基于GA-WNN的电涡流传感器的温度补偿

针对电涡流传感器的温度漂移对其测量精度带来较大影响的问题,提出了基于遗传优化小波神经网络(GA-WNN)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立GA-WNN神经网络模型。该模型用遗传算法对小波神经网络的权、阈值进行全局的优化,改善了小波神经网络训练速度慢的问题,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的灵敏度温度系数由8.69×10^-3/℃提升到3.48×10^-4/℃;零位温度系数由4. 78×10^-3/℃提升到1.85×10^-4/℃,均提高了一个数量级,成功实现了温度补偿的目的。     

基于GA-BP的电涡流传感器称重系统的温度补偿

针对电涡流传感器在称重系统中的温度漂移问题,该文提出了基于遗传算法优化BP神经网络(GA-BP)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定试验,并且利用LM35温度传感器监测其工作温度,建立GA-BP神经网络模型。该模型用遗传算法对BP神经网络的权、阈值进行全局的优化,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的零位温度系数由2.723×10^-3/℃提高到1.099×10^-4/℃,灵敏度温度系数由2.956×10^-3/℃提高到6.877×10^-4/℃,均提高了2个数量级,满量程的相对误差由8.43%提高到1.93%,提高了1个数量级。成功实现了温度补偿的目的。     

基于BP-PSO的霍尔位移传感器的温度补偿研究

温度对霍尔传感器的灵敏系数有严重影响,因此霍尔传感器测量位移时的电压输出会随着温度的改变而发生变化。为减小测量误差,需要对霍尔传感器进行温度补偿。首先采用粒子群优化的BP神经网络算法(BP-PSO)建立被测位移与霍尔位移传感器输出电压和工作环境温度的关系,其次依据该算法求出融合后的数据,最后依据通过BP-PSO算法融合后的数据分析温度灵敏度系数和相对误差。研究结果表明,经过温度补偿算法后温度灵敏度系数提高了一个数量级,相对误差也得到相应改善,成功实现了通过补偿算法减小温度对霍尔传感器的影响。     

基于人工鱼群BP神经网络算法的压力传感器温度补偿研究

为实现压力传感器的温度补偿,采用BP神经网络作为压力传感器软件补偿系统的核心算法,但由于BP神经网络算法易陷入局部极值,因此采用具有全局搜索能力的算法—人工鱼群算法(AFSA)进行优化,得到的结果是压力传感器的线性度提升1个数量级,温度灵敏度系数降低2个数量级,得到了很好的补偿效果。     

霍尔效应式位移传感器的温度补偿

针对霍尔位移传感器温度漂移的问题,提出了一种基于粒子群优化算法与遗传算法优化最小二乘支持向量机(PSO-GA-LSSVM)的温度补偿新模型。该模型利用粒子群优化算法对最小二乘支持向量机中的惩罚因子和核函数进行优化选取,提高了模型的训练速度与准确度;并引入遗传算法中的变异思想,拓展模型的群搜索空间,提高了寻取更优值的概率。研究结果表明,补偿后该传感器的零位温度系数由1.25×10^-2/℃减小到6.33×10^-4/℃,其灵敏度系数由4.55×10^-3/℃减小到4.22×10^-4/℃,均提升了一个数量级,实现了对该传感器的温度补偿。     

光纤位移传感器温度补偿的研究

为了减小温度漂移对光纤位移传感器测量精度的影响,采用基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的模型对该传感器进行温度补偿。通过对光纤位移传感器做二维标定试验,利用LM35温度传感器获取试验环境温度数据,建立了PSO-LSSVM温度补偿模型。该模型的核心思想是利用粒子群优化(PSO)算法对最小二乘支持向量机(LSSVM)算法中的惩罚因子C和核函数参数δ不断地进行优化选择,直至适应度函数值达到预期要求,此时温度补偿达到最优效果。比较温度补偿前后的数据,零位温度系数从9.78×10~(-3)/℃提升到2.07×10~(-3)/℃;灵敏度温度系数从7.47×10~(-3)/℃提升到1.51×10~(-3)/℃。PSO-LSSVM模型能够有效地实现对光纤位移传感器的温度补偿。对光纤位移传感器进行温度补偿的研究,将对使用该传感器进行测量的领域产生积极的影响。     

基于遗传算法的小波神经网络在股票预测中的应用

小波神经网络采用传统BP算法,存在收敛速度慢和易陷入局部极小值两个突出弱点。本文建立了基于遗传算法的小波神经网络股票预测模型GA-WNN。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部特性。运用MATLAB对拟合和预测过程进行仿真。结果表明,该模型能有效地提高预测精度,避免了BP算法固有缺陷。     

用于光纤光栅传感器温度补偿方法的研究

本文比较了定长系数线性回归分析法和BP神经网络算法用于补偿温度对光纤光栅压力传感器的影响的效果。回归分析法可以起到一定的补偿作用,但对个别数据点补偿效果不理想。BP网络融合处理后的数据,其零位温度系数和灵敏度温度系数从补偿前的34．5％℃-1和34．2％℃-1分别下降到0．02％℃2-1和0．07％℃-1,提高了近3个数量级,充分证明BP神经网络对光纤光栅压力传感器进行温度补偿的有效性。     

