神经网络在校正传感器非线性度方面的研究

合集下载

优化改进传感器精度的自适应神经网络控制策略

Ｋｅｒｓｓｎｏ；ａａｔｅｅｒｅｗｒｙｗｏｄ：ｅｓｒｄｐｉ；ｎｕａｎｔｏｋ；ｓａｉｔｖｌｔｂｌｙｉ
０引言
进行拟合各种传感器模型曲线则具有相当局限性。不但
传感器是工业检测控制应用系统中的一个重要组成部分，传感器的精度直接影响整个控制检测应用系统的精度与性能。一般而言，感器的精度是与其价格成正比的。传通常用端点法、平移端点法、平均斜率法、均造点法、平最小二乘法或曲线拟合等方法提高其精度。但这些方法对提高传感器的精度是有限的。由于周围环境改变、传感器自身老化等原因，使传感器的精度和性能大大下降。本文提
Ｔｉｎｕａｅｗｏｋｃｎｂｃｅｓｏ・ｉｅｒａａｔｅｆｔｒｔｉｒｖｄｂｔｂｓｍｕａｉｎａｄａｔａｈｓｅｒｌｎｔｒａｅａｔｄａｎｎｌａｄｐｉｉｅ．ＩｓｐｏｅｙＭａｌｉｌｔｎｃｕｌｎｖｌａｏａｐｉａｉｎｔａｉｍｅｈｄｃｎｎｔｏｌｍｐｏｅｓｎｏ ’ ｒｃｓｏｂｔａｓｍｐｏｅｓｎｏｎｉｏｍｅｔｌｐｌｔｈｔｈｓｃｏｔｔｏａｏｎｙｉｒｖｅｓｒＳｐｅｉｉｎ，ｕｌｏｉｒｖｅｓｒＳｅｖｒｎｎａａａｔｂｌｙｄｐａｉｔ．ｉ
神经网络来构建滤波器时对传感器输出信号进行滤波，可以极大提高传感器精度。同时，神经网络具有自学习能力，对于环境发生变化时，具有很强自适应能力，从而提高传感

基于遗传神经网络的传感器非线性校正研究

０引言
单、收敛性好，出的优点是可以同时考虑各种外界因素其突的＿扰影响及其本身非线性，决了传感器的非线性校正＿Ｆ解
问题。实验结果表明了其方法的正确性和有效性。ｌ神经网络的传感器非线性校正原理
一
传感器是利用某种功能将来自外界的各种物理量、化
（ｈｅｏｄＡｔｌｙＥｇｎｅｉｇＣＨｇ， ’ｎ７０２，ｈｎ）ＴｅＳｃｎｒｉｅｎｉｅｒｏｅｅＸｉａ１０５Ｃｉａｌｒｎ
ＡｂｔａｔＩｃｏｄｎｅｗｉｈｏｌｅｒｐｏｌｍｆｓｎｏｓｔｅｒｎｉｌｏｏｒｃｉｇｔｅｎｎｉｅｒｏｓｒｃ：ｎａｃｒａｃｔｔｅｎｎｉａｒｂｅｏｅｓｒ，ｈｐｃｐｅｆｒｃｒｅｔｈｏｌａｆｈｎｉｎｎ
Ｒｅｅｒｈｏｏｌｎａｏｒｃｉｎｏｅｓｒａｅｎｇｎｔｃｓａｃｎｎｎｉｅｒｃｒｅｔｏｆｓｎｏｓｂｓｄｏｅｅｉｎｕａｅｗｏｋｅｒｌｎｔｒ
ＤＮｈｎ —ｎＣＥＧＳｕＩＯＣｅ－ｎＯＧＣｅｇｌ，ＨＮｈ，ＸＡｈｎｊｇｉｉ
实现非线性校正和减少环境因素的影响，而且，校正后的精度也高于单一的神经网络模型。关键词：传感器；非线性校正；神经网络；遗传算法中图分类号：Ｔ２２Ｐ１文献标识码：Ａ文章编号：１０９８（０６１０１０００— ７７２０）２— ０２— ３

