基于RBFNN的称重传感器温度误差补偿

称重传感器存在因环境温度不同导致的非线性误差,需要进行补偿.阐述了称重传感器的温度误差机理,提出了一种基于径向基函数神经网络(RBFNN)的称重传感器温度误差补偿方法,并给出了训练算法.采用该方法,利用量程为100kg的称重传感器,在0～60℃范围内进行温度误差补偿实验.实验表明:采用这种方法补偿后,称重传感器温度误差...     

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.     

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MPSO-BP算法的四电极电化学气体传感器温度补偿研究

针对四电极电化学气体传感器的测量精度极易受环境温度影响的问题,提出一种基于粒子群优化-BP神经网络算法（PSO-BP）的温度补偿方法。利用改进的PSO算法（MPSO）对BP神经网络的权值和阈值进行优化,构造四电极电化学气体传感器的温度补偿模型,并设计了气体传感器测试系统。实验结果表明,MPSO-BP算法可有效提高BP神经网络的收敛速度和泛化能力;基于MPSO-BP算法的四电极气体传感器温度补偿模型,可将其温度补偿误差控制在0.1%以内。     

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。     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.     

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.     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

基于PSO-BP神经网络光电编码器误差补偿研究

考虑到高精度绝对式光电编码器应用广泛,其角度测量精度对整个系统精度影响较大,但由于角度传感器生产安装过程中产生的误差等原因,使得传感器在实际应用中存在一定的误差.而使用传统误差补偿方法难以得到较好的补偿效果,本文使用一种基于PSO的BP神经网络作为角度传感器误差补偿系统的算法.通过实验验证,该种算法能够对角度传感器误差进行较好的补偿,与补偿前相比,其标准偏差提高了12.5倍,最大误差和平均误差降低到9.6％和8.5％,提高了传感器检测精度.与使用了基于传统BP神经网络和基于多项式拟合算法的误差补偿系统进行对比实验,结果表明,其补偿效果亦优于这两种算法.     

机器视觉系统中图像误差补偿方法

在分析和比较常用图像畸变校正算法的基础上,提出将BP神经网络原理应用于图像的畸变校正,从而在对图像进行检测和定量分析之前,消除畸变误差对测量结果的影响;利用在标准栅格样板图像上选择的控制点对神经网络进行训练,并将训练后的神经网络以动态链接库的形式提供给LabVIEW调用,在LabVIEW环境中实现了具有图像误差补偿功能的机器视觉测量系统.     

基于遗传变异与BP混合算法的抽油井流入动态预测

针对BP神经网络中存在的局部极小问题,提出了一种基于遗传变异和BP混合的网络算法。在综合考虑了油层渗透率、地层压力、井底流压等对油井产液量产生影响的因素的基础上,建立了基于上述网络算法的抽油井流入动态预测模型。实验结果表明,该模型具有较高的预测精度,预测结果可靠,可以作为抽油井流量估计的一种有效手段。     

基于D-FNN的混沌铁磁谐振系统非线性补偿控制方法

针对电网混沌铁磁谐振系统产生的混沌现象,提出基于动态模糊神经网络的混沌铁磁谐振系统非线性补偿控制方法。该方法采用动态模糊神经网络来逼近系统的非线性部分,消除了过电压的混沌现象,将系统稳定到目标位置,实现了对系统的非线性补偿控制。Matlab仿真结果表明,基于动态模糊神经网络的非线性补偿控制方法控制结果正确,响应快速。     

基于神经网络的多传感器系统误差校正方法

为提高传感器的准确度，减少传感器的研制成本，提出了基于神经网络多传感器误差补偿的方法。该方法利用BP网络较强的非线性映射能力，网络通过学习能实现对传感器系统误差的补偿。通过实例及仿真证明了该方法的有效性。     

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。     

基于神经网络的油库输转作业模式识别方法

为准确识别数字化油库输转作业模式,在分析了油库典型输转作业模式基础上,提出了一种基于人工神经网络的输转作业模式识别方法。以阀门状态反馈信息作为网络输入,输转作业模式为输出构建立了神经网络结构,进而选取实际数据进行离线训练确定网络权值,最后通过仿真实验测试了该方法的识别效果,结果表明基于RBF神经网络的方法能快速、准确识别油库输转作业模式,对提高油库监控系统的智能化水平具有重要意义。     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器。该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法。该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数据随机干扰带来的噪声,同时保留了数据的完整性和代表性;然后通过利用自组织神经网络算法,对该数据自动进行四层的识别分类;最后结合人工分层的结果进行验证,以保证利用自组织神经网络识别的结果更加客观和可靠。该方法的可操作性强,原理简单易于实现,说明该算法对研究测井曲线具备一定的有效性和可行性。     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.