统精度要求.PSO-BP算法的本意是使用PSO算法用于对BP神经网络的初始权值和阈值进行改进和筛选,然后再使用BP网络对样本进行训练,以提高系统的泛化能力和稳定性.     

压力传感器温度补偿各种算法的比较分析

压力传感器是一种常用的传感元件,由于其自身的非线性和外界测量条件的影响,传感器的输出特性大都为非线性,故存在多种误差因素。这些误差因素通常同时存在,但以温度的影响最为明显,所以对传感器的温度补偿也就尤为重要。本文结合目前应用比较普遍的各种温度补偿方法,通过编制程序,对压力传感器的输出非线性作了补偿。结果表明,基于最小二乘法的温度补偿方法简单,速度快,但是精度一般,应用BP神经网络补偿的效果好,但是算法复杂。     

二维PSD非线性修正的神经网络算法的研究

分析了位置传感器(PSD)的非线性成因，并根据PSD的非线性特点，提出了用神经网络的BP算法对PSD的非线性进行补偿，从而使PSD的B区获得了与A区近似的线性度。故在不增加成本、不改变测量设备的复杂度的情况下，扩大了测量范围，提高了B区的测量准确度及数据的置信度。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

基于优化的GA-BP网络算法的混合气体识别

基于还原氧化石墨烯(RGO)复合材料设计并制备气体传感器构成气体传感器阵列,对NO_2和NH_3组成的混合气体进行性能测试,构建算法对混合气体进行识别。通过主成分分析法发现混合气体的响应与气体浓度具有非线性关系,选择BP网络作为识别工具;根据多次模拟结果的预测均方误差(MSE)箱线图,对BP网络的参数进行优化,使其性能大幅提升;采用均匀分布U(-3,3)生成随机数并经过遗传算法(GA)优化后,作为GA-BP网络算法的初始权重和阈值,采用BP网络算法对混合气体进行识别。结果表明,优化的GA-BP网络算法在300次模拟中对混合气体的定性识别准确率均为100%,定量预测在最坏情况下的相对误差不超过30%,可靠性胜过BP网络算法,具有较好的参考价值。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

改进型BP神经网络的2维PSD非线性校正

为了减少位置敏感传感器(PSD)的非线性的影响,分析了PSD的工作原理及其非线性成因,提出一种基于Levenberg-Morquardt算法改进的反向传播(BP)神经网络方法进行非线性修正,并进行了理论分析和MAT-LAB仿真比较.结果表明,改进的BP神经网络方法能有效地减少非线性影响,且相对传统的BP神经网络而言,收敛速度更快,使修正后的PSD器件在非线性区里获得与线性区近似的线性度.这一结果对PSD更好的应用是有帮助的.     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

PSO算法优化BP网络的新方法及仿真实验

 提出一种基于粒子群算法优化BP网络的权值调整新方法.该算法在基本BP算法的误差反传调整权值的基础上,再引入粒子群算法的权值修正,从而建立了基于粒子群算法优化的BP网络新模型.此模型不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度较高,较好地提高了BP网络学习能力与泛化能力.将新模型应用于4个典型复杂函数的仿真实验,并与基本BP模型、基于遗传算法优化的BP网络模型(GA-BP)和传统的粒子群优化前向BP网络模型(PSO-BP前传)的仿真实验结果进行分析比较.仿真实例表明新PSO-BP优化模型性能尤其是泛化性能优于其它3种BP网络优化模型.     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于改进粒子群优化算法nMOSFET寿命预测

对于电子器件寿命预测问题,文章提出了基于改进粒子群优化算法的BP神经网络电子器件寿命预测方法。首先对nMOSFET元件在不同应力条件下进行寿命试验,根据试验测试获得的寿命数据,得出对应的可靠性。文章通过结合改进粒子群优化算法和BP神经网络结合,建立电子器件寿命预测模型,应用该模型对相同应力条件的电子器件寿命进行预测,同时对应力加速条件下寿命的预测。通过试验证明,该算法具有更强的非线性拟合能力和更高的准确率。     

基于BP神经网络的一种传感器温度补偿方法

简单介绍了硅压阻式传感器温度误差产生的原因及其特点,提出了一种利用BP神经网络对其温度误差及非线性误差进行补偿的方法.根据传感器温度误差的特点设计了一个多层的BP神经网络,其中传感器测试电路中四臂电桥的桥路电压和未经补偿的传感器的输出作为神经网络的两个输入.利用Matlab对该网络进行训练,得到了网络的权值和阚值.经过...     

改进粒子群算法优化低功耗自适应集簇分层的路由算法

针对LEA低C功H算法的簇头分布不合理、网络能耗不均的问题,在耗自适应集簇分层路由算法。首先将分割线的选择LE问A题CH转协议的基础上,提出了一种改进粒子群算法优化化成带约束的非线性优化问题,然后利用粒子群算法求解,并针对粒子群算法的不足进行相应的改进,最后采用仿真实验测试算法的性能。仿真结果表明,相对于其它改进LEACH路由算法,本文算法有效提高了网络的能量利用率,能够实现节点之间的能耗均衡,使无线传感器的网络生存时间得到延长。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.