基于神经网络的非线性系统控制技术研究

基于神经网络的非线性系统控制技术研究随着机器学习和人工智能技术的飞速发展，神经网络控制技术被广泛应用于非线性系统控制领域。

本文将重点介绍基于神经网络的非线性系统控制技术研究，探讨其在实际应用中的优势和挑战。

一、神经网络控制技术概述神经网络控制技术是一种将神经网络应用于非线性系统控制的方法，其核心思想是通过神经网络建模和预测实现系统控制。

与传统的控制方法相比，神经网络控制技术具有以下优势：1. 适用范围广神经网络可以对非线性系统进行建模和预测，而传统的控制方法往往只适用于线性系统。

2. 建模精度高神经网络可以根据系统在不同时间步的输入输出数据进行学习，从而得到更为准确的系统模型。

3. 控制效果好神经网络控制具有自适应性和鲁棒性，能够在复杂环境下实现精确控制。

二、基于神经网络的非线性系统建模方法神经网络控制技术的核心在于神经网络的建模和预测，下面介绍基于神经网络的非线性系统建模方法。

1. 前向神经网络建模方法前向神经网络是一种常用的人工神经网络类型，其具有简单明了的结构和较高的预测精度。

该方法通常将非线性系统输出作为神经网络的目标变量，将非线性系统的输入与输出作为神经网络的输入数据，通过神经网络模拟实现非线性系统的预测和控制。

2. 循环神经网络建模方法循环神经网络是一种带有时序信息的神经网络，其可以用于描述非线性系统的时序演化过程。

该方法通常将非线性系统的输出序列作为循环神经网络的目标变量，将非线性系统的输入序列作为循环神经网络的输入数据，通过循环神经网络模拟实现非线性系统的预测和控制。

三、基于神经网络的非线性系统控制方法基于神经网络的非线性系统控制技术包括开环控制、闭环控制和模糊神经网络控制等方法。

下面将重点介绍闭环控制方法。

闭环控制是一种基于系统反馈调节的控制方法，其核心在于将神经网络控制器与系统的反馈环结合，实现系统控制。

该方法通常将被控系统的测量输出作为反馈信号，将神经网络输出作为控制信号，通过反馈作用实现系统的实时控制。

基于神经网络模型的传感器非线性校正

的校正方法应用于减少距离传感器的非线性输出误差。实验结果表明，训练后的神经网络接人距离传感器可以得到将
线性的输入一出关系，加神经网络隐层节点的数目可以提高校正精度。当隐层节点数取为４输增Ｏ时，于距离传感器非用
（ｃｏｌｆＥｅｔｎｃａｄＥｅｔｃＥｇｎｅｉｇ，ｈｎｈｉｏＴｎｎｖｒｉＳａｇａ０２０ＣａＳｈｏｌｒｉｎｌｒｎｉｒｎＳａｇａｉｏｇＵｉｅｓｙ，ｈｎｈｉ０４，ｈｎ）ｏｃｏｓｃｉｅＪａｔ２ｉ
基于神经网络模型的传感器非线性校正
田社平，阳，赵韦红雨，王志武
（上海交通大学电子信息与电气工程学院，上海２０３）０００
摘要：论了Ｂ讨Ｐ神经网络模型在传感器非线性补偿中的应用。给出了相应的补偿方法．即采用两个相同的传感器对同
一
被测量进行不同的测量，测量结果作为神经网络模型的输入，过补偿后的传感器具有线性的输入输出关系。采用其经
递推预报误差算法（ＲＥ训练神经网络，有收敛速度快、敛精度高的特点。以距离传感器为例，基于ＢＰ）具收将Ｐ神经网络
Ａｂｔａｔａｋｐｏａａｉｎ（Ｐ）ｎｕａｎｔｒｄｌａｅａｐｉＯｃｒｅｔｎｎｉｅｒｃａａｔｒｓｉｓｏｅｓｒｎｔｉｓｒｃ：ＢｃｒｐｇｔｏＢｅｒｌｅｗｏｋｍｏｅｓｒｐｌｄｔｏｒｃｏｌａｈｒｃｅｉｔｃｆｓｎｏｓｉｈｓｅｎｐｐｒＴｗｏｓｎｏｓｏｈａｙｅａｅｕｅＯｍｅｓｒｗｏｉｔｒｅａｅａｕａｄｎｈｉｏｔｕｓａｅｐｔｉｔｈａｅ．ｅｓｒｆｔｅｓｍｅｔｐｒｓｄｔａｕｅｔｎｅｒｌｔｄｍｅｓｒｎｓａｄｔｅｒｕｐｔｒｕｎｏｔｅｔａｎｄｎｕａｅｗｏｋｍｏｅＯｏｔｉｉｅｒｉｐｔｕｐｔｃａａｔｒｔｓｒｉｅｅｒｌｔｒｄｌｂａｎｌａｎｕ — ｔｕｈｒｃｅｉｉ．ＡｃｒｉｅＰｒｄｃｉｎＥｒｏ（Ｅ）ａｇｒｈ，ｎｔｎｏｓｃＲｅｕｓｖｅｉｔｒｒＲＰｏｌｏｉｍｔｗｈｃｏｖｒｅａｔｓａｐｉｄｔｒｉｈｅｒｌｎｔｒｄ１ｉｈｃｎｅｇｓｆｓ，ｉｐｌＯｔａｎｔｅｎｕａｅｗｏｋｍｏｅ．Ａｓａｘｍｐｅｏｒｃｉｎｍｅｈｄｂｓｄｏｓｅｎｅａｌ，ａｃｒｅｔｔｏａｅｎＢＰｉｏａｐｉＯｒｄｃｈｏｌｅｒｏｔｕｒｏｓｏａｇｅｓｒ．Ｅｘｅｉｎａｅｕｔｈｗｈｔｌｅｒｉｐｔｏｔｕｈｒｃｐｌｄｔｅｕｅｔｅｎｎｉａｕｐｔｒｒｆｎｅｓｎｏｓｅｎｅｒｐｒｍｅｔｌｒｓｌｓｓｏｔａｉａｎｕ — ｕｐｔｃａａ — ｎｔｒｔｓｃｎｂｂａｎｄｂｏｎｃｉｇｔｅｔａｎｄｎｕａｅｗｏｋｍｏｅｔｈａｇｅｓｒ．Ｔｈｏｒｃｉｎｐｅｉｉｎｅｉｉａｅｏｔｉｅｙｃｎｅｔｈｒｉｅｅｒｌｎｔｒｄｌｓｃｎｗｉｈｔｅｒｎｅｓｎｏｓｅｃｒｅｔｏｒｃｓｏｉｃｅｓｓｗｉｈｎｒａｉｇｎｍｂｒｏｏｅｎｔｅｈｄｅａｅ．Ｗｈｎｔｅｎｍｂｒｆｏｅｎｔｅｈｄｅａｅｓ４ｎｎｒａｅｔｔｅｉｃｅｓｎｕｅｆｎｄｓｉｈｉｄｎｌｙｒｈｅｈｕｅｄｓｉｈｉｄｎｌｙｒｉ０ａｄｏｎｔｅｎｕａｅｗｏｋｍｏｅｏｖｒｅｎａｏｔ１０ｉｒｔｎ，ｈｒｒＩｄｘＥ１Ｓ９６１一．ｈｅｒｌｔｒｄｌｎｅｇｓｉｂｕ０ｔａｉｓｔｅＥｒｏｎｅ（）ｉ． × ０ｎｃｅｏＫｅｏｄ：ａｋＰｏａａｉｎＢ）ｎｕａｎｔｏｋｙｗｒｓＢｃｒｐｇｔ（Ｐｅｒｌｅｗｒ；ＲｅｕｓｅＰｅｉｉｎＥｒｒＲＥ）ａｏｉｈ；ｅｓｒｏｌｅｒｃｒｅｔｎｏｃｒｉｒｄｃｏｒｏ（Ｐｖｔｌｒｍｓｎｏ；ｎｎｉａｏｒｃｉｇｔｎｏ

