BP算法在位移传感器测量精度方面的应用

在较高精度位移测量中,需要对位移传感器的输出进行温度补偿。采用BP(Back Propagation)网络的多传感器数据融合方法,把位移传感器和温度传感器的输出作为网络的输入向量送入融合中心,通过BP网络训练,然后将标定样本送入训练好的神经网络,得到比较准确的位移输出。为克服传统BP网络算法收敛慢、容易收敛到局部最小点的缺陷,采用BP多层前馈神经网络改进算法对传感器特性进行补偿,用MATLAB仿真所得到的结果与原有的实验数据相比较,在相同的温度波动情况下,位移传感器的输出误差比原来的减小了3倍,而且大幅度地节省了时间。     

基于RBF神经网络的光纤陀螺漂移误差辨识

漂移是存在于光纤陀螺系统中使得输出信号产生较大偏置误差的一种不可忽略因素.漂移信号具有非线性、随机性和易受干扰的特点,准确地辨识漂移并有效地对其进行补偿直接关系到惯性导航系统的测量精度.提出采用多尺度小波分析和RBF神经网络两个模型对漂移误差进行辨识,可以有效提高辨识精度.应用多尺度小波分析方法消除高频噪声,改善信噪比,把消噪信号作为神经网络期望输出,然后利用离线事先学习的RBF网络辨识漂移误差,并且采用带有遗忘因子的梯度下降算法来确定RBF神经网络隐含层基函数的中心位置、宽度和输出层权值的大小.仿真结果表明,该方法可以快速、有效、高精度地辨识并补偿漂移误差.     

基于Mach-Zehnder干涉仪的温度与位移传感器的传感特性

基于Mach-Zehnder干涉仪光纤温度与位移传感器的理论、方案和相关技术,利用光谱漂移直接测量的信号检测方法,实现了温度和位移的传感.实验结果表明:温度传感器其传感臂的有效长度大于0.49 cm时,灵敏度随传感臂在温度场中长度的增加而增加,且二者具有很好的线性关系.在位移传感器的传感测量中,灵敏度与传感臂有效长度有线性变化关系,在有效归一化位移量大于a.u./6.5时,其灵敏度达到饱和.     

压力传感器温度补偿的BP神经网络算法

压阻式压力传感器易受工作温度影响,存在着温度漂移现象.为了提高测量的准确度,采用BP人工神经网络的数据融合处理法对温度漂移进行补偿.分析比较了补偿前后的数据,补偿后的温度灵敏度系数和零位灵敏度系数提高了2个数量级.实验结果表明,该方法有效地抑制了温度对压力传感器的影响,提高了传感器的稳定性和准确性.     

差动式光纤光栅位移计及其温度特性的研究

基于拉伸弹簧和悬臂梁组成一复合结构实现了光纤光栅(FBG)位移传感器的差动式测量,研究表明:传感器位移分辨率为0.05%,重复性为0.183%,回程误差为0.134%,线性误差为0.14%,基本误差为±0.326%;以20℃为基准,在(-30— 100℃),温度引起的零点漂移不超过满量程的2.86%;随着试验温度范围减小至传感器日常使用范围(-20— 60℃),零点温度漂移也减小至满量程的0.7%,传感器温度特性完全满足需求。最后,给出了传感器温度特性不一致的主要原因以及进一步改善传感器位移传感特性和热稳定性的方法,并指出改变悬臂梁和拉伸弹簧的几何尺寸就可实现不同量程、不同位移分辨力的测量。     

基于PCA-RBF神经网络的WSN数据融合轴承故障诊断

为了减少基于无线传感器网络（WSN）的轴承故障诊断系统数据传输总量和网络负载同时提高故障诊断准确性,提出一种采用主元分析（PCA）与径向基（RBF）神经网络结合轴承数据的融合与故障诊断算法.首先建立基于LEACH协议的3层融合模型,然后簇首节点采用PCA对大量多传感器数据降维,最后Sink节点采用RBF对数据进行决策级融合.仿真结果表明：该算法3个成员节点各上传10个数据包,簇头节点融合后剩余4个,融合率为86.7%,每组故障识别准确率大于85%.该算法具有很好的识别率和高压缩率,能够很好应用于煤矿设备故障监测.     

