PSD空间三维非线性修正技术的研究

提出了一种长距离激光准直测量中的位置敏感探测器(PSD)空间三维非线性修正技术,研制了在三维空间内测量二维PSD非线性的自动标定系统.在长达78 m的准直测量范围内,对二维PSD的非线性特性进行了标定实验,实验结果表明,PSD与激光源距离不同时,其非线性特性具有很明显不同.利用多层前馈神经网络建立了入射光实际位置与二维PSD输出坐标以及准直距离间的空间三维映射关系,进而对PSD的空间三维非线性进行修正.非线性修正后的PSD读数误差,在整个测量范围内表现为不大于±0.012 mm的随机误差.     

RBF神经网络在表面粗糙度光纤传感器中的应用

本文提出了以径向基函数（RBF）神经网络处理表面粗糙度光纤传感器输出信号的方法,将传感器的输出信号及作为光源的激光强信号同时加在RBF神经网络的输入端,利用RBF神经网络能够以任意精度逼近非线函数地能力的优点,同时实现对传感器的非线性补偿及减轻激光器输出光强变化带来的影响,采用这种方法的表面粗糙度光纤传感器,降低了对激光器输出功率稳定性的要求,具有测量范围大,精度高的特点。     

神经网络在光电位置坐标传感器中的应用

光电位置敏感器件(PSD)是一种可直接对其光敏面上的光斑进行检测的光电器件,基于PSD可以构成多种非接触的高精度动态位移监测仪器.在PSD器件使用中的一个关键问题是如何克服器件本身的非线性,以提高监测的精度和可靠性.提出一种基于神经网络的PSD非线性补偿方法,利用神经网络具有逼近任意非线性函数的特点,通过训练使神经网络建立在PSD输出与其理想值之间的非线性映射关系,实现PSD非线性补偿.计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且能在神经网络的输出端得到期望的线性输出.     

基于人工神经网络激光烧蚀制备PDPhSM基纳米复合薄膜聚合效率的预测

为有效缩短脉冲激光烧蚀制备有机硅聚合物聚二苯基硅亚甲基硅烷(PDPhSM)基纳米复合薄膜工艺中繁琐的实验过程,分别采用多层前馈(BP)神经网络和径向基函数(RBF)神经网络对PDPhSM基纳米复合薄膜的制备工艺与聚合效率之间的关系进行建模,并将其运用到聚合效率的预测中去,讨论了激光能量密度、环境压强、靶衬距离、沉积时间和聚合效率之间的关系。克服了以往单因素实验法不能正确反映制备工艺和聚合效率之间复杂的非线性关系的弱点。预测和验证结果均表明实验值和网络预测值之间相对误差都在10%以内,但径向基函数神经网络较多层前馈神经网络能够更精确、更可靠地逼近它们之间的非线性关系。该方法为有效、快捷、经济地开发研制PDPhSM基纳米复合薄膜提供了新的思路和有效手段。     

基于RBF网络自校正控制器的设计与实现

神经网络因其具备优良的非线性映射能力,启发了非线性系统的模型建构及控制的新思路.本文提出一种基于径向基函数神经网络的自校正控制算器,其通过模拟神经网络的非线性函数映射能力,使其充当未知系统函数逼近器,仿真结果证明了该控制器的可行性.     

基于径向基函数的电网IT资产安全漏洞监测方法

文章基于神经网络的非线性映射优势,引入径向基函数而提出了一种高效的电网IT资产安全漏洞监测方法。借助径向基函数能够更加准确地对目标区域内的资产分布进行了解,进而提高漏洞风险评估以及其影响涉及范围确定的可靠性和精度。     

基于子块集成神经网络法的PSD背景光补偿

提出一种基于神经网络高精度线性化子块网络集成插值实现光电位置敏感器件（PSD）背景光非线性补偿方法。利用神经网络具有逼近任意非线性函数的特点,通过训练,使神经网络建立在不同背景光下PSD输出与其标准值之间的非线性映射关系,实现PSD全程跟踪补偿。实验结果表明,该方法能有效地消除背景光的影响,在神经网络的输出端得到期望的线性输出。     

基于径向基函数神经网络的CDMA多用户检测方法

径向基函数神经网络是一种三层前馈性神经网络,它具有较强函数逼近能力和分类能力,学习速度快等优点.本文根据径向基函数神经网络的这些优点提出了一种基于径向基函数网络的CDMA多用户检测方法(RMD).计算机模拟表明我们所提的算法具有能克服多址干扰,抑制噪声干扰和对"远-近"问题不敏感等优点,这为研究CDMA多用户检测器开辟了一条新的途径。     

钛合金薄板激光焊接参数的多目标优化

激光焊接过程产生的焊斑熔深和热影响区宽度直接影响焊接质量。激光焊接过程复杂,影响因素众多,许多参数难以量化。本文以TC4钛合金薄板为实验样品进行脉冲激光焊接实验。利用两个径向基函数神经网络分别预测焊斑熔深和热影响区宽度。将上述两个径向基函数神经网络作为多目标优化算法的目标函数,以提高焊接熔深并减小热影响区宽度。通过模拟退火算法寻求多目标优化所得的非劣解集中的最优解。实验证明,该方法可有效平衡激光焊接过程的焊斑熔深和热影响区宽度。     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)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,建立了涡流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,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

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RBF神经网络的被动声定位算法研究

提出了基于RBF神经网络的被动声定位算法.该算法根据TDOA定位原理,以四元十字阵作为定位模型,利用RBF神经网络较快的学习特性和逼近任意非线性映像的能力,实现对声源的快速准确定位,并与WLS算法、Chan算法、Taylor算法作对比分析.仿真结果表明,该算法定位精度高,鲁棒性好,性能优于其他算法.     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

基于HBF神经网络的自适应观测器

传统的RBF(Radial Basis Function)神经元基函数通常把高斯类型与单一宽度作为每个神经元的激活函数,这些特性限制了网络神经元的性能,特别是在处理复杂的非线性建模问题上.为了克服这个限制,本文应用了具有类似RBF网络,但激活函数不同-超基函数HBF(Hyper Basis Function)的网络.结合RBF网络,分析了HBF网络的结构、基函数形式及基函数对网络的影响,利用决策树算法计算了网络中心.在此基础上,提出了一种基于HBF神经网络的自适应观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的稳定性;最后通过仿真验证了这种HBF神经网络观测器能很好地观测系统的状态值.     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

PSD器件自动化标定与非线性修正技术研究

介绍了一种应用数控平台对二维位敏探测器(position,sensitive,detector,PSD)器件进行在线测量并用人工神经网对其非线性进行修正的方法。对光斑在二维PSD光敏面上的横向位移,以光斑的二维坐标集合为人工神经网的期望输出,以PSD输出的二维坐标集合为人工神经网的训练样本,对人工神经网络进行训练。利用人工神经网络所具有的非线性映射能力,在训练结束后即可建立PSD输入与输出的近似线性关系。结果表明,修正后的PSD器件可以实现任意输入的实时非线性修正。     

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.