基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

神经网络补偿算法在基于MEMS的姿态检测中的应用

针对基于微机电传感器的姿态检测领域存在的姿态测量误差问题,为进一步提高姿态检测的精度,提出了一种基于神经网络的姿态估计误差补偿方法。采用开源的微型飞行器在室内环境进行真实飞行实验采集的数据集,借助BP神经网络的非线性映射能力,建立了关于微机电传感器的输出与姿态估计误差之间的姿态误差补偿模型;根据微机电传感器的输出信息,直接预测得到横滚角、俯仰角和偏航角的误差补偿角度。实验结果表明,利用所提出的神经网络进行姿态补偿之后,姿态估计误差大大减小,表明神经网络对于提高姿态检测的精度具有一定的作用。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.     

基于GA-WNN的电涡流传感器的温度补偿

针对电涡流传感器的温度漂移对其测量精度带来较大影响的问题,提出了基于遗传优化小波神经网络(GA-WNN)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立GA-WNN神经网络模型。该模型用遗传算法对小波神经网络的权、阈值进行全局的优化,改善了小波神经网络训练速度慢的问题,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的灵敏度温度系数由8.69×10^-3/℃提升到3.48×10^-4/℃;零位温度系数由4. 78×10^-3/℃提升到1.85×10^-4/℃,均提高了一个数量级,成功实现了温度补偿的目的。     

基于小波支持向量机的传感器非线性校正

结合支持向量机和小波理论的优点,提出了一种基于小波核支持向量机的传感器非线性误差校正的原理和方法.该方法利用小渡的多尺度插值特性和稀疏变化特性,提高了支持向量机的泛化能力和抗噪声能力.将该方法用于电涡流传感器的非线性校正,实验结果表明该小波核方法的校正效果优于传统的多项式拟舍方法和RBF核支持向量机,提高了电涡流传感器测量的准确性.     

基于RBF神经网络的电化学CO气体传感器的温度补偿

针对电化学CO气体传感器的输出精度易受环境温度影响的缺点,提出了一种基于RBF神经网络的温度补偿方法,并借助所设计的气体采集系统进行了实验研究.实验结果表明,未进行温度补偿时传感器输出最大误差为20.0%,基于BP神经网络温度补偿方法的误差为1.44%,而采用RBF神经网络进行温度补偿后最大误差可达到0.12%,故该方法可有效的用于电化学CO气体传感器的温度补偿,令传感器具有更高的测量精度和温度稳定性.     

基于径向基神经网络的电涡流传感器输出特性拟合研究

针对电涡流传感器的输出特性参数非线性较大,不能精确地反映被测物理量的问题,提出了一种采用径向基神经网络对电涡流传感器的输出特性参数进行拟合的方案。该方案采用newrb函数创建一个径向基神经网络,以被测物理量作为输入矩阵、电涡流传感器输出电压作为输出矩阵,对该径向基神经网络进行训练,从而可得到均方根误差小且光滑的电涡流传感器输出特性拟合曲线。实验结果表明,只要选择合适的创建函数和扩展系数,径向基神经网络能有效地实现电涡流传感器输出特性的拟合。     

基于小波神经网络的电容称重传感器非线性补偿研究

为了解决电容称重传感器的非线性问题,提出了补偿其非线性的小波神经网络方法。该方法以电容称重传感器实验数据为基础,通过小波神经网络训练来确定传感器非线性补偿网络。介绍电容称重传感器非线性补偿原理,分析网络的拓扑结构,给出网络参数训练方法。结果表明,采用小波神经网络进行电容称重传感器非线性补偿具有好的鲁棒性,网络训练速度快、精度高,并能在线补偿,在测试领域有实用价值。     

BP神经网络在加速度计误差补偿中的应用

加速度计受其零偏、温度等影响明显,直接影响导航系统的精度,需要研究补偿方法,提高加速度计的测量精度。鉴于神经网络具有高效的曲线拟合功能和优越的逼近复杂非线性函数的特点,提出了基于BP神经网络的加速度计误差补偿方法。仿真结果表明,经BP神经网络补偿后,加速度计误差补偿后的输出能良好地逼近其期望输出,输出最大误差的绝对值由0.4575 g减少到0.07014 g,误差降低了一个数量级,很好地抑制了加速度计的误差,提高了加速度计的精度。     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.