基于一维PSD误差分段的BP网络非线性校正

介绍了光电位置敏感探测器（PSD）的组成结构和工作原理,分析了传感器产生非线性的原因。对实际一维PSD进行了实验标定,建立了一般BP神经网络非线性校正模型,为了提高网络校正结果精度,提出融合误差曲线分段处理和BP神经网络的高精度校正方法,实例运用结果证明了该方法的可行性和优越性,大大提高了非线性区域的测量准确度和数据的置信度。对于传感器测量范围的扩大和整个测试系统精度的提高都具有较大的应用价值。     

基于PSD激光三角测量的非线性校正电路

激光三角测量是目前非接触测量的主要方法之一,由于位移量与像面上光点位置的关系不是线性的,这在用位置敏感探测器(PSD)构成的探测系统中造成了非线性问题。提出一种新的模拟信号处理方法和电路补偿了这种非线性,实现了非线性校正。     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

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     

基于遗传神经网络的传感器非线性校正研究

针对实际传感器的非线性问题,介绍了用神经网络进行传感器非线性校正的原理,提出了基于自适应遗传算法的神经网络传感器非线性校正模型、算法及实现方法。通过实验结果显示:此方法不但可以实现非线性校正和减少环境因素的影响,而且,校正后的精度也高于单一的神经网络模型。     

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知,不确定,时变单输入单输出离散非线性系统,利用三层BP网络,采用快速BP算法构成学习和自校正控制的方案,针对同一被控对象,设计了PID控制器,仿真结果表明本文所提出的神经网络自校正控制的优越之处。     

基于神经网络的瓦斯传感器的非线性校正

文章提出了一种基于改进型BP神经网络的瓦斯传感器的非线性调校方法,该方法利用神经网络良好的非线性映射能力逼近反非线性函数,从而完成非线性校正。仿真结果表明:与传统的分段线性方法和BP算法相比,改进型BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校。     

改进型BP神经网络对电容称重传感器的非线性校正

针对电容称重传感器电容检测电路的输出电压与载荷质量之间的非线性特性问题,基于贝叶斯正则化的L-M算法建立BP神经网络改进模型,实现了电容称重传感器的非线性特性的校正,并与传统的梯度下降算法建立的BP神经网络模型的校正结果进行了仿真对比。仿真结果表明:改进型BP神经网络具有较快的收敛速度、较高的精度和较好的推广能力,有利于准确实现电容称重传感器非线性特性的有效校正。     

传感器非线性误差校正的BP神经网络方法研究

研究了采用BP神经网络实现传感器逆向建摸,用三种神经网络方法(LM算法)计算比较了使用两种不同初始化规则和不同网络结构时对网络性能和计算精度的影响。计算机仿真实验表明:使用NW初始化规则并改进网络结构后,网络的收敛速度更快,精度更高。     

人工神经网在二维PSD器件非线性修正中的应用

介绍了一种应用人工神经网对二维PSD器件非线性进行修正的方法。对光斑在二维PSD光敏面上的横向位移,以光斑的二维坐标集合为神经网的期望输出,以PSD输出的二维坐标集合为神经网的训练样本,对神经网络进行训练。利用神经网络所具有的非线性映射能力,在训练结束后即可建立PSD输入与输出的近似线性关系。结果表明修正后的PSD器件可以实现任意输入的实时非线性修正。     

蚁群算法优化神经网络的零点误差非线性校正

为解决电流互感器的零点误差非线性校正问题,提出一种蚁群算法优化径向基函数(RBF)的零点误差非线性校正方法(ACO-RBF).利用蚁群算法对RBF神经网络参数进行优化,并采用优化后的RBF神经网络对电流互感器零点误差进行自适应校正.仿真结果表明,相对于其他校正方法,ACO-RBF可提高电流互感器自动测试系统的测量精度,减少测量误差,较好地反映零点误差变化的特点.     

基于优化BP神经网络的物理量回归方法

在物联网实际应用系统的开发中,传统回归方法面对A/D转换物理量回归时存在表达方式不统一、非线性校正能力及动态适应性弱等问题。文中在分析A/D转换物理量回归要素的基础上,依据BP神经网络的非线性映射能力,提出了利用布谷鸟算法进行优化的BP神经网络,并利用其实现统一数学表达的A/D转换物理量回归方法。实践表明,该方法具有数学公式统一、非线性校正能力及动态适应性强等特点。该方法既适用于利用通信方式将A/D采集的数据直接送至PC机处理的物联网系统,也适用于利用PC机进行学习,将神经网络结构参数存储于MCU内的Flash中,在物联网终端直接将A/D值转为实际物理量的环境。     

基于思维进化算法的神经网络权值与结构优化

人工神经网络应用的关键在于权值和结构的优化。思维进化计算(MEC)是模拟人类思维进化过程的一种新的进化算法,具有极强的全局寻优能力,在数值优化和非数值优化方面均显示出明显的优越性。本文在思维进化计算框架的基础上,提出了一种用于人工神经网络权值与结构优化的思维进化算法,设计了有效的结构优化‘趋同’与‘异化’算
子;在局部范围内寻求局部最优解,然后使用异化算子跳出局部范围的约束,在整个解空间寻求全局最优解。仿真结果说明了方法的正确性与有效性。     

基于小生境-遗传算法优化的新型BP模型

为解决传统BP神经网络模型易陷入局部极小点、网络结构不稳定、收敛速度慢等问题,提出了一个小生境遗传算法优化的BP神经网络模型。该网络模型借助BP神经网络的非线性映射和学习联想能力和小生境遗传算法的搜索能力,利用小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,来对BP神经网络的初始权值和阈值进行优化,同时使用BP算法来训练该模型,从而有效地解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。实验证明：与传统方法相比,该模型具有很强的可行性和有效性。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于BP神经网络的锅炉控制系统

神经网络的自学习、自适应和并行处理等特性，使得它们在现代控制系统中得到了广泛的应用。结合温度的时变、滞后和非线性的特性，提出了一种基于人工神经网络的控制算法，并经计算机仿真表明，该算法具有响应速度快、精度高和鲁棒性的特点。     

基于人工神经网络的非线性回归

探讨了人工神经网络在回归分析领域应用的理论基础,对基于人工神经网络的非线性回归进行了深入的实践分析。以BP网络为例给出了基于人工神经网络的非线性回归实例分析。结果表明利用人工神经网络进行非线性回归是一种良好的数据回归方法,可以方便地应用于解决非线性回归问题。