基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.     

RBF神经网络在传感器故障诊断中的应用研究

针对传感器在自动化系统中的重要性，指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点，阐述了RBF神经网络的基本理论和优点，提出了一种基于RBF神经网络用于传感器故障诊断的思路和方法。     

基于加速度的BP神经网络手势识别设计

随着MEMS技术的发展,基于加速度传感器的手势识别成为了研究主流。本文采用BP神经网络模型作为基于加速度的手势识别方法,同时对提出的手势识别方法进行实验验证,并分析结果,得出此方法对0-9十个阿拉伯数字的识别能力较高,证明了BP神经网络非常适合在可穿戴设备中的应用。     

优化的RBF神经网络对光纤位移传感器温度补偿

在对光纤位移传感器进行温度标定的过程中,随着工作环境的变化,位移传感器的测量值会产生误差,从而使位移传感器在使用时随着环境温度的变化发生精度下降的情况。为减少这种漂移偏差,该文使用径向基(RBF)神经网络对位移传感器进行温度补偿,并采用自适应的设计思想寻找RBF函数中心。将位移量和环境温度作为输入,其输出为传感器输出电压,使用自适应的设计思想来确定基函数的中心,建立一个基于RBF神经网络的模型。结果表明,该模型的训练结果可以使光纤位移传感器进行测量的相对误差降低9.23%,在测量精度上有很大的改进,证明了该方法的可行性。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

基于加速度传感器和神经网络的人体活动行为识别

人体活动行为识别在医疗、安全、娱乐等方面有着广泛的应用,为了高效、准确地获取人体活动的行为信息,提出一种基于加速度传感器和神经网络的个人活动行为识别方法。该方法通过在个人手上佩戴加速度传感器,实时采集个人活动的行为数据;再通过BP神经网络分析相关行为数据并建立个人活动行为模型,分类识别个人的行走、坐着、躺卧、站立和突然跌倒等活动行为特征。实验结果表明,该方法能够有效检测到个人活动的行为特征参数,并可准确识别出人体活动的五种典型行为。     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

新型高性能红外二氧化碳传感器

介绍了红外二氧化碳传感机理,提出了一种新型空间双光束测量结果,并基于RBF的神经网络建立了传感器数学模型。为了提高传感器动态特性,设计了动态补偿滤波器,研制成功一种新型高性能传感器。实验结果表明,上述技术有效地提高了传感器的精度、实时性及可靠性。     

改进的RBF文本分类算法

分析了文本分类系统的一般模型及现有技术,在应用了核主成分分析的特征降维方法进行处理后,提出了一种基于样本中心的径向基( RBF)神经网络文本分类算法,并且引入了聚类算法的核心思想,来改进误差反向传播(BP)神经网络分类算法收敛速度较慢的缺点.实验结果表明, RBF网络与BP网络相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果.     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

人工神经网络在电涡流传感器非线性补偿中的应用研究

电涡流传感器输入/输出特性曲线具有很强的非线性,为保证仪表输入/输出的线性化关系,必须对电涡流传感进行非线性补偿。采用RBF网络对电涡流传感器进行非线性补偿,并将补偿结果与拟合函数法(最小二乘法)进行比较。结果表明:神经网络产生的补偿曲线更顺滑,预测性更强,补偿后的传感器线性度更好。     

神经网络在光电位置坐标传感器中的应用

光电位置敏感器件(PSD)是一种可直接对其光敏面上的光斑进行检测的光电器件,基于PSD可以构成多种非接触的高精度动态位移监测仪器.在PSD器件使用中的一个关键问题是如何克服器件本身的非线性,以提高监测的精度和可靠性.提出一种基于神经网络的PSD非线性补偿方法,利用神经网络具有逼近任意非线性函数的特点,通过训练使神经网络建立在PSD输出与其理想值之间的非线性映射关系,实现PSD非线性补偿.计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且能在神经网络的输出端得到期望的线性输出.     

基于RBF神经网络的机抖激光陀螺零偏的温度补偿的研究

温度偏置漂移是存在于激光陀螺中使得输出信号产生较大偏置误差的一种不可忽略因素,准确地辨识漂移并有效地对其进行补偿直接关系到激光陀螺的测量精度.通过温度实验研究了机抖激光陀螺的温度特性,采用RBF网络进行温漂辨识.温漂辨识可以通过离线事先学习,因而在多种学习方法中选择了简单易行、精度高且运算速度快的正交最小二乘(OLS)法.通过实验验证,采用RBF网络及其OLS学习算法可以快速、有效、高精度地辨识并补偿温漂.     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.