基于广义回归神经网络的传感器非线性误差校正

置器中高频振荡电流通过延伸电缆流入探头线圈，在探头头部的线圈中产生交变的磁场。如果在这一交变磁场的有
传感器的输出特性受许多环境因素的影响，，如温度、噪声、磁场等，因此，际应用中需要进行传感器非线性特实性校正，传感器非线性补偿便是常用的方法之一。传感器非线性补偿通常有２种方式：硬件方式和软件方式。硬件方式是通过增加外围元器件或电子线路来实现非线性补偿，但是，这样会增加电子器件漂移的误差，会增加系统还成本；软件方式一般采用最小二乘法、多项式拟合法等数学
ＡｂｔａｔＴｅＲＢＦｎｔｏｋｕｃｉｎｐｒｘｍａｉｎｔｅｒｎｔｏｒｉｔｄｃｄ，ａｄｈｔｏｆｓｒｃ：ｈｅｗｒｆｎｔａｐｏｉｔｈｏｙａｄｍｅｈｄａｅｎｒｕｅｏｏｏｎｔｅｍｅｈｄｏ
（中国矿业大学机电工程学院，江苏徐州２１０）２０８摘要：介绍了径向基函数网络的函数逼近原理和方法，出了一种基于广义回归神经网络（ＲＮ）提ＧＮ的
传感器非线性误差校正方法。通过Ｍａａｔｂ的ＮｔｏｋＴｏｏ（ｌｅｒｏｌｘ神经网络工具箱）ＧＮｗｂ，ＲＮ训练程序实现了
Ｋｅｏｄ：ｇｎｒｉｄｒｒｓｉｅｒｌｅｗｒ（ＲＮ）ｅｓｒｎｎｎａｒｒＲＦｙｗｒｓｅｅｌｅｅｅｓｎｎｕａｎｔｏｋＧＮ；ｓｎｏ；ｏｌｅｒｒ；Ｂａｚｇｏｉｅｏ０引言

基于遗传小波神经网络的压力传感器的非线性校正研究

ｒｔｍｓｉｔｏｕｅｏｏｔｉｅｔｅｐｒｍｅｅｓ，ａｄｔｅｇｎｔｖｌｔｎｕａｅｗｏｋｗａｕｏ — ｉｈｗａｎｒｄｃｄｔｐｉｚｈａａｔｒｍｎｈｅｅｉｗａｅｅｅｒｌｎｔｒｓｐｔｆｒｃｗａｄｒ．ＴｈｉｈｒａｃｒｃｎａｔｒｓｅｄｗａｂａｎｄＴｈｉｕａｉｎｏｒｓｕｅｓｎｏｈｗｓｔａｅｈｇｅｃｕａｙａｄｆｓｅｐｅｓｏｔｉｅ．ｅｓｍｌｔｆｐｅｓｒｅｓｒｓｏｈｔｏ
ＲｅｅｒｈｏｈｎｉｅｒＥｍｅｄａｉｎｏｅｓｒｓａｃｎｔｅＮｏｌｎａｎｔｏｆＰｒｓｕｅ
ＳｅｓｒＢａｅｎｔｎｅｉａｅｅｕａｔｒｎｏｓｄｏｈｅＧｅｔｃＷｖｌｔＮｅｒｌＮｅｗｏｋ
ｔｉｓｓｅｓｃｅｓｌｌｎｔｄｔｅｉａｔｆｏ－ｂｅｔａａｔｒｎｅｌｃｅｌｎｃｕａｅｙａｄｈｓｙｔｍｕｃｓｆｌｅｍｉａｅｕｙｉｈｍｐｃｎｏｊｃｐｒｍｅｅｓｄｒｆｔｈａｔｃｒｔｌａｕ．ａｔｒｃｉｌｌｅｃｖＫｅｒｓｎｎｉｅｒｃａａｔｒｓｉ；ｐｅｓｒｅｓｒｎｎｉｅｒｅｎａｉｎ；ｗａｅｅｅｒｌｎｔｒｙｗｏｄ：ｏｌａｈｒｃｅｉｔｎｃｒｓｕｅｓｎｏ；ｏｌａｍｅｄｔｏｎｖｌｔｎｕａｅｗｏｋ；ｇ — ｅｎｔｃａｇｒｔｍｅｉｌｏｉｈ

基于神经网络的传感器非线性误差校正方法

基于神经网络的传感器非线性误差校正方法樊润洁;朱亚男【摘要】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。

%In order to further improve measurement accuracy of sensor, a non-linear errors correction method for the sensors based on neural network be proposed. Theoretical analysis of the complexity of the sensor nonlinearity error, took example as displacement sensor calibration, introduced the details of the non-linear sensor calibration process and methods. Three methods including Least Squares, BP Neural Network and RBF Network have been used for errors correcting, designed and implemented a calibration model of RBF Network, and the results shows that the accuracy of RBF Network has been increased by about 44%than the accuracy of BP Network, and it has more nonlinear compensation advantage than the Least Squares in complex environment and various types of multi-sensor application.【期刊名称】《电子设计工程》【年(卷),期】2014(000)023【总页数】4页(P56-59)【关键词】神经网络;BP网络;RBF网络;最小二乘法;非线性校正【作者】樊润洁;朱亚男【作者单位】西安铁路职业技术学院陕西西安 710014;西安铁路职业技术学院陕西西安 710014【正文语种】中文【中图分类】TP212传感器作为测控系统的感知器件，在测控系统中占有举足轻重的地位。