光纤光栅温度传感器应变补偿系统研究

提出采用D-S证据理论融合的多传感器信息融合BP神经网络模型方法,来解决光纤光栅温度传感器的应变补偿问题,即改善光纤光栅的交叉敏感现象。通过程序仿真和实验证实,此方法可以实现对光纤光栅温度传感器的应变补偿,达到光纤光栅温度传感器温度和应变的精确分离,其测量温度误差约为10-2,同时有效地抑制了光纤光栅传感器非线性的影响。     

基于多传感器数据融合的加工质量预测技术

多传感器数据融合技术已受到广泛关注．它的理论和方法已被应用到许多研究领域。基于多传感器数据融合技术,通过分析影响加工质量的多种因素．综合考虑铣削过程主轴电机电流信号、工件振动信号、主轴转速、进给速度、切削深度、切削宽度、顺,逆铣及刀具直径8种因素。以这8种因素作为神经网络输人,进行信息融合,以加工尺寸误差作为目标输出,建立了RBF神经网络加工尺寸误差智能预测模型。     

神经网络在光纤陀螺温度补偿中的应用

为了消除光纤陀螺的温度效应并提高陀螺的精度,将神经网络应用于光纤陀螺温度漂移模型的辨识和温度补偿中.采用神经网络算法中的误差反向传播算法,在采集的光纤陀螺漂移数据样本的基础上对其进行了非线性辨识,通过对所采集数据的学习训练出了有效的温度补偿网络,并用实验测试数据验证了该方法的有效性.数据分析表明,神经网络温度补偿方法可以明显改善陀螺的零偏稳定性能.     

基于径向基神经网络的压力传感器信息融合技术

因为压力传感器的温度漂移普遍存在,其输出特性容易受环境温度、电压扰动等各种非目标参量的影响,从而大大降低了其性能．利用径向基神经网络构建了双输入单输出网络模型,采用带遗忘因子的梯度下降算法,实现了压力传感器高精度温度补偿,从而大大提高了压力传感器的稳定性和可靠性．     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

应用数据融合改善压力传感器的静态特性

提出了一种基于RBF神经网络的数据融合方法,并用此方法对电阻应变式压力传感器进行了温度补偿。通过一个实例说明了该方法的应用,并与利用BP神经网络进行补偿的方法进行了比较,进一步说明了该方法的优越性。结果表明当环境温度变化较大时,在不同的压力下该方法能对传感器进行有效的温度补偿。     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

Sensor Registration Based on Neural Network in Data Fusion

The contents of sensor registration in the multi-sensor data fusion system are introduced, and some existing methods are analyzed. Then, one approach to sensor registration based on BP neural network is proposed. Here the measurements from radar are transformed from the polar coordinate system to the Cartesian coordinate through a BP neural network. With this approach, the systematic errors are removed as well as the coordinate is transformed. The efficiency of this method is demonstrated by simulation, and the result show that this approach could remove the systematic errors effectively and the DAR are closer to real position than DBR.     

基于径向基神经网络的加速度计随机误差处理

神经网络应用于加速度计的随机误差处理,更接近真实值,因而比线性方法更优越近年来,BP神经网络受到了广泛重视,但径向基神经网络尚未得到重视径向基神经网络具有比BP神经网络更快的收敛速度,但是径向基神经网络能否达到全局最优解尚没有理论上的判别方法对BP神经网络和径向基神经网络在加速度计输出数据处理方面的优劣势进行了分析,分析时既考虑了数据量的增加,也考虑了优化性未来,对数据以最优化的方式进行大量处理将成为发展的趋势,也是走向实用化的切实可行的发展路径     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。