工业控制中电涡流传感器位移测量精度研究

针对电涡流传感器对受温度影响较大、导致严重的温度漂移的问题,提出了采用基于支持向量机算法的温度补偿模型。首先通过对电涡流传感器采用二维定标实验,通过温度箱改变温度,再利用温度传感器测试其温度,通过学习,建立支持向量机(Support Vector Machine,SVM)模型。通过对SVM中的核函数和参数的选取及优化,最终得到SVM的电涡流传感器的温度补偿模型。经过补偿之后,电涡流传感器的灵敏度温度系数和零位温度系数与未进行温补相比均提高了一个数量级,从而达到了对电涡流传感器温度补偿的目的,同时非线性也得到了校正。     

基于FOA- LSSVM算法的扩散硅压阻式压力传感器温度补偿

扩散硅压阻式压力传感器具有精度高、灵敏度高、动态响应快等优点,但是存在严重的温度漂移现象,因此必须对其进行温度补偿。针对扩散硅压阻式压力传感器的温度漂移现象,设计了一种基于果蝇算法优化最小二乘支持向量机(FOA-LSSVM)算法的温度补偿模型。首先,运用MPX10扩散硅压阻式压力传感器和LM35温度传感器,进行压力和温度的二维标定试验。然后,利用果蝇优化算法(FOA)自动寻优的优点,解决了最小二乘支持向量机(LSSVM)手动选取参数的问题,从而提高了算法的效率和补偿精度。试验证明,运用FOA-LSSVM算法对扩散硅压阻式压力进行温度补偿,零位温度系数(α_0)和灵敏度温度系数(α_s)均提高了一个数量级,达到了对该传感器温度补偿的目的。     

基于遗传算法的小波神经网络温度补偿模型

对单晶硅压阻式压力传感器的输出随温度漂移的问题,提出了基于遗传算法的小波神经网络模型,该模型充分发挥了遗传算法的全局搜索能力和小波神经网络简单快速的函数逼近能力,研究结果表明,该模型有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

基于GA-WNN温度补偿的红外CO2气体传感器系统研究

为了提高红外CO2气体传感器的探测灵敏度和精度,首先基于计算流体动力学（CFD）仿真计算,研究了传感器腔内气体辐射功率吸收效率与腔体结构之间的关系,模拟结果表明：当圆柱腔体的直径与内壁反射率固定时,腔体结构存在最佳腔长可使传感器红外辐射功率吸收效率达到最大。然后基于CFD仿真的结果设计和实现了CO2气体传感器,并开展了实验比对与验证,进而着重研究了环境温度对气体测量结果的影响。实验结果表明：在5~45oC温度范围内,传感器在0~2000 ppm浓度范围内的测量误差随着温度升高而显著增大。最后采用遗传小波神经网络算法（GA-WNN）对传感器进行了温度补偿,数据融合补偿后传感器的温度漂移得到了较好的抑制,其绝对误差小于±70 ppm,在非样本温度点下,整体平均误差小于±100 ppm,表明CO2气体传感器的测量精度得到了较好的提升。     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。     

恒流源充电二极管放电的电感式位移传感器

介绍恒流源充电二极管放电的电感式位移传感器,其电感值的测量原理是采用开关电路,以恒流源电路向电感线圈充电,只经过二极管放电,定时测量稳定放电的时间来测量电感值。其位移量是通过测量线圈的电感值来间接测量的。分别论述了单向和双向充放电测量电感值的原理,并设计了电感式和电涡流式两种测量位移量的试验,通过试验和数据分析证明这种电感式测量位移的方法可行,不采用高频正弦激励,即可测量较小的电感值(μH)。     

基于遗传小波神经网络的白酒识别电子鼻

为研究不同品质白酒快速识别的电子鼻技术,利用自制的电子鼻采集四种白酒样品的气味数据,建立了BP神经网络分类模型。针对BP算法普遍存在的收敛速度慢、易陷入局部极小且网络参数需要人工设定的缺陷,提出一种将遗传算法的自适应全局优化搜索能力、小波分析的非线性逼近能力和BP算法自学习能力结合在一起的遗传小波神经网络白酒识别模型。仿真结果表明,与BP神经网络和小波神经网络相比,GA-WNN分类模型的收敛速度和分类准确率都得到了较大提高,可应用于白酒识别电子鼻。     

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.     

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.     

压电陶瓷传感器的灵敏度温漂误差补偿研究

针对微测系统中压电陶瓷传感器的灵敏度温漂会使其在变化的温度环境中工作时性能不稳定,进而影响检测精度问题,提出了一种基于改进Elman神经网络的压电陶瓷传感器灵敏度温漂误差补偿控制方法。分析了压电陶瓷传感器产生灵敏度温漂现象的原因。以压电陶瓷切削力测量传感器为对象,在不同温度下对传感器的灵敏度进行了标定试验研究。研究结果表明,压电陶瓷传感器在同一温度下工作时具有良好的线性度,在温度变化的环境中工作会伴有灵敏度温漂现象。为了有效补偿灵敏度温漂附加误差,提高检测精度,建立了基于改进Elman神经网络的灵敏度温漂补偿模型,并对模型涉及的学习算法、激励函数、输入输出层节点以及承接层和隐含层节点数等相关内容进行了研究。对比试验验证结果表明,所建立的灵敏度温漂补偿模型对压电陶瓷传感器的灵敏度温漂误差补偿控制效果明显,未经灵敏度温漂补偿,直接按照常温下灵敏度标定结果预测的压电陶瓷传感器加载力和实际加载力之间误差较大,最大误差达到29.16 N,利用本文建立的基于改进Elman神经网路灵敏度温漂补偿模型补偿后,补偿模型的预测力和压电陶瓷传感器的实际加载力最大误差仅0.72 N,有效保证了检测精度。     

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。