虚拟仪器设计中压力传感器的BP神经网络温度非线形校正

ｓｍｕａｉｎｌｓａｅａｅｐｒｏｍａｃｆｓｎｏｓｉｉｒｖｄｈｇｌ．ｄｔｅｃｎｔｃｉｎｏｅｎｕａｅｏｋｉｌｔｓｉｕｔｔｄｔｔｈｅｆｒｎｅｏｓｒｏｌｒｈｔｅｓｍｐｏｅｉｈｙＡｎｏｓｒｔｆｈｅｒｌｔｒｈｕｏｔｎｗｉｉｌｄｔｅｐｅｉｉｎｉｇｏ，ｔａｅｖｌｅｔｅａｐｉｄｓｍｐｅａｒｃｓｏｄｉｈｓｔａｕｂｐｌ．ｓｎｈｏｓｈｏｅＫｅｒｓＢＰｅｒｅｔｎｙｗｏｄ：ｕｌｗｒｒｓｕｅＳｎｏｒＮｅｎｉａＣｏｃｉｎｒｏ
时间短，准确度高，有实际应用价值。
【关键词１Ｐ神经网络压力传感器非线性校正Ｂ
ＡｂｔａｔＴｅｉｐｔｎｕｐｔｆｒｓｕｅｓｎｏｓｒｌｏｔｏｌｎａ，ｄｔｅｅａｗａｓｎｕｎｅｙｅｖｒｎｅｔｓｒｃ：ｈｕｄｏｔｕｐｅｓｒｅｓｒｅａｎａｏａｍｓｎｉｅｒａｙａｌｙｆｅｃｄｂｎｉｍｎ．ｎｎｈｒｉｌｏ
ＴｅａＶＩＷｆｒｅｄＱ（ａｑｉｔｎｏｌ－ａａｔｒｎｎｉｅｒｒｃｒｃｉｎｆｒｓｕｅｓｎｏｈｂＥｓｔＬｏｗａｎａＤＡｄｔａｕｓｉ）ｆｔｐｍｅｅｓｏｌａｅｏｓｏｒｔｅｓｒｓｒａｃｉｏｍｕｉｒ，ｎｒｒｅｏｏｐｅ
维普资讯

基于神经网络的传感器非线性误差校正

一
随着科学技术的发展，子工业和信息技术促电进了传感器产业的发展，究传感器理论，研进行新材
个受温度影响的传感器系统可表示为ｖ＝
ｆ，。中』表示传感器的输出量，表示传感（）其ｚ器的输人量，表示环境温度。目的是根据测得３求－
维普资讯
传感器技术（ｏｒＬｆｒｎｄｃｒｅｈｏｇ）Ｊｕｒａｓｕｅｃｎｌｙ￣ｏＴＴｏ
２００２年第２１卷第ｉ期
基于神经网络的传感器非线性误差校正
林康红。施惠昌，卢强，奉玲
得未知的，即＝（。）ｖ￡。
料、功能开发，制高性能传感器、新研多功能传感器
是传感器技术发展的必然趋势。现代控翩系统对传
感器的准确度、定性、工作条件提出了很高的要稳和
由于传感器产生的非线性误差和温度误差．使
，。呈现非线特性。想特性ｌ）线性。过（）理，（为。。
求，望其输出输人特性呈线性关系。然而，严希从格意义说，目前传感器的输入输出特性大多为非线性。为此，们通过一些硬件或软件的方法来进行人非线性补偿和修正。神经网络是一个太规模的非线
ＫｅｒｓＢＩ（ｃｐｏａａｏ）ｎｕａｅｗｏｋ：ｓｎｏｓｏ［ｅｒｅｒｒ；ｃＥｅｔｏｌｙｗｏｄ： ’ ｈｋｒｐｇｆｎｅｒｌｔｒｉｎｅ＊ｒ；￣ｎｉａｒｏ８ｏｒｅｉｔｎ

人工神经网络算法在非线性预测中的应用研究

人工神经网络算法在非线性预测中的应用研究人工神经网络算法（Artificial Neural Network, ANN）是一种模拟生物神经元网络的数学模型。

随着计算机技术的不断发展，人工神经网络算法得到了广泛应用，其中在非线性预测方面的研究应用也越来越受到重视。

本文将介绍人工神经网络算法在非线性预测中的应用研究。

一、人工神经网络算法基础人工神经网络算法（ANN）是运用计算机模拟大脑神经元的信息处理方式，将输入信息进行处理、分析和识别的一种数学模型。

神经网络由许多神经元组成，每个神经元接受输入信息并进行处理，处理后的信息可能被转发到其它神经元中，最终传至输出层。

神经元在信息处理时采用“加权平均”的原则，即输入信息乘以不同的加权系数，然后将加权和作为执行函数的输入。

在此基础上，神经元执行一个指定的非线性函数，将处理结果输出到下一层神经元中，并不断重复上述信息处理过程，最终输出预测结果。

二、人工神经网络算法在非线性预测中的应用人工神经网络算法在非线性预测领域的应用主要针对运用模型预测和模式识别两个方面。

对于运用模型预测而言，常用的情景是基于历史数据的非线性预测，可以预测一个或多个变量在未来的值。

对于模式识别而言，其主要用于具有复杂结构和噪声的预测问题。

在运用模型预测方面，人工神经网络算法可以被用来构建非线性预测模型。

神经网络通过学习已有的数据集来构建预测模型，将历史数据转化为有效的预测模型，通过引入适当的模型选择、参数调节等方法，提高非线性预测模型的精度。

在模式识别方面，人工神经网络算法则更多的是被应用在复杂预测问题上。

在这种情况下，人工神经网络算法可以用于数据处理、特征提取、分类和匹配等方面。

三、人工神经网络算法在实际应用中的案例1. 基于多输入单输出神经网络的非线性区域预测多输入单输出神经网络（Multi-Input Single-Output Neural Network, MISO）可以被用于非线性区域预测。

