基于改进GA-BP神经网络的压力传感器校准方法

针对压力传感器在实际使用过程中由于温度漂移现象导致输出精度不高的问题,提出了基于改进遗传算法(genetic algorithm,GA)优化反向传播(back propagation,BP)神经网络的校准方法。该方法主要改进了遗传算法的初始化种群和遗传算子,并引入了t分布扰动。将压力传感器模组的输出电压和温度电压作为输入,通过遗传算法计算出一组最优的初始权值和阈值并建立BP神经网络模型,最后将训练好的神经网络模型移植到传感器模组的调理芯片并进行实验验证。结果表明,该方法有效地降低了温度对压力传感器输出的影响,经过算法校准后压力传感器的全量程相对误差为0.01%FS,零点漂移为8.444×10^(-6),灵敏度漂移为2.055×10^(-6),校准效果优于其他算法。

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BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关,提出了采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对压力传感器输出的影响。研究结果表明,利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。

基于BP网络的压力传感器信息融合

压力传感器输出特性容易受环境温度、电压扰动等各种非目标参量的影响 ,从而大大降低了其性能。BP算法是一种最速下降的静态寻优算法 ,而对其改进的算法LMBP算法克服了标准BP算法的固有缺点 ,不但学习速度快 ,而且精度高。利用LMBP算法对压力传感器的输出进行融合 ,有效地消除了非目标参量特别是温度对压力传感器输出的影响 ,最后利用MATLAB软件对样本数据进行训练和仿真 ,通过对融合结果分析可知 :BP网络的LMBP算法不仅提高了压力传感器的精度 ,而且提高了压力传感器的稳定性和可靠性。

基于BP神经网络的冲击波压力传感器组件动态特性分段建模方法研究

受爆炸场中寄生效应的影响,需要采取相应抑制措施对冲击波压力传感器进行改造。为研究冲击波压力传感器组件的动态特性,基于双膜激波管对冲击波压力传感器组件进行动态校准,获得了阶跃响应信号;采用微分法求取了传感器组件动态特性非参数模型;根据冲击波压力传感器组件动态特性非参数模型变化规律,在频域内对其进行合理分段,并基于BP神经网络分段建模方法得到传感器组件动态特性模型;通过实例分析与比较,证明了基于BP神经网络的分段建模方法能够有效提高模型精度和建模效率。

基于BP网络的智能压力传感器系统研究与设计

将STM32F101C8微处理器与μC/OS-Ⅱ操作系统相结合,设计出了一种高精度智能传感器系统,给出了相应的硬件结构和软件设计。利用BP神经网络对压力和温度两个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度。实测结果显示该传感器能满足多任务下的实时性要求,并具有更加精确、稳定、可靠的性能。

基于BP神经网络的智能压力传感器设计

为满足航空发动机分布式控制系统的设计需求,提出了利用BP神经网络设计智能压力传感器的方法。首先,建立了该传感器的BP神经网络模型;然后,利用DS18B20和ATmega128设计出了硬件电路;最后,进行了该传感器的软件设计。实验结果表明,该智能压力传感器结构简单,线性化程度好,测量精度高,适用于航空发动机分布式控制系统。

基于BP网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。

基于LDIW-PSO算法的BP神经网络在压力传感器中的应用

提出基于LDIW-PSO算法优化的BP神经网络温度补偿方法。优化的BP神经网络使用LDIWPSO算法调整其权值和阈值,使之收敛速度快,不会产生局部极小值问题。通过实验和仿真结果可以看出:该算法对温度补偿精度高、误差小,效果明显。

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

压力传感器的输入输出特性大都存在非线性,且易受工作环境温度的影响。利用LabVIEW图形化编程语言,辅以多参量数据采集卡,采用了基于BP神经网络压力传感器非线性校正的模型、算法和实现方法,探讨了虚拟仪器系统中对压力传感器特性进行温度非线性校正。通过计算机仿真与应用,显示了在虚拟仪器系统中使用这种方法不但使压力传感器的性能得到了改善,而且计算时间短,准确度高,有实际应用价值。

基于BP神经网络温度补偿的压力传感器无线数据采集系统

介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经网络算法对其实现温度的软件补偿。该算法有效改善了传感器的非线性及温度变化所引起的输出的误差,提高了测量精确性和可靠性。通过无线收发模块PTR2000实现了数据的无线传输。该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收,并具有成本低、可靠性好、实用性强等优点。

