基于神经网络的瓦斯传感器的非线性校正

文章提出了一种基于改进型BP神经网络的瓦斯传感器的非线性调校方法,该方法利用神经网络良好的非线性映射能力逼近反非线性函数,从而完成非线性校正。仿真结果表明:与传统的分段线性方法和BP算法相比,改进型BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校。     

基于动态扭矩传感器的荷重检测

动态扭矩传感器直接连接于旋转动力设备和荷重装置之间,可以输出与实际负载相关联的力矩信号.为了从动态扭矩传感器输出的力矩信号中得到实际负载,在荷重模型建立阶段,通过给荷重装置施加不同的负载,并对动态扭矩传感器输出力矩信号对应的AD转换值进行灰色关联校正,得到趋于稳定的AD转换校正值,在此基础上,利用移动最小二乘回归(MLSR)实现对荷重装置实际负载的非线性回归,得到实际负载与AD转换校正值间的非线性模型.在荷重检测阶段,进一步利用灰色关联校正并结合实际负载回归模型,得到荷重装置最终的实际负载.试验结果表明,结合灰色关联校正及移动最小二乘回归模型,荷重检测误差低于±0.3%.     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

用A/D转换器实现铂电阻温度计的非线性校正

针对铂电阻传感器的非线性校正,一般需要另加一个特别校正电路的问题;提出了在测量温度的应用中利用A/D转换器作非线性转换,实现铂电阻传感器的非线性校正;同时将输入信号的一部分送到A/D转换电路的基准电压端,并恰当地选择A/D转换电路的设计参数的方法,使铂电阻传感器在用于-15～200℃范围的温度测量时的非线性误差不超过0.01℃.这样既简化了电路设计,又有效提高了铂电阻测量温度的精度.     

直接补偿法减小A/D转换的非线性和量化失真

介绍一种由直接补偿方法来减小A/D转换量化失真和非线性误差的方法.该方法当模拟信号噪声增加时,能减小非线性失真.文中给出计算机仿真和实验测试结果.这种方法特别适用于减小高次谐波,提高A/D转换结果.     

增强现实系统中电磁跟踪器注册精度校正研究

针对电磁跟踪器磁场空间数据之间的复杂的模糊关系,提出基于T-S模糊系统的BP神经网络和最小二乘支持向量机相融合的方法对电磁跟踪器的注册精度进行校正。方法首先采用K-means对空间数据进行聚类分析,随后在局部上采用T-S模糊系统进行预处理,再从全局上利用BP神经网络进行训练,根据最终校正精度动态调整BP神经网络的训练目标,初步校正后再采用最小二乘支持向量机进行求解。实验结果表明,该方法适用于非线性空间数据校正,能有效提高电磁跟踪器的注册精度,有助于提高增强现实系统的交互精度。     

高炉喷煤支管状态监测系统的数据处理

根据高炉喷煤支吹管的实际工况对支管监测系统的要求,介绍了利用BP神经网络提高系统测试精度、改善系统适应性及维护性中的方法,分析了传统数据处理方法在数据处理中的缺陷和人工神经网络方法在提高高炉喷煤支管状态监测系统的线性度方面的应用。同时,BP神经网络的极强的输入-输出非线性映射能力可以自动按非线性特性进行刻度转换输出系统的被测量值,为反非线性描述的问题提供了一种新的数据处理手段。     

一种新的热电偶线性化方法

由热电偶构成的测温系统均存在着非线性,为了准确反映实际被测温度,必须进行非线性校正。校正方法可分为硬件校正和软件校正。硬件校正方法也很多,可在模拟部分,亦可在数字部分或A/D转换部分。如分段逼近法,它是通过改变桥路电阻或改变前置放大器放大倍数,对非线性曲线分段折线逼近;脉冲数字法,它是采用逻辑电路,用输出数字量的高位控制计数脉冲频率,以分段完成线性化;A/D转换部分大多采用双积分式非线性A/D进行折线线性化。但它们存在着共同的缺点,电路复杂,理论精度较低,调试比较困难。若要提高精度,测量线路将会更加复杂,成本将大大提高。     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

铂电阻测温电路的线性化设计

介绍一种基于A/D转换原理的铂电阻测温的非线性校正方法,给出了铂电阻线性测温的设计原理、实际电路以及试验数据.     