基于神经网络的非线性系统辨识

基于神经网络的非线性系统辨识随着人工智能技术的不断发展，神经网络技术成为人工智能领域中一个重要的研究方向。

神经网络具有自主学习、自适应和非线性等特点，因此在实际应用中有很大潜力。

本文将介绍神经网络在非线性系统辨识中的应用。

一、什么是非线性系统辨识？非线性系统辨识是指对一些非线性系统进行建模与识别，通过参数估计找到最佳的系统模型以进行预测分析和控制。

在许多实际应用中，非线性系统是比较常见的，因此非线性系统辨识技术的研究和应用具有重要的意义。

二、神经网络在非线性系统辨识中的应用神经网络在非线性系统辨识中具有很好的应用效果。

其主要原因是神经网络具有强大的非线性建模和逼近能力。

常用的神经网络模型包括前馈神经网络、递归神经网络和卷积神经网络等。

下面主要介绍前馈神经网络在非线性系统辨识中的应用。

1. 神经网络模型建立前馈神经网络由输入层、隐含层和输出层组成。

在非线性系统辨识中，输入层由外部输入量组成，隐含层用于提取输入量之间的非线性关系，输出层则用于输出系统的状态变量或输出变量。

模型建立的关键是隐含层神经元的个数和激活函数的选取。

2. 系统建模在非线性系统的建模过程中，需要将输出变量与输入变量之间的非线性关系进行建立。

可以使用最小二乘法、最小均方误差法等方法，对神经网络进行训练和学习，在一定的误差范围内拟合系统模型。

此外，也可以使用遗传算法、粒子群算法等优化算法来寻找最优的神经网络参数。

3. 系统预测和控制在系统建模和参数估计后，神经网络可以用于非线性系统的预测和控制。

在预测过程中，将系统的状态量输入前馈神经网络中，通过输出层的计算得到系统的输出量。

在控制过程中，将前馈神经网络与控制器相结合，在控制对象输出量和期望值不同时，自动调节控制器参数的值来实现系统的控制。

三、神经网络在非线性系统辨识中的优势和挑战与传统的线性系统模型相比，神经网络模型可以更好地描述非线性系统，并且可以用于对于非线性系统的建模和控制。

传感器模糊神经网络非线性误差补偿的研究

数，所以，通过少量的样本点学习，让网络逼近Ｐ（）ｖｏ这样，利用网络的泛化能力，对于每一个输出值ｕ通过式（）１得到测量系统的输出值 “ ｔ即实现了对非线＝ｌ，性传感特性的线性化和消除测量系统非线性误差。但ＢＰ网络具有局部寻优和收敛速度慢的缺点，使得实际使用十分困难。为此，采用ＦＨＣ进行误差补偿，ＣＡ取得了十分满意的效果。１２模糊小脑神经网络（ＣＣ）．ＦＭＡ单输人单输（Ｉ）ＣＡ二，ＯＦＭＣ算法为直接地址ＳＳ的映射。以输人、的量化值为地址，建立起输人二与权重『的关系；另外，通过对输人ｘ进行模糊量化，将模糊算法引人ＣＡＭＣ权值训练中，使得每次学习只要调整两个权值。所以，模糊小脑神经网络具有学习简单、函数逼近精度高的特点１２１Ｉ．．ＳＳＯ的ＦＭＣ结构ＣＡＳＯ的ＦＭＣ结构如图２所示。ＩＯ函数为ＣＡＩＳＳＳＹｆｘ，＝（）输人、经量化为０一ＩＮ是正整数。取Ｎ一，ＣＭＡＣ的联想空间长度ＬＩ于是权值Ｗ的地址空间二，Ａ与量化后的输人空间Ｓ为－对应关系。因为人 ‘ 一已不是稀疏空间，故不需要进行Ｈ】ｓａ映射压缩。将二在输人空间Ｓ上进行模糊量化，到、Ｎ个量化等得对
（）ｘｊ。通过样本点学习，到权值ｒ得ｖ二【。二，二，，
ｗ，．，〕对任意输人ｘ通过ＦＭＣ泛化输出２．二。，．，ＣＡＦ
，）Ｓａ，二Ｗ］，
（ｙ・＊二）・ｅＯ、＝ａ（：二）・ｗ二。拜ｎ（气＇Ａ
ｔ功；ｐ
（）８

神经网络在校正传感器非线性度方面的研究

神经网络在校正传感器非线性度方面的研究传感器是一类重要的检测装置，可以检测外界变化。

它是实现智能控制系统的重要组成部分，其质量和性能对控制系统的性能具有重要的影响。

然而，由于物理指标的非线性性，传感器存在着一定的漂移现象，从而影响传感器的准确度和精度。

因此，校正传感器非线性度成为实现传感器高准确度检测的关键技术。

神经网络是近些年发展迅速的一种新型智能技术，是模仿人脑神经元工作的一种非线性的模式识别算法。

它由若干节点组成，每个节点与其他节点有联系，可以实现复杂的非线性运算过程。

神经网络具有学习能力，可以根据已知样本数据，以及通过学习过程调整权重，实现对输入样本的分类。

因此，神经网络可以用来校正传感器的非线性度。

首先，需要收集大量来自传感器的数据作为训练样本。

然后，建立神经网络，选择节点的数量、节点的类型以及连接权重的结构。

根据输入的合适的权重，利用神经网络进行训练，并调整权重值，以期满足训练样本的分类要求。

然后，可以对神经网络进行测试，由此获得模型，并使用该模型进行传感器的非线性校正。

传感器非线性校正的神经网络模型应用有很多优点，如模型的精确度高、稳定性强等。

此外，神经网络模型具有非线性校正能力，可以根据不同的传感器对应的输入和输出数据，将非线性因素进行校正，以达到较高的精度。

最后，神经网络模型具有可伸缩性，可以满足不同传感器的自适应性需求。

综上所述，神经网络技术在校正传感器非线性度方面有着重要的作用。

神经网络可以用来提高传感器的准确度，并提供准确、可靠的结果。

因此，神经网络开发和应用，将对智能控制系统的整体能力质量产生非常重要的作用。

神经网络在校正传感器非线性度方面的研究

神经网络在校正传感器非线性度方面的研究
近年来，人们的对用神经网络校正传感器非线性度的研究日益增多。

神经网络用来校正传感器非线性度，可以减少传感器的模拟环节，从而提高测量的精度。

神经网络校正能有效估计传感器非线性度，消除传感器扰动和振动干扰，从而改善测量精度。

神经网络校正传感器非线性度一般采用深度学习框架，比较常见的深度学习模型有多层感知机MLP、卷积神经网络CNN、循环神经网络RNN和深度玻尔兹曼机D-BFM等。

根据特点，选择深度学习模型以解决某一非线性校正问题。

为了提高模型的准确率，考虑到误差函数的优化和参数的调整，可以利用各种梯度下降方法进行调整，比如分布式随机梯度下降法DRL-SGD，抑制式随机梯度下降法SLG-SGD和多级梯度下降法MLG-SGD。

