电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

传感器数据的高精度重构方法及其性能研究

不同传感器具有不同的非线性。为提高传感器数据重构精度,本文给出两种数据重构方法。对于不是特别严重的非线性,采用最小二乘拟合与径向基函数残差插值进行融合重构,可以在增加有限计算量条件下提高数据的近似精度;对于非线性较严重的传感器,为兼顾局部特性,采用移动最小二乘法进行数据重构,它通过全局近似向局部近似的转化,同样使重构结果具有满意的近似精度。选用两种不同传感器进行实验,结果表明两种方法均行之有效。     

基于改进型径向基函数网络的功放非线性建模

针对功率放大器(PA)的非线性建模,提出了改进型径向基函数神经网络(RBFNN)模型。首先,在该模型的输入端加入延迟交叉项和输出反馈项,利用正交最小二乘法提取模型的权值以及隐含层的中心;然后,采用15MHz带宽的宽带码分多址（WCDMA）三载波信号对Doherty功放进行测试,其归一化均方误差(NMSE)可以达到-45dB;最后,通过逆F类功放对模型的普遍适用性进行验证。仿真结果表明,该模型能够更加真实地拟合功率放大器的特性。     

磁传感器的非线性误差修正技术

介绍了最小二乘法多项式曲线拟合的原理和方法,以及该方法在磁传感器误差修正中的应用。对磁传感器的测量数据进行处理,利用计算机的高级语言计算拟合函数的系数,设定拟合准确度,得到函数的系数,将系数转换成十六进制数,保存到仪器的微计算机中,利用汇编语言编制误差修正程序,对测量误差进行自动修正。     

基于最小均方误差的圆弧分段曲线拟合方法

提出了一种基于最小均方误差准则的圆弧分段拟合方法。该方法采用自适应高斯滤波器对原始曲线进行平滑处理以消除噪声影响,并提出了一种适合于圆弧曲线拟合的分段算法。在该算法的基础上根据最小均方意味着准则,以圆弧作为基元对曲线进行拟合。实验结果表明,该方法能够较好地消除噪声影响并保留曲线的局部特征。     

确定RBF神经网络中心点的方法综述

本文着重介绍了目前常用的几种RBF神经网络中心点的确定方法，以便为实际应用中进行RBF网络设计提供一些理论参考。     

传感器故障的神经网络信息融合诊断方法􀀁

提出了一种控制系统传感器故障诊断的结构形式,针对多传感器系统的特点,将相关传感器的输出数据综合,应用神经网络的非线性拟合能力护展相关信息,信息融合诊断策略根据这些信息确定出故障传感器,同时对故障信号进行恢复。仿真实验表明该结构形式对于传感器的三种常见故障均能进行识别和恢复,效果令人满意。     

称重传感器非线性误差自适应补偿方法

额定量程内称重传感器的非线性误差不同,为此阐述了称重传感器的非线性误差特性,提出了一种非线性误差自适应分段补偿方法:在额定量程的上限区,采用基于径向基函数神经网络(RBFNN)的补偿网络完成传感器非线性误差补偿;在下限区,采用数字滤波器完成非线性误差补偿;在中间区,传感器不补偿。同时利用自适应选择网络,完成了分段补偿的选择。实验表明,采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2、0.4、1.37下降到0.16、0.04、0.07,补偿效果明显。     

基于RBF神经网络的传感器静态误差综合校正方法

以一受环境温度和电源波动影响的压力传感器为例,说明了具体实现方法和校正效果.并与采用BP神经网络进行误差校正的方法进行了比较.实验结果表明,采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器静态误差,校正效果优于BP神经网络.     

三角函数曲线数据拟合最佳次数的确定

在实际问题中测得的实验数据有时需寻求简单函数逼近来分析,曲线拟合的最小二乘法在解决这类问题的数据处理和误差分析中应用非常广泛。为了便于说明这种方法的应用,根据最小二乘法原理,采用曲线拟合方法,运用Matlab仿真工具对三角函数实际特性曲线进行拟合,在分别采用3、5、7、9次多项式进行拟合实验的基础上,分析拟合实验效果,通过比较得出正弦函数特性曲线采用5次多项式拟合效果最佳,避免了人工处理数据的随意性,减小了误差。     

