压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

工业控制中电涡流传感器位移测量精度研究

针对电涡流传感器对受温度影响较大、导致严重的温度漂移的问题,提出了采用基于支持向量机算法的温度补偿模型。首先通过对电涡流传感器采用二维定标实验,通过温度箱改变温度,再利用温度传感器测试其温度,通过学习,建立支持向量机(Support Vector Machine,SVM)模型。通过对SVM中的核函数和参数的选取及优化,最终得到SVM的电涡流传感器的温度补偿模型。经过补偿之后,电涡流传感器的灵敏度温度系数和零位温度系数与未进行温补相比均提高了一个数量级,从而达到了对电涡流传感器温度补偿的目的,同时非线性也得到了校正。     

基于DE-SVM的硅基压阻式压力传感器温度补偿研究

针对硅基压阻式压力传感器易受环境温度影响的特点,提出了一种基于DE-SVM的硅基压阻式压力传感器温度补偿方案。该方案主要由训练数据预处理模块、DE参数寻优模块、SVM训练模块、数据采集模块、测量数据预处理模块及SVM校正等模块组成,以SVM算法的非线性回归功能为核心,通过DE算法优化SVM参数,经训练后得到温度校正模块,模块接收测量数据后输出校正后的压力值。实验表明,对单个传感器压力值使用DE-SVM模型进行校正,最大误差和均方误差分别下降了93.87%和99.89%;在七块硅基压阻式压力传感器构成的多传感器情况下,最大误差和均方误差分别下降了93.17%和99.27%,平均相对误差由14.06%下降至1.20%;最后选取训练数据不包含的温度点使用所建立的模型进行测试,模型仍能够较好地进行温度补偿。     

基于LS-SVM及嵌入式技术的力敏传感器温度补偿

将最小二乘支持向量机(LS-SVM)融合改进模拟退火算法(SA)移植于嵌入式智能仪表中,结合嵌入式技术实现了对力敏传感器的温度补偿.由LS-SVM构建力敏传感器的非线性模型,利用改进的模拟退火算法对LS-SVM中的正则化参数和核宽度进行全局寻优,并通过设计嵌入式软硬件平台对该方法进行了验证.试验结果表明,该方法具有易实现,补偿精度较高等特点,对基于嵌入式智能仪表的传感器温度补偿有一定的实际意义.     

基于最小二乘支持向量机的瓦斯传感器非线性校正

依据瓦斯传感器样本,文章提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正瓦斯传感器非线性误差的方法,详细介绍了SVM回归估计校正方法和LS-SVM校正方法的原理。该方法不需逆模型函数形式的先验知识,能够保证找到的极值解就是局最优解,具有较好的泛化能力。实例应用表明,采用该方法校正后的传感器的检测精度可达到0.4%,效果令人满意。     

基于SVM逆模型的电涡流传感器非线性补偿

针对电涡流传感器检测过程中受温度和电路干扰等因素引起的非线性问题,提出了基于支持向量机（SVM,理论的非线性补偿方法,分析了存在传感器测量值中的非线性特性,建立了以检。测位移参数为输出,以电压参数为输入的SVM逆模型。通过实验数据仿真验证了SVM模型的有效性,测试样本的模型预测平均误差为0.0751mm,达到了较好的线性度,实现了电涡流传感器非线性补偿的目的。     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法 ,提出了基于BP神经网络传感器非线性误差校正及其模型、算法与实现技术。通过计算机仿真与应用 ,显示出这种逆模型不但可实现温度补偿和非线性校正 ,而且网络结构简单 ,准确度高     

一种湿度传感器温度补偿的非线性校正方法

针对湿度传感器易受温度影响的问题,提出了基于Laguerre多项式的湿度非线性校正和温度补偿的复合校正模型,采用递推最小二乘法对标定湿度进行拟合以确定复合补偿模型的参数.该方法根据湿度传感器的测量值和环境温度即可高精度计算出实际湿度.仿真结果表明,补偿后的最大相对误差不超过4.5576e-4％,具有良好的非线性校正和温度补偿效果,在湿度检测领域具有重要的理论和应用价值.     