研究表明，以神经网络为基础的传感器非线性度校正方法，可有效校正传感器的非线性变化，在误差估计和传感器恢复精度和稳定性方面，均获得了显著提高。

此外，采用此方法还可以有效缩短校正时间，降低计算成本，提高平台的可靠性。

总之，神经网络校正传感器非线性度，在误差分析、精度恢复和计算成本等方面有着良好的表现，也有利于提高传感器网络整体精度和可靠性。

随着计算机硬件和算法的不断完善，神经网络在传感器非线性度校正方面有望有更多出色表现。

神经网络在校正传感器非线性度方面的研究

神经网络在校正传感器非线性度方面的研究近年来，传感器的技术不断发展，它们越来越广泛地应用于工业生产、家庭自动化、医疗健康等领域，而传感器非线性度已成为影响其使用效果的一个重要因素。

为了使传感器的性能达到最优，需要很好地校正其非线性度，这就涉及到神经网络的应用。

因此，对于神经网络在校正传感器非线性度方面的研究变得尤为重要。

传感器非线性度是指传感器的输入与输出之间的非线性关系。

在某些情况下，传感器的输入变化迅速，而输出响应却不及预期，甚至出现极端偏差。

这种现象称作传感器非线性度。

因此，校正传感器非线性度对于提高传感器性能非常重要，并且是保证系统准确性的必要手段。

神经网络是一种模拟人脑神经功能的机制，通过该机制可以实现复杂的模式匹配、动态数据处理等功能。

因此，神经网络也被广泛应用于自动控制、识别识别等领域，尤其是用于校正传感器非线性度方面的研究。

神经网络校正传感器非线性度的实现主要有两种方法：一是神经网络的实时模糊校正；二是神经网络训练法。

实时模糊校正主要是结合误差反馈机制，用神经网络来调节传感器输出，以提高传感器性能。

而神经网络训练法则是通过对传感器输入和输出的大量实验数据，以拟合技术来构建神经网络，并将其作为传感器的模型，从而校正传感器的非线性度。

神经网络在校正传感器非线性度方面的研究还存在很大的发展空间，尤其是在神经网络结构、训练参数等方面。

在神经网络结构方面，研究者可以尝试构建不同拓扑结构的神经网络，如卷积神经网络、循环网络等，以期提高神经网络校正传感器非线性度的准确度。

同时，在训练参数方面，研究者还可以设计不同的训练策略，如深层学习、强化学习、迁移学习等，以期提高神经网络的泛化能力。

总之，在当今信息技术中，神经网络是极具应用潜力的新技术，同时，它在校正传感器非线性度方面也有着许多不可替代的优势，因此有必要从理论和实践上研究神经网络在校正传感器非线性度的方面的应用，以期提高传感器的性能。

本文从概述了传感器非线性度的定义和校正原理，介绍了神经网络在校正传感器非线性度方面的研究，以及相关的应用技术，为了提高传感器性能提供了参考。

基于人工神经网络的无线传感器网络优化研究

基于人工神经网络的无线传感器网络优化研究随着物联网技术的发展，无线传感器网络（WSN）已广泛应用于环境监测、智能家居、智能医疗等领域。

WSN具有节能、可靠、低成本等优点，但网络中节点数量众多，网络拓扑结构常常变化，存在节点故障、能量限制等问题，这些问题都影响了网络的性能。

因此，提高WSN的性能、降低能量消耗是WSN研究的重要方向。

人工神经网络（ANN）是基于生物神经元系统的人造神经网络，能够模拟人类大脑的神经网络和认知过程，因此在WSN优化中有着广泛的应用。

一、人工神经网络人工神经网络是一种模拟人脑的信息处理系统，在WSN优化中主要用于动态路由、节点部署、信号传输等方面。

神经网络由多个节点或神经元组成，每个节点接收来自输入层和上一层节点的信号，然后进行计算和处理，最终输出到输出层或下一层节点。

不同节点之间的联系和权值可以通过训练得到，训练过程中神经网络可以自适应地调整各节点之间的联系和权值，从而达到学习和模式识别的目的。

二、人工神经网络在WSN优化中的应用动态路由：WSN中节点周围环境常常变化，如节点移动、节点故障、通信链路变化等，这些变化会引起网络拓扑结构的变化，导致网络拓扑结构调整，从而影响数据传输的质量。

传统的静态路由协议在这种情况下效果不佳，因此动态路由协议日益受到关注。

人工神经网络能够适应网络拓扑结构的变化，有效地解决动态路由问题。

节点部署：WSN中节点的部署对网络性能有重要影响，如节点布置密度、节点位置、最大传输距离等因素都会影响网络通信效果。

人工神经网络能够得到网络环境的信息，能够选择最优的节点部署方案，从而提高网络性能。

信号传输：WSN中节点之间的信号传输需要考虑多种因素，如路径长度、信号衰减、信号干扰等。

人工神经网络能够计算不同路径上的信号传输质量，从而选择最优路径，提高信号传输质量和网络性能。

三、人工神经网络在WSN优化中的应用案例1、人工神经网络与模糊逻辑分析在WSN节点部署中的应用该研究使用基于人工神经网络和模糊逻辑分析的方法部署WSN节点。

基于RBF神经网络的传感器非线性误差校正方法

计算与测试基于RBF神经网络的传感器非线性误差校正方法*侯立群,张智娟,仝卫国(华北电力大学自动化系,河北保定071003)摘要:介绍了利用人工神经网络进行传感器非线性误差校正的原理。

提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。

最后给出了一个仿真实验,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,大大减小传感器非线性误差,校正效果优于BP神经网络。

关键词:神经网络;径向基函数;非线性误差;校正中图分类号:TP212文献标识码:A文章编号:1000-9787(2004)03-0043-03Nonlinear errors correcting method of sensors basedon RBF neural networkHOU L-i qun,ZHANG Zh-i juan,TONG We-i guo(Dept of Automation,North China Electric Power University,Baoding071003,C hina)Abstract:The principles for correcting the nonlinear errors of the sensors with a neural network are introduced.The method of radial basis function neural network(RB FNN)is given to correct the nonlinear errors of the sensors.A BP neural network has been developed to solve the same problem for comparison.The experimental results show that network learning speed can be sped up markedly and nonlinear errors of the sensors can be greatly reduced by using RBFNN.RB FNN is q ui te effective and superior to BPNN in correcting nonlinear errors of the sensors.Key words:neural network;radial basis function(RBF);nonlinear errors;correction0引言在测控系统中,一般采用传感器对被测参数进行拾取和转换。

