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。     

基于BP神经网络的传感器特性补偿新算法的研究

在用人工神经网络对传感器特性进行补偿的基础上,进行了一些改进与简化,提出了一种简化的快速算法,通过多步继承法、神经元功能函数平移法、停止条件比较法等措施,对BP神经网络本身的一些缺陷,如收敛速度慢、容易收敛到局部最小点等进行了弥补,并用MATLAB语言编制了训练程序。结果表明,该算法可以进一步提高数据拟合的精度,而且大幅度地节省了时间。     

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。     

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。     

基于IP神经网络的传感器特性补偿新算法的研究

在用人工神经网络对传感器特性进行补偿的基础上,进行了一些改进与简化,提出了一种简化的快速算法,通过多步继承法,神经元功能函数平移法、停止条件比较法等措施,对ＢＰ神经网络本身的一些缺陷,如收敛速度慢、容易收敛到局部最小点等进行了弥补,并用ＭＡＴＬＡＢ语言编制了训练程序。结果表明,该算法可以进一步提高数据拟合的精度,而且大幅芳地节省了时间。     

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。     

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。     

基于BP网络的结冰传感器非线性校正方法

根据当前结冰传感器非线性校正存在的问题，提出了利用BP网络建立传感器逆模型的校正方法。文中采用功能强大的MATLAB工具软件，对神经网络进行训练，获得权值、阈值。实际应用结果表明，该方法简单、实用，大大方便了产品性能一致性不高的结冰传感器在测控系统中的应用。     

基于函数链神经网络的智能传感器非线性校正方法

针对温度传感元件输出的非线性特性,文章建立了智能传感器数据采集的非线性校正模型,利用函数链神经网络的非线性映射特性快速求取反非线性函数参数,实现了温度校准模型的精确拟合,给出了利用函数链神经网络进行参数计算的方法和步骤,通过气象科学中广泛使用的铂电阻温度元件实验验证了算法的有效性,校正精度达到0.1%。     

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。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

基于模糊神经网络和遗传算法的仿人智能PID控制器设计

阐述一种新型的模糊神经网络加遗传算法的智能PID控制器     

基于BP神经网络的PID控制器参数寻优

详细介绍BP神经网络对PID控制器参数寻优控制算法，用高斯核函数作为节点激励函数对系统进行控制。试验表明系统操作方便．安全可靠．控制效果好。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

基于BP神经网络的压力传感器数据融合研究

压力传感器由于输出电压值易受环境温度、电压扰动等非目标参量的影响而导致精度大大降低。该文采用BP神经网络对压力和温度2个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度。结果表明,采用BP神经网络进行数据融合,能够提高传感器的稳定性及其精度,仿真验证了该方法的有效性和可行性。     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

基于神经网络的机械CAD系统研究

结合机械产品的特点,探讨了将神经网络技术应用于设计过程的重要意义.根据神经网络的原理和算法推导,设计了知识库模型和推理机控制系统,并构建整个机械CAD系统的框架结构.以门式起重机的设计过程为例,验证了神经网络应用于CAD系统的合理性与有效性,实现了机械产品的自动化设计.     

基于神经网络的压缩机故障诊断

对离心式空气压缩机动不平衡的故障问题，采用神经网络的BP(Back　Propagation)算法进行故障模式识别和诊断，并针对传统BP算法收敛速度慢，宜陷入局部最小的情况，从以下方面进行处理：其一，使用带动量改进型反向传播BP算法加快了收敛速度；其二，训练过程中对隐层和输出层采用了双曲正切阈值激励函数进行训练，解决了Sigmoid函数在0和1附近易陷入平坦区的情况。成功实现了故障样本空间到诊断数据空间的影射，并立在理论上给出了数学推导。