一种湿度传感器温度补偿的融合算法

针对自动气象站上湿度传感器在实际应用过程中易受温度影响的问题,提出采用RBF神经网络与最小二乘相结合的融合算法实现湿度传感器的温度补偿。该方法将湿度传感器在温度影响下的特性曲线分为两个非线性段和一个线性段,并且自适应的确定线性段和非线性段,在线性段利用最小二乘方法拟合出直线方程,在非线性段利用RBF神经网络补偿温度产生的影响。仿真结果表明,这种方法简单易行,与一般的BP神经网络和最小二乘多项式方法相比,具有拟合训练速度快,补偿精度高的特点,可以有效用于湿度传感器的温度补偿,提高传感器的测量精度和可靠性。     

流量计量中BP神经网络温度补偿算法研究

针对时差法计量流量时受温度影响而存在的非线性问题,提出了基于BP神经网络的温度补偿算法。该算法通过引入动量因子和改善数据敏感度,提高了BP神经网络的预测能力,通过建立温度与流量之间的非线性映射关系来补偿流量计量。仿真分析可知,该算法表现出较好的数据融合及预测能力。实验验证进一步表明,相对于现有查表修正算法,该算法补偿性能稳定,最大误差在±2.0%以内,最大绝对误差方差为0.48,达到2级表水平,具有重要的工程应用价值。     

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。     

改进PSO-BP算法的压力导丝温度及非线性补偿研究

测量冠状动脉血管血流储备分数的压力导丝中的超微型压力传感器,具有严重的温度以及非线性漂移问题,且目前只有硬件方法进行补偿。针对硬件补偿方法存在的补偿精度不高及成本昂贵等问题,提出一种改进粒子群优化的BP神经网络算法,对压力导丝进行温度和非线性软件补偿。Matlab仿真结果表明,改进PSO-BP神经网络与现有标准PSO-BP算法、BP神经网络等软件以及硬件补偿方法相比,具有成本低、稳定性高、不易陷入局部最优、泛化能力强等优点。     

基于BP神经网络的超声测压温度补偿模型

在分析了温度对超声管外压力测量的影响和现有模型不足的基础上,利用BP神经网络良好的非线性拟合能力,通过实验数据训练网络,最终建立了温度—声速—压力模型,实现了温度的补偿,结果表明补偿后的模型精度明显提高。     

基于最小二乘曲面拟合的流量计量温度补偿算法

针对时差法超声波式热量表流量计量结果受流体温度影响而存在的非线性误差问题,提出了基于最小二乘曲面拟合的温度补偿算法,通过建立温度和流量之间的非线性映射模型实现温度补偿。在实现温度补偿后,针对超声波式热量表自身计量特性的差异,进一步提出多温度点误差二次修正算法,根据相邻温度点的流量计量误差和可变权值计算当前的流量计量误差,对误差进行二次修正,实现流量计量的全局优化。实验表明,流量计量误差在±2.0%以内,具有较高的工程应用价值。     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

基于改进PSO优化RBF的压力扫描阀温度补偿研究

压力扫描阀由于结构紧凑、通道数多、精度保持性好等优点,在航空航天领域压力测量方面得到了广泛应用。针对压力扫描阀在工程应用中存在压力随温度漂移的现象,提出了一种基于改进粒子群算法(PSO)优化径向基神经网络(RBF)隐含层权值的方法,对温度漂移进行算法补偿研究。同时,对比了最小二乘法的曲面拟合、BP神经网络、RBF神经网络的补偿效果,结果表明：改进PSO优化RBF的方法补偿精度较高,在-40℃～60℃温度范围内,绝对压力的最大满量程误差为0.1%FS。不仅满足项目0.5%FS的误差要求,而且提高了压力扫描阀在该温度环境下的测压精度与性能。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于MEA-BP的NTC热敏电阻温度传感器非线性补偿研究

热敏电阻作为温度传感器其阻温特性表现为非线性,在工程实际温度测量中存在一定的非线性误差,精度较低。论文使用NTC热敏电阻温度传感器作为研究对象,针对其存在的非线性问题,通过MEA（思维进化算法）优化BP神经网络模型从而实现对NTC热敏电阻温度传感器的非线性补偿,论文简要阐述了有关温度传感器补偿的相关方法与研究成果,分析了热敏电阻的阻温特性、工作原理,介绍了MEA-BP的模型构建,补偿原理与方法,利用5种评估标准对比传统RBF与BP神经网络模型。结果表明该补偿模型在各个评价指标上均优于传统RBF与BP神经网络,具有补偿精度更好、稳定性更强等优势,在测控、军工、航空等众多领域有一定实用价值。     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

基于PSO-BP神经网络光电编码器误差补偿研究

考虑到高精度绝对式光电编码器应用广泛,其角度测量精度对整个系统精度影响较大,但由于角度传感器生产安装过程中产生的误差等原因,使得传感器在实际应用中存在一定的误差.而使用传统误差补偿方法难以得到较好的补偿效果,本文使用一种基于PSO的BP神经网络作为角度传感器误差补偿系统的算法.通过实验验证,该种算法能够对角度传感器误差进行较好的补偿,与补偿前相比,其标准偏差提高了12.5倍,最大误差和平均误差降低到9.6％和8.5％,提高了传感器检测精度.与使用了基于传统BP神经网络和基于多项式拟合算法的误差补偿系统进行对比实验,结果表明,其补偿效果亦优于这两种算法.     

一种基于神经网络算法的高精度拟合传感器温度特性曲线的方法

为了有效改善传感器温度补偿特性,提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型.分析了算法的收敛性,为学习率的选择提供了理论依据.给出了对掺杂苯的SnO2纳米传感器的灵敏度-温度特性曲线进行拟合的实例.结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度(10-6),因而是一种有效的温度特性曲线拟合方法.     

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。     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。