神经网络在校正传感器非线性度方面的研究

传统的 BP 神经网络收敛速度特别慢, 而且容易收敛到局部极小值, 一般不能直接应用到系统中。为了改善这种状况, 人们对 BP 神经网络的算法改进作了大量的研究工作。这里介绍一种收敛速度快、对初始值的设定鲁棒性强的 LM 算法。LM 算法是一种基于标准数值优化技术的算法, 它是牛顿法的变形。在这种算法中, 一般用平方误差代替均方误差进行计算, 每次迭代运算都要计算矩阵的逆, 即使如此, 它仍是中等规模多层神经网络训练算法中最快的一种[ 3] 。该算法最大的缺点是对系统存储容量要求高, 所需存储容量近似正比于网络权值和偏置量个数和的平方。比如, 假设某个网络结构为 5 - 9 - 1, 即包含 5 个输入节点、9 个隐含节点、1 个输出节点, 那么执行该算法所需的容量为( 取值按 2 个字节计算) ( 5 @ 9+ 9+ 10) 2 @ 2 U 8kbit , 这对于最大存储容量为几十 kbit、采用单片微处理器的现场测量系统是不合适的。因此, 必须限制网络结构所包含的神经元的个数, 降低网络的复杂程度。但是采用简单的网络结构带来的问题是网络的推广能力不强。所谓推广能力主要是针对在采用简单结构的神经网络进行函数逼近时, 会出现收敛曲线仅在学习样本附近
0
1. 000 1. 000 1. 000 1. 000
在仿真试验中, 采用的神经网络为两层 BP 网络, 隐含层使用 Logsig 传递函数, 输出层则为 Purelin 函数; 输入层包含 2 个输入节点, 隐含层包含 3 个神经元节点, 输出层为 1 个神经元节点。由于测量条件的限制, 气体体积分数取值分布太稀疏, 取体积分数
0引言在信号处理系统中, 由信号采集环节引入的误

神经网络在传感器非线性参数识别中的应用

神经网络在传感器非线性参数识别中的应用
陈仲生;葛折学;杨光瑜
【期刊名称】《兵工自动化》
【年(卷),期】2001(020)004
【摘要】传感器的动态特性模型一般可以表示为一个线性环节与一个非线性环节的级联形式.利用神经网络的自适应性、任意非线性函数逼近的优点,以多项式函数代替常用的S-函数,运用改进的BP算法可以辨识出传感器动态特性模型的非线性参数.仿真结果表明了这一方法的可行性.
【总页数】3页(P24-26)
【作者】陈仲生;葛折学;杨光瑜
【作者单位】国防科技大学,机电工程研究所,湖南,长沙,410073;国防科技大学,机电工程研究所,湖南,长沙,410073;国防科技大学,机电工程研究所,湖南,长沙,410073【正文语种】中文
【中图分类】TP183;TP212
【相关文献】
1.基于遗传算法的RBF神经网络在铂电阻温度传感器非线性补偿中的应用 [J], 董玲娇
2.基于遗传算法的RBF神经网络在热敏电阻温度传感器非线性补偿中的应用 [J], 俞阿龙
3.Chebyshev神经网络模块在铂电阻温度传感器非线性补偿中的应用 [J], 俞阿龙
4.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 [J], 俞阿龙
5.人工神经网络在电涡流传感器非线性补偿中的应用研究 [J], 张元敏;王红玲因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

