基于BP神经网络的传感器无效数据过滤器设计

基于催化原理的传感器在矿井环境工作时,受内在外在因素的干扰,测量的可燃气体浓度值存在误差过大的问题。设计了基于列文伯格-马夸尔特(L-M)训练算法及反向传播(BP)神经网络的传感器无效数据过滤器。通过离线采集传感器响应特性曲线数据的方式构建网络模型,并用Matlab工具对模型进行仿真训练。综合对比分析L-M训练算法、拟牛顿训练算法、自适应线性回归(LR)动量梯度下降训练算法的收敛速度和误差性能。对比结果表明,基于L-M训练算法构建的BP神经网络模型收敛速度更快、误差值更小、效率更高,有利于矿用催化原理传感器无效检测非线性数据的过滤。