一种用RBF神经网络改善传感器测量精度的新方法

介绍一种利用径向基函数(RBF)神经网络和智能温度传感器DS18B20改善传感器精度的新方法。RBF网络具有良好的非线性映射能力、自学习和泛化能力,通过大量的样本数据训练构建了双输入单输出网络模型,采用改进的算法实现了传感器高精度温度补偿。     

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。     

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RBF神经网络的热电偶信号处理新方法

针对热电偶信号处理中的非线性校正和冷端补偿等突出问题,利用径向基函数(RBF)神经网络构造双输入单输出的网络模型,并采用遗传算法对网络结构和参数进行优化训练,同时完成了热电偶测温中的非线性校正和冷端补偿。经仿真实验证明:该方法的测量误差减小至0.095%,在较大范围内提高了热电偶温度测量的精度。     

RBF神经网络热式气体流量计温度补偿

为了解决热式气体流量计测量电路中采用硬件温度补偿成本高且精度不够等问题,利用神经网络的特点,设计了一种基于径向基函数(RBF)神经网络的软件温度补偿方法.实验表明:通过RBF神经网络温度补偿,有效地抑制了温度对流量计测量结果的影响,实现了环境温度梯度变化下气体流量测量的准确性和稳定性,测量准确度达到1.0级,且重复性好.     

基于人工神经网络的压力传感器三维数据融合

针对压力传感器对温度变化和电流波动的交叉灵敏度问题,采用径向基函数(RBF)人工神经网络法对其进行数据融合处理,详细讨论了网络的训练过程和数据融合过程,消除温度和电流对压力传感器的影响。仿真结果表明:当温度变化48.5℃,电流波动3%时,经RBF神经网络数据融合后,压力波动为0.544%,大大降低了交叉干扰,提高传感器的稳定性及其精度,满足在线融合的需要。     

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.     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

基于RBF神经网络对电磁力平衡传感器测量精度的研究

本文介绍一种利用径向基函数（RBF）神经网络改善传感器精度的新方法。RBF网络具有良好的非线性映射能力,能以任意精度逼近任何非线性函数。本文利用RBF网络较强的非线性映射能力对电磁力平衡传感器进行温度补偿．实验表明该方法实现了传感器高精度的温度补偿。     

基于RBF神经网络的高分子湿度传感器的研究

针对传感器在自动化系统中的重要性,指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点,阐述了基于RBF神经网络的传感器故障诊断的基本理论和优点,提出了一种基于RBF神经网络用于高分子湿度传感器进行故障诊断的方法。     

基于复合RBFNN的数字温度传感器误差补偿方法

数字温度传感器存在零点误差与非线性误差,需要进行误差补偿.提出了一种复合径向基函数神经网络(CRBFNN)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,构造两个相互独立的子RBFNN网络,获得两个独立的冗余补偿值;然后根据特征阈值、数字温度传感器的输出估计器和权值调节器,获得复合RBFNN输出融合权值...     

TSic系列高精度温度传感器的应用

数字温度传感器因其低成本、易使用、无需校准等特点近年来得到广泛应用,其中以DS18B20为代表。目前常用的数字温度传感器与传统的铂温度传感器相比,测量精度还不够高。本文介绍的TSic系列的精度可达到±0.07℃,并且具有长期稳定性。     

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RBF神经网络的声纹识别的研究

本文建立了一种基于RBF神经网络的声纹识别系统。提取了Mel频率倒谱系数及其一阶差分参数,利用时间规整网络对所得参数进行了有效的简化,运用RBF神经网络对声纹特征参数进行了训练和识别。Matlab的实验结果表明,RBF神经网络在声纹识别中具有良好的发展前景。     

一种基于RBF网络提取模糊规则的算法实现

径向基函数网络和模糊推理系统在一些柔和的情况下具有等价的功能,因此可以利用神经网络的学习算法来调节模糊系统的参数,学习后的模糊系统具有自学习和自组织性,但是削弱了模糊系统的可解释性。将模糊逻辑推理与神经网络控制技术相结合,分析了一种改进的径向基函数(RBF)神经网络结构,这种模糊神经网络结构能够有效地表达模糊系统可解释性这一突出特点,也使模糊系统具有了较好的自学习和自组织能力、通过VC 实现了基于这种RBF网络结构提取模糊规则的算法,并进行了仿真实验,仿真结果表明该算法是比较有效的。     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析,在综合分析国内外企业信用评分指标体系的基础上,结合我国企业信用评分的特点,建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展,及信用评分本身所具有的特点,建立了基于径向基函数神经网络的信用评分模型,利用现有数据分别进行判别和分析,研究其计算结果与实际情况的差距,然后使用改进的RBFNN学习算法,对径向基函数神经网络进行了学习训练,得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析，在综合分析国内外企业信用评分指标体系的基础上，结合我国企业信用评分的特点，建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展，及信用评分本身所具有的特点，建立了基于径向基函数神经网络的信用评分模型，利用现有数据分别进行判别和分析，研究其计算结果与实际情况的差距，然后使用改进的RBFNN学习算法，对径向基函数神经网络进行了学习训练，得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。