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。     

称重传感器非线性误差自适应补偿方法

额定量程内称重传感器的非线性误差不同,为此阐述了称重传感器的非线性误差特性,提出了一种非线性误差自适应分段补偿方法:在额定量程的上限区,采用基于径向基函数神经网络(RBFNN)的补偿网络完成传感器非线性误差补偿;在下限区,采用数字滤波器完成非线性误差补偿;在中间区,传感器不补偿。同时利用自适应选择网络,完成了分段补偿的选择。实验表明,采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2、0.4、1.37下降到0.16、0.04、0.07,补偿效果明显。     

基于RBFNN的称重传感器温度误差补偿

称重传感器存在因环境温度不同导致的非线性误差,需要进行补偿.阐述了称重传感器的温度误差机理,提出了一种基于径向基函数神经网络(RBFNN)的称重传感器温度误差补偿方法,并给出了训练算法.采用该方法,利用量程为100kg的称重传感器,在0～60℃范围内进行温度误差补偿实验.实验表明:采用这种方法补偿后,称重传感器温度误差...     

基于神经网络的多传感器系统误差校正方法

为提高传感器的准确度，减少传感器的研制成本，提出了基于神经网络多传感器误差补偿的方法。该方法利用BP网络较强的非线性映射能力，网络通过学习能实现对传感器系统误差的补偿。通过实例及仿真证明了该方法的有效性。     

动态数据约简的神经网络分类器训练方法研究

针对神经网络分类器训练时间长、泛化能力差的问题,提出了一种基于动态数据约简的神经网络分类器训练方法（DDR）。该训练方法在训练过程中赋给每个训练样本一个权重值作为样本的重要性度量,依据每次网络迭代训练样本的分类错误率动态更新每个训练样本的权重值,之后依据样本的权重值来约简训练样本,从而增加易错分类的边界样本比重,减少冗余核样本的作用。数值实验表明,基于权重的动态数据约简神经网络训练方法不仅大幅缩短了网络的训练时间,而且还能够显著提升网络的分类泛化能力。     

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     

基于LM算法的成品油流量温度补偿研究

针对油品体积易受环境温度影响,导致LTC体积流量计测量准确度下降问题,给出了一种基于BP神经网络的油品体积温度误差补偿方法,采用Levenberg-Marquardt(LM)算法进行训练,利用神经网络良好的非线性映射能力,根据实际工作参数训练网络,得到体积修正补偿系数,算法通过可编程序控制器PLC实现,从而达到油品流量误差的智能补偿。应用温度误差补偿方法,保证了测量的正确性,并提高油库生产的计量精度和生产效率。     

探空仪湿敏电容器的误差校正模型研究

为了减小探空仪湿敏电容器在高空大气,特别是低温环境下的测量误差,设计了一种基于改进型pi-sigma模糊神经网络的误差校正模型,采用了K-means聚类算法和权值直接确定法提高了网络性能。通过实际测试和BP神经网络进行比较,结果显示:pi-sigma模糊神经网络和BP神经网络对于-30～40℃的144组训练样本的最大相对误差分别为4.774%,15.27%,收敛时间分别为0.01,2 s。4组检验样本结果证明:pi-sigma模糊神经网络有效实现了湿敏电容器在低温条件下的温度补偿和非线性校正,同时在预测精度、泛化能力以及训练速度上均优于BP神经网络。     

B—P网络泛化性能的改善

在神经网络的训练过程中存在“过度吻合”的现象,即训练样本的误差已达到非常小的一个值,但是非训练样本的误差非常大,造成神经网络的泛化性能不好。本文说明了泛化性能与隐层节点数的关系,并提出了通过改变性能函数来改善B－P网络的泛化性能的方法。     

基于小波神经网络的电涡流传感器非线性补偿

为消除电涡流传感器的非线性误差,提高其测量精度,提出了一种基于小波神经网络和遗传算法的电涡流传感器非线性补偿方法。该方法利用小波神经网络的非线性映射能力,使得传感器的输入与输出线性化,并使用遗传算法搜寻网络的最优初始值,加强网络的非线性逼近能力和收敛能力,显著提高电涡流传感器的非线性补偿效果。实验结果表明,经过补偿后,极大提高了传感器的精度,传感器输出电压最大绝对误差为15.55mV,最大相对误差为1.36%,非线性误差为0.34%。     

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.     

基于MPSO-BP算法的四电极电化学气体传感器温度补偿研究

针对四电极电化学气体传感器的测量精度极易受环境温度影响的问题,提出一种基于粒子群优化-BP神经网络算法（PSO-BP）的温度补偿方法。利用改进的PSO算法（MPSO）对BP神经网络的权值和阈值进行优化,构造四电极电化学气体传感器的温度补偿模型,并设计了气体传感器测试系统。实验结果表明,MPSO-BP算法可有效提高BP神经网络的收敛速度和泛化能力;基于MPSO-BP算法的四电极气体传感器温度补偿模型,可将其温度补偿误差控制在0.1%以内。     

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,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

基于最优分类面的神经网络模式分类方法

用一组训练样本对神经网络进行训练后，网络对训练阶段未曾见过的样本也能正确分类。但传统的神经网络模式分类方法泛化能力不十分理想，而且不稳定。对同一个分类任务，训练样本改变，分类器泛化能力的大小也会改变。该文提出一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面，提高网络的泛化能力，增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力，取得了令人满意的结果。     

传感器信号的非线性补偿

针对传感器信号中存在的非线性误差 ,介绍了硬件补偿和软件补偿两种方法。硬件补偿是基于电压源可变来实现传感器特性的线性化 ,从而消除了非线性误差 ;软件补偿是通过函数拟合的办法来有效减小信号中的非线性误差 ,进而提高传感器的准确度。     

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%.     

双目摄像机定标的神经网络方法

研究基于反向传播神经网络的摄像机双目立体视觉定标新方法。传统方法基于三角测量原理技术,会带入成像畸变非线性误差,而这种新方法可以消除非线性因素的影响。该方法利用了BP网络良好的非线性映射能力以及学习、泛化能力,通过采用高精度样本数据训练BP网络,最终建立起立体视觉定标的网络模型。由于不需要考虑视觉模型误差、光学调整误差、广角畸变等因素对视觉检测系统测量精度的影响,因而能够有效地克服常规建模方法的不足,保证了检测系统具有较高的精度。     

一种利用函数链神经网络的传感器建模新方法

讨论基于函数链神经网络 (FLNN)的传感器建模新方法 ,其结构简单、使用灵活、建模容易 ,易于实时硬件实现。两个算例说明网络的训练和非线性逼近方法 ,显示出网络的自适应能力、学习能力 ,基于FLNN的传感器模型可同时实现温度补偿和非线性校正。实际上 ,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化 ,在测控系统中具有良好的应用前景。     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。