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0.035%,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。

基于BP神经网络的压力传感器数据融合研究

压力传感器由于输出电压值易受环境温度、电压扰动等非目标参量的影响而导致精度大大降低。该文采用BP神经网络对压力和温度2个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度。结果表明,采用BP神经网络进行数据融合,能够提高传感器的稳定性及其精度,仿真验证了该方法的有效性和可行性。

基于BP神经网络的压力传感器数据融合

多传感器数据融合问题已经引起许多学者的广泛关注.通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响还受多个非目标参量的影响.由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低.针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献资料后,经过研究,本文提出了基于电压门限值,通过对传感器输出电压值进行预处理,然后再利用BP神经网络对数据进行融合补偿的方法,提高其鲁棒性、容错性、实时性.

LabVIEW设计中压力传感器的BP神经网络温度非线形校正

介绍了LabVIEW设计中采用BP神经网络校正压力传感器系统的温度非线性校正的原理和方法,通过计算机仿真与应用,显示了这种方法使压力传感器的性能得到了改善,网络结构简单,准确度高,有实际应用价值。

基于NSGA-Ⅱ&BP的应变片式压力传感器温度补偿研究

应变片式压力传感器容易受到温度的影响,需要对该传感器进行温度补偿,针对该问题提出一种带精英策略的快速非排序遗传算法(NSGA-Ⅱ)与BP神经网络相结合的软件补偿模型。该模型将BP神经网络中2个输出值与期望值误差作为NSGA-Ⅱ同时寻求最小的2个目标,对BP神经网络初始权值和阈值进行优化,克服单一BP神经易陷入局部极小值的缺陷。通过该算法模型对不同温度下压力传感器的输出值进行数据融合,研究结果表明,补偿后的传感器零位温度系数(α0)和灵敏度温度系数(αs)均提高两个数量级,从而证明NSGA-Ⅱ&BP算法的温度补偿模型可以有效提高该传感器的温度稳定性。

基于PSO-BP模型的扩散硅压力传感器温度补偿

硅的电导率易受温度影响,导致扩散硅压力传感器的输出电压随温度变化产生漂移,需对该传感器进行温度补偿,针对该问题提出粒子群优化的BP神经网络算法(PSO-BP)。通过二维标定实验,利用温度传感器监测实验环境温度,得到扩散硅压力传感器在不同工作温度下的输入输出特性曲线,建立PSO-BP模型。该模型利用粒子群算法全局寻优的能力为BP神经网络算法初始权值和阈值选取最优解,弥补传统BP神经网络初始值随机选取的弊端,克服容易局部陷入极值的缺陷。实验结果表明,经过PSO-BP模型补偿后的输出零位温度系数和灵敏度温度系数均减小一个数量级,证实该模型能够有效降低温度对扩散硅压力传感器的影响。

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法(DE)优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。

基于BP神经网络的压力传感器温度补偿方法研究

硅压阻式压力传感器在工作时受温度的影响较大,随着温度的升高或降低,传感器的实际测量值会出现一定的误差,出现温度漂移的现象,为了抑制温度漂移对传感器的影响,采用人工神经网络中的BP神经网络的方法对温度漂移现象进行补偿,通过对补偿前后数据的对比,使传感器的灵敏度温度系数和满量程误差分别提升了两个数量级,得到了较为理想的效果,提升了传感器的性能和可靠性。

基于BP神经网络PID的活塞式深海压力传感器压力控制研究

为了提高深海大压力下微小波动压力的测量精度,文章介绍了一种新型的、基于液体可压缩性的、压力平衡式的活塞式压力传感器,针对该活塞式压力传感器压力控制系统存在的非线性、参数时变性以及时滞问题,提出将反向传播(back propagation,BP)神经网络与常规比例积分微分(proportional integral derivative,PID)相结合用于传感器的压力控制;设计BP神经网络PID控制器,利用BP神经网络的在线自学习能力对常规PID控制器的参数进行在线自动调节;在建立系统数学模型并进行Matlab仿真实验验证可行性后,搭建实物平台进行实验分析。阶跃实验结果表明,与常规PID控制相比,BP神经网络PID的调整时间和超调量均有所减小,其动态响应能力得到提高,表现出较好的自适应能力。