基于多RBF神经网络的汽车衡误差补偿

传统汽车衡称重误差补偿过程繁琐、称重结果准确度低,为此提出了一种基于多径向基函数神经网络(RBFNN)的汽车衡误差补偿方法.根据汽车衡不同检定秤量段的最大允许误差确定多个子RBFNN,每个子RBFNN负责一段秤量范围的误差补偿,建立相应秤量段的称重误差补偿模型,并给出补偿模型的训练算法.将各子RBFNN并联组合,利用自适应选择网络,自动选择合适的子RBFNN,完成不同称重段的最优补偿,从而获得全量程的最佳补偿效果.仿真实验表明,这种多RBFNN补偿方法与由单个RBFNN实现全量程补偿的方法相比,子RBFNN规模小,补偿效果更好.     

基于神经网络补偿的多传感器航迹融合

针对多传感器环境的条件提出了一种基于神经网络补偿的航迹融合方法.各传感器的测量值用线性卡尔曼滤波器进行处理并将获得的局部航迹传送到融合中心.首先对局部航迹进行融合,然后引入神经网络来减少因共同过程噪声而导致的融合估计误差,其中神经网络采用Dan Si-mon提出的网络结构,并对神经网络权值的优化采用无痕卡尔曼滤波(UKF).仿真结果表明,这种融合方法对跟踪具有过程噪声的目标非常有效,而且过程噪声发生变化时该方法仍是有效的,从而使得它在很多实际应用中具有潜在的价值.     

传感器温度误差补偿的计算机软件实现方法

介绍了几种传感器的温度误差计算机软件补偿方法，为实现温度误差的计算机软件补偿提供了理论依据。     

基于归一化RBFNN的执行器非线性模型及其特性补偿

执行器的动态非线性特性是影响控制系统控制效果的一个重要因素,采用归一化径向基函数神经网络NRBFNN,通过竞争学习算法RPCL确定RBF中心,用递归最小二乘法估计网络的输出权值,建立了执行器动态非线性特性模型及其逆模型,通过信号补偿方式来改善执行器的动态特性,仿真结果表明了该方法的有效性.     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

基于径向基函数神经网络的并联机器人运动学正问题

以一般形式的Stewart型并联机器人为例,由机器人的位置反解问题引出机器人运动学正解问题,在分析BP网络与径向基函数网络的特点基础上,采用基于径向基函数神经网络的算法,利用最近邻聚类方法获得径向基函数中心,求解并联机器人运动学正解问题·通过对训练样本的学习,确定神经网络权系数,能够准确地求解并联机器人的位置和姿态,算法具有运算简单,求解效果好等特点·同Newton Raphson算法比较,能获得相同的效果且位置和姿态误差近似恒定,而神经网络算法避免迭代初值及额定循环次数的影响·因此该方法可作为并联机构系统运动学轨迹跟踪控制的运动学模型辨识器·     

传感器动态误差修正方法探讨

该文介绍了频域动态修正方法的原理及存在问题,采用在传感器之后增加一动态补偿环节来改善传感器之性能,探讨了补偿环节频率响应函数的求取方法,讨论了动态补偿数字滤波器的设计方法及传感器存在动态误差的判据,通过典型传感器的动标数据,用基于沃尔什函数的最小二乘建模方法获取该传感器之传递函数,设计了相应的动态补偿数字滤波器,并进行了计算机仿真计算。     

并联机床铰链制造误差的补偿

为减小铰链制造误差,提高并联机床运动精度,以六自由度并联机床XNZ63为结构模型,分析了铰链的各种制造误差。利用Denavit-Hartenberg(D-H)方法,建立包含铰链制造误差的运动学方程,通过仿真计算得到工作空间内铰链制造误差对终端运动精度的影响规律。将铰链制造误差映射为驱动轴长度误差,并据此开发出误差实时补偿算法。仿真表明:在测量扰动为0.01mm时该算法仍可补偿约80%的误差影响,补偿每个位姿点仅耗时0.3ms左右,符合数控系统实时性要求,为含有同类铰链的并联机床提供了高效通用的铰链制造误差补偿算法。     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

一种基于进化计算的高斯径向基网络模型构建方法

为了提高高斯径向基神经网络模型的构建精度,将径向基中心、基宽以及连接权构成分区实数编码结构,将训练样本集作为每一个进化个体解码后的网络输入及输出,并将样本的期望输出同网络实际输出的平均误差平方和作为进化个体的适应度函数,将不同隐层节点数构成的进化个体的最优值作为设计问题的高斯径向基网络结构.采用2个Benchmark测试函数验证在不同隐层节点数情况下通过该进化算法构建的径向基模型的精度,从进化时间、进化代、最小适应度值以及均方根误差等方面作对比.结果表明,采用这种分区实数编码能高精度地构建不同设计问题的高斯径向基网络模型.     

基于神经网络的超声波乳化液质量分数测量

通过反向传播（BP）神经网络及径向基函数（RBF）神经网络，构建了一个实时的超声波乳化液质量分数测量模型，对结果进行了处理和分析，并对比了两者的优缺点．在此基础上，实现了对某些生产过程中乳化液质量分数的检测和控制．     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中.仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性.该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中.     

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,本文采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中。仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性。该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中。     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.