α射线露点传感器温度跟踪补偿

介绍了采用半导体探测器和温度传感器研制成的α射线露点传感器的工作原理·分析了α射线露点传感器的温度特性,表明测量范围较宽时,传感器的输出易受环境温度的影响,并且呈非线性·提出一种基于神经网络共轭梯度算法的α射线露点传感器温度跟踪补偿方法·利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过训练使神经网络建立在不同环境温度下传感器输出与其实际感受的电压值之间的非线性映射关系,实现α射线露点传感器温度补偿·计算机仿真表明,该方法不仅能有效地消除温度的影响,而且能在神经网络的输出端得到期望的线性输出·     

α射线露点传感器非线性修正

介绍了采用半导体探测器和温度传感器研制成的α射线露点传感器的工作原理.分析了α射线露点传感器的温度特性,表明测量范围较宽时,传感器的输出易受环境温度的影响,并且成非线性.提出一种基于神经网络高精度线性化子块网络集成插值实现露点传感温度补偿方法.利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过训练使神经网络建立在不同环境温度下传感器输出与其实际感受的电压值之间的非线性映射关系,实现α射线露点传感器温度补偿.实验结果表明,该方法不仅能有效地消除温度的影响,而且能在神经网络的输出端得到期望的线性输出.     

二维PSD非线性修正共轭梯度算法

根据光电位置敏感器件的原理和光点位置方程分析了PSD的非线性成因,并根据PSD的非线性特点,提出用神经网络的共轭梯度算法对PSD的非线性进行补偿·利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过神经网络建立PSD实际输出与其理想值之间的非线性映射关系,实现光电位置敏感器件非线性补偿·计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且在神经网络的输出端得到期望的线性输出·从而使PSD的B区获得了与A区近似的线性度,故在不增加成本,不改变测量设备复杂度的情况下,扩大了测量范围,提高了B区的测量准确度及数据的置信度·     

基于电话的远程湿度控制系统及其非线性修正

介绍了一种基于电信网络和MODEM技术的远程湿度控制系统,阐述了该系统的功能,并给出了系统的硬件组成和软件设计,分析了湿度传感器的特性,表明测量范围较宽时,传感器的输出易受环境的影响,并且成非线性的关系,提出一种神经网络共轭梯度算法对湿度传感器非线性特性进行修正的方法,结果表明,修正后的湿度传感器能在较宽的测量范围内输出高线性度的信号。     

基于神经网络的光纤光栅压力传感器的温度补偿

针对光纤光栅自身对温度和应变的交叉敏感性,以及光纤光栅压力传感器的输出受环境温度影响很大且不易消除的问题,以聚合物封装的光纤光栅传感器为例,提出了用BP神经网络实现光纤光栅压力传感器温度补偿的方法,解决了传感器输出特性的非线性校正的问题．通过Matlab仿真结果显示,系统最大测量误差由1915％降低到4．26％;实验证明该方法可以有效地减少温度对光纤光栅压力传感器测量精度的影响．     

基于RBF神经网络模型和SVM模型的压力传感器

压阻式压力传感器由于受环境温度影响会产生较大的温度漂移,测量精度明显降低,不利于其他依赖于压力数据的测控环节的工作。简要分析了当前常用的压力传感器温度补偿方法,然后采用RBF神经网络模型和支持向量机模型对压力传感器因温度变化所产生的非线性进行补偿。结果显示:传感器的温度漂移分别降低到0.6%F.S和0.5%F.S.,大大提高了压力传感器的性能和测量精度。最后,通过补偿结果的对比分析,讨论了两种算法的优劣性。     

基于Labview和BP神经网络的温度补偿的研究

经典压力传感器的输入输出大都存在非线性、易受工作环境温度的影响。本文提出了基于LabVIEW和BP神经网络的传感器温度补偿系统得设计,实验证明温度补偿效果较好,有一定的实用价值。     

基于BP算法的光纤传感器非线性位移补偿研究

针对光纤位移传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用BP算法,以传感器的输出作为神经网络的输入样本.传感器的输入位移为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现位移测量的非线性补偿.实例仿真结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

硅压阻式压力传感器非线性误差校正方法

利用ZMD31020传感器信号处理器,实现了硅压阻式传感器的非线性及温度补偿。通过软件输入预先设定的数字量给ZMD31020处理器的存贮空间,可实现硅压阻式压力传感器(PRT)的零点输出、热零点漂移、满量程输出、热灵敏度漂移和非线性的高精度校准和补偿。传感器的输出精度达到了0.275%。     

基于BP神经网络模型的压力传感器温度补偿

鉴于压阻式压力传感器温度漂移问题,建立了压力传感器的温度补偿BP神经网络模型,采取人工鱼群-蛙跳算法优化训练BP神经网络.实验结果表明,利用人工鱼群-蛙跳算法优化的BP神经网络模型能快速、准确地实现压力传感器温度补偿,并提高压力传感器的输出精度.     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

非线性动态传感器系统 Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。     

基于RBF神经网络的温度传感器故障诊断

采用RBF神经网络进行温度传感器故障检测,利用TE （Tennessee-Eastman）控制系统中的温度传感器的输出信息建立动态神经网络温度传感器输出模型,并利用该模型进行在线的故障检测,仿真结果表明该模型有很强的抗干扰性,同时还有较好的收敛性和稳定性.     

遗传神经网络在GMI传感器设计中的应用

 巨磁阻抗（GMI）微磁传感器具有灵敏度高、响应速度快等突出优点,但其输出信号呈高度非线性特性。利用交流偏置方法产生非对称巨磁阻抗效应（AGMI）,对磁场传感器的线性度有一定改善,但仍存在线性范围小、线性误差较大的缺点。BP神经网络具有良好的自学习、自适应和非线性映射能力,但通常训练速度较慢、易陷入局部极小值;遗传算法有很强的全局寻优能力,但其局部搜索能力不足。为充分发挥二者优点,本研究提出一种基于遗传神经网络的传感器非线性误差校正方法,并针对所设计的GMI传感器,设计了适合本系统的遗传神经网络,可通过Matlab软件实现。结果表明,经过训练的网络输出结果有序,网络的非线性映射性能良好,能精确反映该传感器系统的函数关系。该方法运算快速、精度高,对智能GMI传感器的设计具有一定工程应用价值。     

线性与非线性输出单元相结合的神经网络

从神经网络的连接方式着手，扩展从隐含层到输出层的连接，提出了一种新的神经网络连接结构，在此基础上推导出了相应的学习算法．并通过对奇偶问题、非线性函数逼近问题、模式分类问题等的仿真，验证了所提出方法的有效性．实验结果表明，通过适当地调整线性输出与非线性输出的比例，所提出的算法具有训练速度快和正确识别率高的双重优点．     

伪线性神经网络

给出了多输入－多输出（MIMO）的伪线性神经网络（PNN）结构与模型。PNN的构成是基于Gain-schedu-ling 控制技术与扩展线性化方法。还讨论PNN的递推预报误差的二阶学习算法（RPF）和训练过程中，并通过对多变量、强耦合的非线性加热炉的动态建模,证明了用PNN建模，效果良好，且具有训练参数少，收敛 速度快，准确性高等良好性能。     

RBF网络在熔窑控制系统中的应用研究

主要针对熔窑温度表现出的非线性、慢时变、大迟延和不确定性等特点,根据径向基函数神经网络具有可以逼近任意非线性映射、较快的学习速度并避免局部极小问题的能力,将RBF网络用于熔窑温度过程非线性模型的在线辨识,仿真结果表明能较好地跟踪温度的实际输出数据,具有较高的学习精度.     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。