基于径向基神经网络的电涡流传感器输出特性拟合研究

针对电涡流传感器的输出特性参数非线性较大,不能精确地反映被测物理量的问题,提出了一种采用径向基神经网络对电涡流传感器的输出特性参数进行拟合的方案。该方案采用newrb函数创建一个径向基神经网络,以被测物理量作为输入矩阵、电涡流传感器输出电压作为输出矩阵,对该径向基神经网络进行训练,从而可得到均方根误差小且光滑的电涡流传感器输出特性拟合曲线。实验结果表明,只要选择合适的创建函数和扩展系数,径向基神经网络能有效地实现电涡流传感器输出特性的拟合。     

曲线拟合的模糊医学图像分割算法

针对由于机体组织间的连续造成医学图像区域边界的模糊性,导致完全自动的医学图像分割算法往往不能取得满意分割效果的问题,提出了一种基于径向基函数曲线拟合的交互式模糊医学图像分割算法。首先由用户在感兴趣的区域交互地选取一些特征点,然后利用径向基函数构造一个三维空间的隐式曲面,使该曲面上的某一等值线即为分割出的区域,文中还提出了两种不同的加速算法。大量实验表明,该算法能有效处理非常模糊的医学图像。     

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。     

基于径向基函数神经网络的航向角精确测量

针对移动机器人定位中航向角精确测量问题,设计了径向基函数 (RBF)神经网络来实时获取精确的航向角。使用正交最小平方 (OLS)算法训练神经网络,确定构建RBF网络所需的相关参数。基于RBF神经网络的组合传感器测量系统不仅能消除测量误差,使机器人工作过程中的定位精度提高近 8倍,且具有一定的工程实用性。实验结果表明:构建的RBF神经网络能够实时获取精确航向角,保证移动机器人在户外工作环境中完成指定任务。     

基于单一传感器的可燃混合气体RBF网络分析

催化传感器对不同可燃气体或在不同的工作温度下有不同的输出灵敏度,根据这一特点控制单一催化传感器工作在不同的温度,检测可燃混合气体时可以得到不同的输出信号,采用RBF神经网络和动态学习算法,建立了多种可燃气体分析的数学模型。通过对CH4,CO,H23种气体混合的样本进行实验,结果表明:所研究的方法可以较好地实现单一催化传感器对多种可燃混合气体的分析。     

基于单片机的传感器曲线拟合

传感器使用前要进行标定,标定时要进行曲线拟合.若用微型计算机处理很简单,但实际中用单片机标定时,因它无矩阵运算,只能进行一般的代数运算,处理就显得非常不方便.推导了二次多项式曲线拟合待定系数的代数计算公式,应用这些公式来处理数据非常方便.通过实例说明了其应用,实践证明,效果良好,可广泛用于基于单片机标定中的二次项式曲线拟合.     

以高维输入神经网络作为生产线产品质量模型

探索用高维输入的神经网络对复杂工业生产过程的建模方法。针对网络输入变量维数较高的特点,提出一种ＢＰ网络各权重独立训练的分散训练方法。该方法用附加大惯性项来协调各个权重的优化训练,运用非线性优化方法调节步长。与用普通的ＢＰ训练方法相比,用该方法训练高维输入的ＢＰ网络具有较快的收敛速度和较高的模型精度,较好地解决了实际生产过程的产品质量模型问题。     

高精度传感器标定曲线的预测拟合

本文针对量程为0-0.5mm电容式位移传感器,采用运动范围0-80μm压电陶瓷微位移发生器,对其进行标定实验。通过对整个量程的分段标定,然后以所测得的待标定传感器数据为基准,基于灰色预测模型G(1,1),分别对缺省的待标定量程,输入信号以及标准传感器进行预测计算填补,最后得到待标定传感器的整个量程的标定值。经过曲线拟合得到待标定传感器的标定曲线,从而得到了该传感器的性能指标。本文对于量程较大的高精度传感器在标定过程无法一次性实验的情况下,用于分段等间距取标定量程,对缺省部分进行预测建模计算填补,最后拟合曲线,很好的解决了此类标定问题。     

高速磁浮车间隙传感器齿槽效应补偿方法研究

齿槽效应是高速磁浮车间隙传感器面临的一个特殊性问题。针对齿槽效应带来的齿槽误差问题,提出在传感器探头内布置齿槽位置检测线圈,采用径向基函数(RBF)神经网络建立齿槽效应逆模型,依据位置信号对传感器的输出进行齿槽补偿的方法。仿真结果表明:在2～20 mm范围内补偿器输出最大误差为±0.18 mm,该种方法可以有效地消除齿槽效应,并提高传感器的检测精度,满足高速磁浮车悬浮控制系统要求。