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。     

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。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。     

基于LS-SVR的压力传感器温度自补偿策略

硅压阻式压力传感器在实际使用过程中受环境温度影响易发生温度漂移,同时传感器本身又存在一定的非线性,这使得传感器测量精度大幅度降低.针对传统的温度补偿方法中需引入温度传感器的情况,提出一种基于最小二乘支持向量回归(LS-SVR)的压力传感器温度自补偿策略,通过定义并测量传感器桥路自身参数获取温度信息实现温度补偿,而无需配置额外的温度传感器.通过粒子群算法和交叉验证对LS-SVR的参数进行了优化.实验结果表明:这种利用传感器自身桥路进行温度补偿的方法能够有效地消除压力传感器的温度漂移.补偿后测量精度达到0.1%FS.     

基于RBF神经网络的电化学CO气体传感器的温度补偿

针对电化学CO气体传感器的输出精度易受环境温度影响的缺点,提出了一种基于RBF神经网络的温度补偿方法,并借助所设计的气体采集系统进行了实验研究.实验结果表明,未进行温度补偿时传感器输出最大误差为20.0%,基于BP神经网络温度补偿方法的误差为1.44%,而采用RBF神经网络进行温度补偿后最大误差可达到0.12%,故该方法可有效的用于电化学CO气体传感器的温度补偿,令传感器具有更高的测量精度和温度稳定性.     

基于混合优化算法的销轴传感器温度补偿及应用

针对应变片式销轴传感器井下工作过程中温度发生变化产生温度漂移,导致测量精度降低的问题,提出一种果蝇算法优化RBF神经网络的温度补偿模型,采用果蝇算法对神经网络的扩展参数进行全局优化,利用应力测试平台实测参数及神经网络非线性映射能力训练温度补偿模型。为验证温度补偿模型补偿效果及训练效率,对35℃下传感器进行实验测试。结果表明：35℃下,温度补偿模型补偿平均误差远小于单一算法补偿效果,验证了此方法具有较高的训练效率及补偿效果,能够提高传感器在不同温度、载荷作用下测量精度,同时将本文模型应用采煤机截割煤壁工作中,得到导向滑靴在采煤机行走截割煤壁过程中受力,为导向滑靴结构优化及提高采煤机可靠性和使用寿命提供依据。     

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。     

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。     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于改进QR-PSO算法的压力传感器的动态补偿方法

针对压力传感器在实际使用中动态特性难以满足测试需求这一问题,利用激波管对压力传感器进行动态标定,获取实验样本,依赖样本估计逆模型,提出了基于QR分解和改进粒子群算法构建补偿系统的设计方法.采用QR分解确定模型阶次,降低了简化传感器模型带来的动态补偿运算误差,并结合改进粒子群算法,高效、智能的确定补偿系数.通过实测样本对补偿系统进行重复性验证,结果表明压力传感器的动态响应性能显著地提高了,补偿效果令人满意.     

基于QPSO稀疏化LSSVM的压力传感器温度补偿研究

针对硅压阻式压力传感器的温度补偿问题,提出一种量子粒子群(Quantum Particle Swarm Optimization,QPSO)稀疏化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)策略,目的在于能够保证温度补偿性能的同时获得较为精简的补偿模型。结合10 MPa绝压压力传感器标定实验数据进行仿真试验,研究结果表明,该方法的补偿效果优于QPSO优化的LSSVM、经典稀疏化LSSVM和QPSO优化的稀疏化LSSVM,补偿后测试样本集的最大相对误差,平均误差和误差方差分别为1.104×10^-3、4.819×10^-4和1.197×10^-7。在满足高精度测试要求的前提下,达到提升补偿效率的目的。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

基于PSO-BP的红外温度传感器环境温度补偿

针对红外温度传感器的测温精度易受环境温度的影响,提出了一种基于粒子群优化（ PSO）GP （ PSO-GP）神经网络的温度补偿方法。所提出的PSO-GP算法解决了一般GP算法迭代速度慢、且易陷入局部最优的问题,以热电堆传感器的环境温度补偿为例,进行算法实现,并以单纯的GP算法做对照。仿真结果表明：提出的PSO-GP算法对环境温度有明显的补偿效果,且优于单纯的GP算法补偿。所构建的补偿模型具有较高的补偿精度和实用价值。