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。     

基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.     

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。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

基于BP神经网络的加速度计温度补偿方法研究

本文章基于CS-3LAS-03加速度计,提出了利用BP神经网络来进行加速度计温度补偿,并在MATLAB环境下建立了基于BP神经网络的温度补偿模型,首先介绍了加速度和温度的采集系统的设计,然后对采集到的加速度值进行温度补偿,经过对实验数据的融合处理表明,该方法可极大的减小温度漂移,具有广泛的应用前景。     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.     

BP和RBF神经网络的地下水位预测结果比较

地下水位的变化是一个复杂的非线性过程,并且地下水位与其影响因素之间存在着复杂的非线性关系。对于处理这类问题神经网络是一种合适的方法。本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。通过仿真实例结果显示,BP神经网络和RBF神经网络都能很好的对地下水位进行预测,但是RBF神经网络比BP神经网络的训练速度更快,精度更高,充分体现了RBF神经网络中在地下水位预测中的优越性。     

数字化三相大功率逆变波形内模控制方法

针对三相逆变电源数学模型在旋转αβ坐标系下的特点,提出了基于神经网络内模原理的逆变波形控制方案.用神经网络预估器作为逆变器的内部模型,用神经网络辨识预估逆变器正模型及其逆模型,在线修正、补偿内部模型与被控逆变器之间的模型失配.仿真和实验结果表明,该方案控制下系统稳压精度高,有较快的动态响应.     

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.     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

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.     

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.     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

基于径向基函数神经网络的混沌系统控制

考虑到不同神经网络模型误差对混沌控制效果的影响，提出了采用一种改进的递阶遗传算法对径向基函数（RBF）神经网络进行训练，针对连续的Lorenz系统进行了仿真，并且与其它神经网络训练算法结果进行了比较，仿真结果证明所采用的训练算法具有更加理想的混沌控制效果。     

矿用红外一氧化碳监测仪设计

针对井下温度、湿度等特点,文章提出了一种神经网络数学模型补偿方法,采用最大最小距离法确定聚类数目,用聚类算法计算RBF神经网络中心和扩展常数,实验结果表明,新型红外一氧化碳检测仪性能良好,抗干扰能力强,稳定性好,测试数据准确,可连续在线监测.     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。