基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

基于LS-SVM-FLANN的虚拟仪器系统非线性动态补偿

针对虚拟仪器系统存在的非线性动态测量误差,提出了一种新的补偿方法.该方法依据虚拟仪器系统的静态和动态标定数据,采用最小二乘支持向量机(LS-SVM)构造的函数链接型神经网络(FLANN)辨识得到静态补偿环节及动态补偿环节模型,再将其串接到原虚拟仪器系统的后面来修正其非线性特性,改善其动态特性,从而获得系统理想的输入输出特性.实验结果表明该方法用于虚拟仪器系统动态非线性误差补偿的有效性及优越性.     

基于FLANN数据融合的微重力落舱动态测重补偿及校正

提出了一种用函数连接型神经网络(FLANN)数据融合及直线回归分析技术相结合实现微重力落舱动态测重的补偿及其非线性校正的方法.该方法将测重传感器输出的线性段特性用回归方法进行拟合,得到直线校正方程;对测重传感器非线性特性采用FLANN数据融合,从而实现测重传感器温度补偿与非线性校正.该方法用于微重力落舱动态测重结果分析表明,该方法是切实有效和可行的.     

基于神经网络的加速度传感器动态模型参数辨识

提出了利用函数连接型人工神经网络(FLANN)实现加速度传感器动态模型参数辨识的方法,该方法以加速度传感器动态标定实验数据为基础,通过FLANN训练来确定加速度传感器传递函数参数,文中介绍了辨识原理以及算法,给出了利用FLANN辨识的加速度传感器动态数学模型.结果表明,这种辨识方法具有精度高、鲁棒性好等优点.     

电容压力传感器的函数链接型神经网络建模方法

旨在开发一种计算简单的电容压力传感器的模型，以便经济、可靠地应用。分析表明，采用新型函数链接型神经网络建立的电容压力传感器模型，能够精确读出应用压力。它是一种能实现输入到输出的高度非线性映射并且运算高效的非线性网络，在建立传感器模型的类似性能上比多层感知器具有更高的运算优势。