基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

压力传感器温度补偿各种算法的比较分析

压力传感器是一种常用的传感元件,由于其自身的非线性和外界测量条件的影响,传感器的输出特性大都为非线性,故存在多种误差因素。这些误差因素通常同时存在,但以温度的影响最为明显,所以对传感器的温度补偿也就尤为重要。本文结合目前应用比较普遍的各种温度补偿方法,通过编制程序,对压力传感器的输出非线性作了补偿。结果表明,基于最小二乘法的温度补偿方法简单,速度快,但是精度一般,应用BP神经网络补偿的效果好,但是算法复杂。     

基于GSA-BP神经网络的压力传感器温度补偿

针对压力传感器输出的温度非线性特性,采用遗传模拟退火算法优化的BP神经网络(GSA-BPNN)进行误差补偿,并与标准BP神经网络补偿误差进行了比较。通过matlab仿真验证,实验结果表明：采用GSA-BP神经网络不易陷入局部极小值,大大减小传感器非线性误差,误差精度小于0.1%,补偿结果优于标准BP神经网络。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

称重传感器蠕变补偿的RBF网络模型

称重传感器的蠕变是影响精度的主要因素之一。针对传感器蠕变的实时性与非线性,建立了称重传感器蠕变补偿的RBF网络模型。设计硬件采集电路并采用低功耗处理器对传感器数据进行软件补偿。仿真结果表明,RBF神经网络具有很强的逼近非线性函数和自学习能力,能够对称重传感器的蠕变误差进行修正。补偿后的蠕变误差减小至0.005%以内,补偿效果明显。     

基于OBF神经网络的温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,提出应用递推最小二乘法训练正交基(OBF)神经网络进行非线性补偿的方法.研究结果表明,与RBF神经网络非线性补偿模型和BF神经网络非线性补偿模型相比,该正交基神经网络非线性补偿模型具有误差小,精度高,训练次数少的优点,故为一种有效的非线性补偿方法,在测控领域具有实用价值.     

压力传感器温度补偿的一种新方法

针对温度对硅压阻式压力传感器输出影响的问题,提出将主成分分析(PCA)与改进的反向传播(BP)神经网络相结合,用于压力传感器的温度补偿的新方法.利用PCA提取温度补偿的主要信息使多维问题得以简化,同时剔除了数据的噪声误差,且对BP神经网络进行了改进,以充分发挥其强大的泛化功能和容错能力.研究结果表明,该方法有效抑制了温...     

基于BP神经网络的一种传感器温度补偿方法

简单介绍了硅压阻式传感器温度误差产生的原因及其特点,提出了一种利用BP神经网络对其温度误差及非线性误差进行补偿的方法.根据传感器温度误差的特点设计了一个多层的BP神经网络,其中传感器测试电路中四臂电桥的桥路电压和未经补偿的传感器的输出作为神经网络的两个输入.利用Matlab对该网络进行训练,得到了网络的权值和阚值.经过...     

基于RBF的金属壳谐振陀螺温度误差补偿方法

针对金属壳谐振陀螺由于温度变化导致陀螺精度降低的问题,提出一种基于RBF神经网络的金属壳谐振陀螺温度误差补偿方法。在-4～60℃温度范围内,分别建立金属壳谐振陀螺的温度误差一阶多项式模型、二阶多项式模型和RBF神经网络模型,基于三种温度误差模型对陀螺输出进行温度误差补偿。实验数据表明,基于RBF神经网络模型的补偿效果优于基于一阶多项式和二阶多项式模型的补偿效果,补偿后漂移标准差减少了66.31%,可大幅度降低温度变化对金属壳谐振陀螺精度的影响,在工程实际中有一定参考意义。     

优化的RBF神经网络对光纤位移传感器温度补偿

在对光纤位移传感器进行温度标定的过程中,随着工作环境的变化,位移传感器的测量值会产生误差,从而使位移传感器在使用时随着环境温度的变化发生精度下降的情况.为减少这种漂移偏差,该文使用径向基(RBF)神经网络对位移传感器进行温度补偿,并采用自适应的设计思想寻找RBF函数中心.将位移量和环境温度作为输入,其输出为传感器输出电...     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

RBF神经网络在激光测平仪非线性修正中的应用

针对PSD非线性对激光测平仪测量范围和测量精度的影响,采用一种新方法——径向基函数神经网络算法.该方法通过选择径向基函数中心、确定神经网络隐层神经元的数目和调整每一层的权值和阈值,对由于PSD非线性产生的误差进行修正.将其应用于某型号导弹平台调平测试,试验结果表明,该方法能有效消除非线性的影响,激光测平仪线性测量范围由...     

基于神经网络的非线性预测在恒温系统中的应用

针对恒温系统的非线性、大延时等特点,提出了基于RBF神经网络的恒温系统的预测模型,采用非线性预测控制、引入模型误差项和改进后的PI控制器,并且在Matlab7.2/Simulink这个平台下构建了整个系统的仿真模型。仿真结果表明：所建立的模型系统具有良好的动静态性能且增强了系统的抗干扰性。     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

基于PSO-BP算法的压力传感器温度补偿研究

硅压力传感器在工业环境中使用时,尤其是用于测量油井井下压力的时候,环境温度变化范围通常比较大.硅压力传感器由于其自身结构的原因,输出压力值会呈现非线性变化,大大的降低了压力传感器的测量精度.本文是基于PSO-BP神经网络方法对压力传感器在温度变化时产生的误差进行补偿修正,以达到系统精度要求.PSO-BP算法的本意是使用PSO算法用于对BP神经网络的初始权值和阈值进行改进和筛选,然后再使用BP网络对样本进行训练,以提高系统的泛化能力和稳定性.     

一种NLOS环境下的TOA/AOA定位算法

为了减小NLOS传播的影响,基于几何结构的单次反射统计信道模型,该文提出一种NLOS环境下的TOA/AOA定位算法。利用RBF神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正以减小NLOS传播的影响,再利用最小二乘(LS)算法进行定位,从而提高系统的定位精度。仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于Chan算法,Taylor算法和LS算法。     

基于RBF神经网络的被动声定位算法研究

提出了基于RBF神经网络的被动声定位算法.该算法根据TDOA定位原理,以四元十字阵作为定位模型,利用RBF神经网络较快的学习特性和逼近任意非线性映像的能力,实现对声源的快速准确定位,并与WLS算法、Chan算法、Taylor算法作对比分析.仿真结果表明,该算法定位精度高,鲁棒性好,性能优于其他算法.