共查询到20条相似文献,搜索用时 31 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
基于神经网络的多传感器系统误差校正方法 总被引:5,自引:1,他引:5
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。 相似文献
5.
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。 相似文献
6.
7.
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。 相似文献
8.
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。 相似文献
9.
B—P网络泛化性能的改善 总被引:4,自引:0,他引:4
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。 相似文献
10.
11.
12.
13.
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. 相似文献
14.
15.
16.
17.
18.
双目摄像机定标的神经网络方法 总被引:1,自引:1,他引:0
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。 相似文献
19.
一种利用函数链神经网络的传感器建模新方法 总被引:6,自引:2,他引:4
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。 相似文献
20.
差压传感器非线性特性研究 总被引:1,自引:0,他引:1
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。 相似文献