挖掘机提升系统神经网络PID控制的研究

建立了280-B挖掘机提升系统的数学模型;针对该系统动态特性的非线性和时变性因素,提出了一种基于BP神经网络的PID控制器的设计方案,该控制器既有经典PID控制算法的特点,又有神经网络良好的自适应和抗干扰能力。Matlab仿真结果表明,基于BP神经网络的PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

基于神经网络的高校科研项目前景预测系统研究与设计

为了对高校科研项目前景进行有效预测,进一步提升科研成果转化率,本文提出了基于神经网络结合科研项目共享的网络平台,构建可靠的科研项目前景预测系统.通过将各类大量科研项目的特征参数化,利用BP(反向传播)神经网络的非线性映射能力、自适应能力和对离散数据的泛化能力生成模型后,用于从多维度对一个新项目生成可靠的前景预测.实验表...     

Manufacturing cost estimation based on the machining process and deep-learning method

With the extensive application of mass customization, fast and accurate responses to customer inquiries can not only improve the competitive advantage of an enterprise but also reduce the cost of parts at the design stage. Most cost estimation methods establish a regression relationship between features and cost based on the processing features of parts. Traditional methods, however, encounter certain problems in feature recognition, such as the inaccurate recognition of processing features and low efficiency. Deep-learning methods have the ability to automatically learn complex high-level data features from a large amount of data, which are studied to recognize processing features and estimate the cost of parts. First, this study proposes a novel three-dimensional (3D) convolutional neural network (CNN) part-feature recognition method to achieve highly accurate feature recognition. Furthermore, an innovative method of using the quantity to express the identified features and establishing the relationship between them and cost is proposed. Then, support vector machine and back propagation (BP) neural network methods are employed to establish a regression relationship between the quantity and cost. Finally, in comparison with the mean absolute percentage error values, the BP neural network yields a more accurate estimation, which has considerable application potential.     

城市单路口两级加权神经网络控制系统设计

城市交通系统是一个非常复杂的非线性系统,很难建立精确的数学模型,而BP神经网络具有较强的自学习、自适应的特点,适合复杂的大系统。针对单交叉路口红绿灯控制问题,基于改进的BP神经网络算法,同时考虑关键车流和非关键车流信息,提出并设计了两级加权神经网络控制器来进行实时控制。仿真结果表明,本方法优于传统控制方法。     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

神经网络模型在预测土壤pH值中的应用研究

该文通过对西藏察雅县105层土样资料(1988年)建立CaCO3-pH神经网络模型,与刘世全等所做的回归模型在拟合精度和预测性能方面作了比较,结果显示,BP网络在拟合性能方面不亚于回归方法,在预测性能上要优于回归方法。该文对将神经网络引入土壤环境系统的研究中作了有意义的尝试;所建立CaCO3-pH间的关系模型,是研究污染物在土壤中的降解和转化的重要基础,对评价周边环境因素对土壤的综合作用也有重要意义。本文的结论说明,神经网络对于研究土壤系统的目标因子和相应的影响因子间的关系方面,是较为适用的数学手段。     

综合改进BP神经网络算法在股价预测中的应用

BP神经网络用于股市等非线性系统的预测具有非常强大的能力。针对标准BP神经网络算法存在收敛速度慢和易陷入局部极小点问题,提出附加动量法和动态调整学习率法相结合的综合改进BP算法。建立了基于改进算法的股票价格预测系统模型,并对青岛海尔股票价格进行了预测。仿真结果表明,相对于标准BP算法,综合改进的BP算法能明显加快网络的收敛时间,用于股价短期预测是有效可行的,并且能够达到较高的准确性,具有一定的实际应用价值。     

气体传感器阵列测试算法研究

采用人工神经网络中的BP神经网络处理阵列式气体传感器信号,气体传感器阵列与前馈神经网络模式识别技术结合而成的人工嗅觉系统被用来进行混合气体的定量分析.利用计算机模拟方法对非线性气体传感器阵列进行模拟,并运用MATLAB神经网络工具箱设计了BP网络,最后,对模拟数据进行了比较.结果表明:神经网络法具有非线性逼近能力强、识别率较高等特点.     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。