基于神经网络的高分子PTC热敏电阻测温准确性的研究

为了提高高分子PTC热敏电阻测温的准确性,采用BP神经网络对高分子PTC热敏电阻进行非线性校正.首先,对高分子PTC热敏电阻进行数据标定;然后建立BP神经网络模型;最后,应用此模型对高分子PTC热敏电阻进行非线性校正.经实验证明,该方法大大提高了PTC热敏电阻温度传感器的测温准确性,其测量误差在±0.08℃以内.     

高精度铂电阻测温非线性校正方法

介绍了铂电阻测温非线性校正方法.该方法不是采用传统方法,而采用对象非线性特性函数的对称函数作为校正函数.利用该方法,能有效提高铂电阻测温精度.     

基于BP网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

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.     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

高精度热电偶测温电路设计与分析

在工业现场影响热电偶测温精度的因素是多方面的,除热电偶本身误差外,主要是输入通道误差、冷端补偿误差和分度表非线性校正误差;围绕以上3个主要因素,设计了一种可应用于复杂工业环境的高精度热电偶温度测量电路,结合设计方案针对于前两种因素在深入分析误差内在机理基础上给出误差计算公式;针对非线性校正误差提出一种等精度最小二乘拟合校正算法,使用该算法可根据校正精度要求,将测温范围自动划分等精度区间与传统插值法相比,在不增加计算量的前提下大大提高了校正精度;提出的误差计算公式和非线性校正方法,对于高精度热电偶测温电路的设计具有适用性和重要的指导性,经实际应用验证设计方法满足了复杂工业环境下高精度的测温要求。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.     

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RBF神经网络的热电偶信号处理新方法

针对热电偶信号处理中的非线性校正和冷端补偿等突出问题,利用径向基函数(RBF)神经网络构造双输入单输出的网络模型,并采用遗传算法对网络结构和参数进行优化训练,同时完成了热电偶测温中的非线性校正和冷端补偿。经仿真实验证明:该方法的测量误差减小至0.095%,在较大范围内提高了热电偶温度测量的精度。     

嵌入DeviceNet总线接口的智能差压传感器系统

介绍了一种具有DeviceNet现场总线通信功能的智能差压传感器的设计,探讨了传感器输入输出特性曲线的非线性校正方法。通过内嵌的总线控制器(SJA1000)、报文收发器(82C251)和P89C668单片机等,该传感器可直接作为一个DeviceNet从节点工作;对传感器的输入输出特性曲线进行了建模,以软件手段实现高精度的非线性自校正功能。测试结果表明:该智能差压传感器不但具有DeviceNet现场总线输出功能,且经过多项式或神经网络建模的传感器非线性误差分别可达0.04%FS和0.02%FS。这为高精度传感器的制作提供了一种可行的方法。     

基于DSP技术的传感器非线性校正

针对系统内含有DSP(数字信号处理)芯片的检测系统，提出了运用DSP芯片对传感器进行非线性校正的方法。与传统校正方法进行比较可以表明，此方法简化了设计，提高了通用性和灵活性。并且通过最小二乘法在DSP芯片上实现非线性校正的实例说明其可行性。     

基于退火遗传算法的传感器非线性校正方法

针对实际传感器的非线性问题,结合遗传算法和模拟退火算法的优点,提出了一种基于退火遗传算法的传感器非线性校正方法.该算法通过计算传感器自校正方程中的待定常数,实现非线性特性的线性化.实验结果表明:该方法不但可以实现非线性校正,而且校正后的精度也高于传统的最小二乘法.     

遗传神经网络及其在非线性校正中的应用

针对遗传算法和神经网络的不足．介绍了对非线性校正的遗传神经网络方法。计算机仿真结果表明了该方法的收敛速度优越于其它传统方法，且具有较强的鲁棒性。     

基于遗传神经网络的零件图像非线性校正

提出了基于遗传神经网络校正非线性失真图像的方法。首先，用遗传算法优化神经网络的权值，构成遗传神经网络。然后，从标准的矩形栅格的失真图像中提取特征样本，样本的坐标用于训练遗传神经网络，标准矩形栅格中的样本的坐标作为目标输出。最后，以失真图像所有像素的坐标作为遗传神经网络的输入；其输出的坐标经过灰度级插值，实现图像的非线性校正。实验结果表明，文中提出的方法是有效的。     

气体传感器阵列测试算法研究

采用人工神经网络中的BP神经网络处理阵列式气体传感器信号,气体传感器阵列与前馈神经网络模式识别技术结合而成的人工嗅觉系统被用来进行混合气体的定量分析.利用计算机模拟方法对非线性气体传感器阵列进行模拟,并运用MATLAB神经网络工具箱设计了BP网络,最后,对模拟数据进行了比较.结果表明:神经网络法具有非线性逼近能力强、识别率较高等特点.     

射频电容传感器非线性校正方法研究

在油品含水量智能检测系统的开发过程中,使用了射频电容传感器。基于水的介电常数远远大于油的介电常数,因而两者呈现了不同的射频阻抗特性。针对射频电容传感器的非线性特性和在对油品水分检测过程中传感器存在对温度的交叉灵敏度问题,提出了基于L-M算法的多层前向神经网络建立传感器逆模型的二维非线性校正方法。为了保证神经网络训练达到最佳效果,对采集的数据提出了抗脉冲滤波和限幅滤波算法。实验结果验证了上述方法的可行性和实用性。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

基于DRNN的传感器的建模研究

针对传感器受温度影响的复杂非线性输入输出特性,利用对角递归神经网络（DRNN）建模,并实现了温度补偿和非线性校正。对于权值的训练采用LM算法,克服了BP算法收敛慢的缺陷,使其在保证收敛的前提下,提高了收敛速度。实验表明：应用DRNN对传感器建模是一种行之有效的方法。     

RBF神经网络在红外CO_2传感器压力补偿中的应用研究

在红外CO2传感器的测量过程中,环境总压是一个重要的影响因素。在环境总压变化的情况下做好压力补偿得出正确的CO2气体分压值,对提高传感器的测量精度有重要意义。提出一种基于聚类和梯度法的径向基函数(RBF)神经网络方法,利用它的局部逼近特性,建立起其在红外CO2传感器的非线性压力补偿中的网络模型。实验结果表明:该应用收到了良好的效果。