0. 13
1. 751 1. 511 1. 318 1. 125
0. 11
1. 825 1. 572 1. 370 1. 173
表 2 数据归一化 Tab 2 Data standardi zation
体积分数
0. 250
输出电压( V) 0. 500 0. 875
1. 000
1. 00
0
0
0
0
0. 81
Tab 3 Comparison of di fferent algorithm
学习率
输入值
动量- 自适应算法期望输出
训练次数实际输出
LM 算法训练次数实际输出
分段的 LM 算法训练次数实际输出
0. 01 [ 0. 573, 0. 250] 0. 120 0 5 000 0. 099 5
图 2 函数分段逼近 Fig 2 Subsection approach to functi on
假设被逼近的非线性函数按照测量值划分为 5 个部分, 每一部分对应一组神经网络的权值和偏置值, 这些权值和偏置值的初始值可以由离线训练学习得到, 然后存入非易失性存储器中。在应用过程中, 假设测量值落在 B 区, 就调出 B 区对应的权值和偏置值, 如果输出误差不满足误差要求, 则进行在线学习; 如果输出结果满足误差要求, 则不训练网络。当测量值由一区变化到另一区时, 不妨假设, 由 B 区变化到D 区, 首先存储 B 区对应的权值和偏置值, 然后调出 D 区对应的权值和偏置值, 而不是在当前网络权值和偏置值的基础上进行训练学习。这样每组权值和偏置值仅对应某一小段函数, 网络结构可以设计的简单些; 测量值相对集中, 可以保证网络的逼近准确度, 这一点可以从下面的仿真试验中得到证实。 3 仿真试验
摘要 : BP 神经网络及其改进算法虽然在测量准确度方面有所改善, 但结构的不确定性、训练时间长的
缺点限制了其在现场测量系统的应用。在引入 LM 算法的同时, 通过分段的方法对其缺陷进行了改进。
仿真结果证明了该方法具有收敛速度快、实时性强的特点。
关键词: BP 神经网络; LM 算法; 分段; 实时性
输出电压( V) 体积分数
10 e 20 e 35 e 40 e
0. 98
1. 133 0. 975 0. 865 0. 731
0. 81
1. 352 1. 140 1. 001 0. 840
0. 56
1. 508 1. 283 1. 136 0. 961
0. 48 0. 20
1. 556 1. 328 1. 159 0. 982 1. 633 1. 400 1. 221 1. 037
( 1. Sch of Elct and Info, Wuhan University, Wuhan 430072, China;
2. Hong. an Bureau of Electrical Power, Hong. an 431500, China)
Abstract: T he precision of measur ement is impro ved by BP neutral networ k and its new algorit hm, but uncertain of structur e and learning for more t ime limits its application. LM algor ithm for BP neutral networ k is introduced and its defect is maked up by t he subsection . I n the end, the result of simulation testifies this method has r apid astr ing ency and better r ea-l time property. Key words: BP ( back propagation) neural network; LM ( L evenberg- M arquardt ) algorithm; subsection; rea-l t ime property
收稿日期: 2003- 06- 28
收敛速度慢的问题; 应用分段逼近的方法, 成功消除了 L M 算法存在的存储空间要求和计算准确度相互限制的矛盾。最后通过实例验证了这些改进的有效性。 1 补偿原理
一个受多个参量影响的传感器系统可表示为 y = f ( x , t 1, t 2, ,, tk) , 其中 x 为待测目标参量; t 1, t 2, ,, tk 为 k 个非目标参量; y 为传感器输出。为了消除非目标参量对传感器输出的影响, 一般采用逆向建模的方法。如图 1 所示。
13. 2 0. 101 0
4. 9 0. 114 7
[ 0. 356, 0. 500] 0. 480 0 5 000 0. 451 9
8. 2 0. 444 5
7. 2 0. 453 4
[ 0. 347, 0. 875] 0. 480 0 5 000 0. 440 9
11. 2 0. 442 1
4. 9 0. 449 8
图 1 非线性度校正 Fig 1 Nonli nearty correction
第 12 期
黄天戍等: 神经网络在校正传感器非线性度方面的研究
49
实际测量的数据, 由于受非目标参量的影响, 它与目标参量之间的函数关系不再是线性的, 即
x = f - 1( y , t 0, t 1, ,, t k) X y / k . 逆向建模的目的就是通过神经网络的非线性映射能力, 把非线性函数关系 x = f - 1( y , t 0, t 1, ,, tk) 向线性函数关系 x = y / k 的不断逼近。在模型
0引言在信号处理系统中, 由信号采集环节引入的误
差影响着整个系统的准确度, 特别是测量元件受环境因素影响而带来的交叉灵敏度的问题。对于这个问题, 传统的解决办法往往采用硬件补偿电路或利用软件编程对测量数据进行加工, 效果不是特别理想。随着现代信号处理技术的发展, 各种新的方法不断出现。文献[ 1] , 文献[ 2] 尝试利用 BP 神经网络的动量 ) 自适应算法, 来修正由交叉灵敏度而引起的传感器非线性输出误差, 并通过仿真试验证实了该方法优于最小二乘法。从文中也可以发现一些潜在的问题。比如, 收敛速度慢, 实时性不强; 准确度要求越高, 学习时间越长, 采用的神经网络结构越复杂; 网络结构的不确定性等问题。这些问题使得该方法在实时性要求比较高的现场信号采集系统中无法直接使用。鉴于这种情况, 本文做了一些改进: 通过引进 BP 神经网络 LM 改进算法, 解决了网络
仿真试验的目的主要是比较 L M 算法及其改进和动量- 自适应算法在修正传感器的非线性输出方面的特点。在实验过程中, 选用火灾监控系统常用的气体传感器 SnO2 作为测量元件, 测量参数为 CO 气体的体积分数。SnO2 气体传感器受温度和湿度的影响比较大, 取温度作为非目标参量, 在实际应用
0. 192 0. 166 0. 161 0. 146
0. 56
0. 328 0. 311 0. 320 0. 309
0. 48
0. 370 0. 356 0. 347 0. 338
0. 20
0. 437 0. 429 0. 421 0. 413
0. 13 0. 11
0. 541 0. 540 0. 535 0. 530 0. 605 0. 602 0. 597 0. 594
0
1. 000 1. 000 1. 000 1. 000
在仿真试验中, 采用的神经网络为两层 BP 网络, 隐含层使用 Logsig 传递函数, 输出层则为 Purelin 函数; 输入层包含 2 个输入节点, 隐含层包含 3 个神经元节点, 输出层为 1 个神经元节点。由于测量条件的限制, 气体体积分数取值分布太稀疏, 取体积分数
中, 测量数据 y 及非目标向量的测量值作为神经网络的输入, p = kx 作为网络的期望输出, 按照一定的算法原则, 不断调整网络的权值和偏置量, 使得网络的输出误差在允许的范围之内。 2 LM 算法及其改进
BP 神经网络是目前应用最广泛的一种多层前馈网络, 它具有很强的非线性映射能力和泛化能力。研究表明, 两层 BP 网络在其隐含层中使用 S 型传输函数, 在输出层中使用线性传输函数, 就几乎可以以任意准确度逼近对象函数, 只要隐含层中包含足够多的神经元节点。
传统的 BP 神经网络收敛速度特别慢, 而且容易收敛到局部极小值, 一般不能直接应用到系统中。为了改善这种状况, 人们对 BP 神经网络的算法改进作了大量的研究工作。这里介绍一种收敛速度快、对初始值的设定鲁棒性强的 LM 算法。LM 算法是一种基于标准数值优化技术的算法, 它是牛顿法的变形。在这种算法中, 一般用平方误差代替均方误差进行计算, 每次迭代运算都要计算矩阵的逆, 即使如此, 它仍是中等规模多层神经网络训练算法中最快的一种[ 3] 。该算法最大的缺点是对系统存储容量要求高, 所需存储容量近似正比于网络权值和偏置量个数和的平方。比如, 假设某个网络结构为 5 - 9 - 1, 即包含 5 个输入节点、9 个隐含节点、1 个输出节点, 那么执行该算法所需的容量为( 取值按 2 个字节计算) ( 5 @ 9+ 9+ 10) 2 @ 2 U 8kbit , 这对于最大存储容量为几十 kbit、采用单片微处理器的现场测量系统是不合适的。因此, 必须限制网络结构所包含的神经元的个数, 降低网络的复杂程度。但是采用简单的网络结构带来的问题是网络的推广能力不强。所谓推广能力主要是针对在采用简单结构的神经网络进行函数逼近时, 会出现收敛曲线仅在学习样本附近