基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪,介绍了用神经网络校正超声波传感器的非线性误差的原理与方法,并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验,显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好,充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

基于Hermite基函数的液位传感器温度补偿方法

针对液位传感器易受温度影响的问题,提出了基于Hermite基函数的液位非线性校正和温度补偿的复合校正方法,该方法使用递推最小二乘法对标定液位进行拟合以获取复合补偿模型的参数,由此根据液位传感器的测量值和环境温度即可高精度计算出实际液位。仿真结果表明,补偿后的最大相对误差不超过1.23×10^-6%,具有良好的非线性校正和温度补偿效果,在液位检测领域具有重要的理论和应用价值。     

基于Laguerre基函数的液位传感器温度补偿方法

针对环境温度影响液位传感器的检测问题,提出了基于Laguerre基函数的液位非线性校正和温度补偿的复合校正模型,采用递推最小二乘(RLS)法对标定液位进行拟合以确定复合补偿模型的参数.根据液位传感器的测量值和环境温度可高精度计算出实际液位.仿真结果表明:补偿后的最大相对误差不超过(3.4145×10-7)％,具有良好的非线性校正和温度补偿效果,在液位检测领域具有重要的理论和应用价值.     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

瞬态表面温度传感器动态建模方法研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差.动态补偿或动态误差修正对于改善测温系统动态特性,减小动态误差有重要意义,而建立温度传感器动态数学模型则是进行动态补偿或动态误差修正的前提.本文首先设计了瞬态表面温度传感器动态校准系统;然后,利用系统所测得输入输出数据,采用系统辨识方法建立了测温系统的动态数学模型;最后,利用交叉检验法验证该模型的正确性.经检验该方法可以达到理想的辨识效果,从而为系统反滤波动态误差修正奠定了基础.     

基于最小二乘支持向量机的硅压阻式传感器温度补偿

针对硅压阻式传感器灵敏度和零点温度漂移大、硬件补偿电路效果不佳的问题,提出最小二乘支持向量机方法对其温度漂移进行补偿。首先分析了经硬件补偿后的硅压阻式传感器的温度漂移特性,在整个检测范围内选取均匀分布的温度、压力数据作为模型输入,经预处理后对输出数值进行训练,并运用网格搜索法和交叉确认法优化模型的惩罚因子和正则化参数,建立了传感器温度补偿模型。实验结果表明,基于最小二乘支持向量机的温度补偿算法在0~100℃温度范围内把传感器输出综合精度从3.2%FS提高到0.25%FS,进一步提高了传感器的精度和温度使用范围,具有较高的实用价值。     

基于LS-SVM非线性内模控制在焊缝跟踪中的运用

针对单纯的模糊控制器在焊接机器人的焊缝跟踪中的控制精度欠佳、自适应性不强等问题,设计了一种新的用于焊缝跟踪的LS-SVM非线性内模控制器。通过样本数据建立系统固定的LS-SVM逆模型,与系统串联成精确的伪线性系统,对伪线性系统采用鲁棒性强的内模控制。仿真结果表明该方法具有很好的跟踪结果。     

基于神经网络的速度传感器幅频特性改进

为了降低磁电式振动速度传感器的下限测量频率,以实现超低频振动速度测量,提出改进其幅频特性的函数连接型人工神经网络(FLANN)方法。该方法以磁电式振动速度传感器动态试验数据为基础,通过FLANN训练来确定传感器动态补偿网络,以改善它的幅频特性。介绍了原理和FLANN权值调整的算法,给出用FLANN建立的磁电式振动速度传感器动态补偿网络的数学模型。结果表明:这种幅频特性的改进方法具有精度高、鲁棒性好,并能在线修正等优点,在工程测试领域有重要的实用价值。     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。