超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

RBF神经网络热式气体流量计温度补偿

为了解决热式气体流量计测量电路中采用硬件温度补偿成本高且精度不够等问题,利用神经网络的特点,设计了一种基于径向基函数(RBF)神经网络的软件温度补偿方法.实验表明:通过RBF神经网络温度补偿,有效地抑制了温度对流量计测量结果的影响,实现了环境温度梯度变化下气体流量测量的准确性和稳定性,测量准确度达到1.0级,且重复性好.     

基于人工鱼群BP神经网络算法的压力传感器温度补偿研究

为实现压力传感器的温度补偿,采用BP神经网络作为压力传感器软件补偿系统的核心算法,但由于BP神经网络算法易陷入局部极值,因此采用具有全局搜索能力的算法—人工鱼群算法(AFSA)进行优化,得到的结果是压力传感器的线性度提升1个数量级,温度灵敏度系数降低2个数量级,得到了很好的补偿效果。     

基于BP神经网络的压力传感器温度补偿方法研究

硅压阻式压力传感器在工作时受温度的影响较大,随着温度的升高或降低,传感器的实际测量值会出现一定的误差,出现温度漂移的现象。为了抑制温度漂移对传感器的影响,采用人工神经网络中的BP神经网络的方法对温度漂移现象进行补偿,通过对补偿前后数据的对比,使传感器的灵敏度温度系数和满量程误差分别提升了两个数量级,得到了较为理想的效果,提升了传感器的性能和可靠性。     

热式气体流量计温度补偿研究

恒温型热式流量计加热探头与被测介质之间交换的热量不仅与质量流量有关还与被测介质的温度有关。通过对流量计热交换模型的分析,导出了热式气体流量计温度补偿的模型。同时对传感器的结构和常用的驱动电路进行了分析,指出了现有补偿电路的不足,提出了一种新的温度补偿电路。通过电路分析和试验证明,新补偿电路能改善温度补偿效果。     

BP神经网络优化算法研究

标准BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点,综述了当前国内外为克服标准BP算法的缺陷而提出的优化算法。     

基于BP神经网络的超声测压温度补偿模型

在分析了温度对超声管外压力测量的影响和现有模型不足的基础上,利用BP神经网络良好的非线性拟合能力,通过实验数据训练网络,最终建立了温度—声速—压力模型,实现了温度的补偿,结果表明补偿后的模型精度明显提高。     

BP神经网络算法及其改进研究

BP算法是非循环多级网络的训练算法,对人工神经网络的发展起到了重大的推动作用,该文介绍了BP算法的基本原理及其缺陷,并提出了改进BP算法的方法。     

基于BP神经网络的振动筒压力传感器的温度补偿

介于振动筒压力传感器在航空领域有广泛的应用,本文以某基于振动筒压力传感器的大气数据系统为基础,研究了振动筒压力传感器的输入-输出特性,并对影响其输出特性的主要因素进行了深入分析,得到了振动筒压力传感器的温度特性曲线.提出了一例利用BP人工神经网络对振动筒压力传感器静态输出特性进行修正的新方法.计算机仿真和试验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现,具有较高的推广应用价值.     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

基于BP神经网络温度补偿的压力传感器无线数据采集系统

介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经网络算法对其实现温度的软件补偿。该算法有效改善了传感器的非线性及温度变化所引起的输出的误差,提高了测量精确性和可靠性。通过无线收发模块PTR2000实现了数据的无线传输。该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收,并具有成本低、可靠性好、实用性强等优点。     

BP神经网络算法及其改进研究

BP算法是非循环多级网络的训练算法,对人工神经网络的发展起到了重大的推动作用,该文介绍了BP算法的基本原理及其缺陷,并提出了改进BP算法的方法。     

改进BP算法在热流传感器温度补偿中的应用

针对帕尔贴( Peltier)热流传感器存在温度漂移问题,提出了一种基于改进BP神经网络的温度补偿模型.采用BP算法的多层前馈网络建立起热流传感器输出电压、实验温度与输入热流间的映射关系,又通过增加动量因子和自适应调节学习率来提高网络的收敛速度与增强网络平稳性.研究结果表明:动量因子-自适应学习率算法温度补偿模型效果明显.     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

Adaboost算法改进BP神经网络预测研究

针对传统BP神经网络容易陷入局部极小、预测精度低的问题,提出使用Adaboost算法和BP神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、节点传递函数、训练函数、网络学习函数构造出不同类型的BP弱预测器并对样本数据进行反复训练;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器。对UCI数据库中数据集进行仿真实验,结果表明本方法比传统BP网络预测平均误差绝对值减少近50%,提高了网络预测精度,为神经网络预测提供借鉴。     

基于BP神经网络的改进算法研究

BP算法使用优化算法中的梯度下降法,梯度下降法的不足,使BP算法收敛速度慢,计算量比较大,且收敛速度与初始权的选择有关;学习时,无法保证可以得到最小值。BP的改进算法提出权值更新的快速收敛方法,使用MatLab对改进算法进行仿真,结果表明改进算法具有高效性和有效性。     

基于PSO算法的BP神经网络研究

BP神经网络由于可以根据误差的反向传播来纠正权值和阈值,但它有可能陷入局部极小,不能确保收敛到全局极小点.反向传播训练次数多,收敛速度慢,使学习结果有时不能令人满意.如果用均方误差指标作为适应值的粒子群算法对BP网络的权值进行训练,会得到较快的收敛速度,而且可以避免局部最值的出现.     

基于MapReduce的BP神经网络算法研究

随着信息化社会的飞速发展,需要进行数据挖掘的数据量急剧增大,传统的串行化BP神经网络训练方法在处理海量数据集时存在很大问题,如耗时过长,甚至内存不足无法训练。为了解决这个问题,提出了一种在云计算环境下,基于MapReduce的BP神经网络训练方法 MR-GAIBP,实验证明,提出的方法,相比于已有的方法拥有更快的收敛速度和更高的精度,在大数据集上有更快的训练速度。