基于沙猫群优化算法和BP模型的光纤陀螺温度补偿研究

为有效补偿光纤陀螺输出精度的温度误差,分析了光纤陀螺温度误差产生机理,基于沙猫群优化算法(Sand Cat Swarm Optimization,SCSO)优化后的反向传播(Back Propagation,BP)神经网络,建立了SCSO-BP温度补偿模型,并对某高精度光纤陀螺进行了温度补偿实验。实验结果表明:在-40~70℃环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近95%,相较于BP神经网络补偿算法减小了86%左右,相较于蜣螂优化算法优化后的BP温度补偿模型减小了近58%;该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型。针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿。同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数。实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性。

基于粒子群优化算法-支持向量回归算法的氨氮传感器温度补偿

针对野外低温环境下,基于铵离子选择性电极的氨氮传感器检测失准问题,通过分析传感器检测原理,在0~30℃进行了水质标样氨氮检测对比实验,探究了温度变化对氨氮传感器输出结果的影响;将粒子群优化算法(particle swarm optimization,PSO)与支持向量回归(support vector regression,SVR)结合,建立了氨氮检测的PSO-SVR温度补偿模型,并与最小二乘多项式回归、传统SVR建立的温度补偿模型对比,PSO-SVR温度补偿模型具有较高的决定系数和较小均方根误差(root mean square error,RMSE)。在实际水样检测实验中,经过该模型补偿后氨氮传感器的输出值与实验室内根据《水质氨氮测定》(HJ 535—2009)测得的氨氮标准值之间最高偏差为4.76%,最低偏差为0.64%,偏差范围符合预期补偿目标,表明模型具有较高的温度补偿精度,对非训练数据具有良好的泛化能力,能够满足实际使用的精度要求。

基于AMCPSO优化Kriging插值的温度补偿方法研究

为了降低温度变化对转换力传感器测量精度的影响,提出一种自适应变异混沌粒子群算法(AMCPSO)优化Kriging插值的温度补偿算法(AMCPSO-Kriging)。研发转换力传感器,分析温度对传感器输出的影响,建立温度补偿标定实验平台,通过标定实验获得建立温度补偿模型所需要的样本集,采用数据稀疏化方法对样本数据进行优化。通过Kriging插值构建了温度补偿模型,利用AMCPSO算法以交叉验证方式下模型预测产生的均方根误差和作为适应度函数,对Kriging插值中的范围参数θ和平滑度参数pk进行寻优求解,得到性能最佳的温度补偿模型。基于AMCPSO-Kriging温度补偿模型对转换力传感器的测量效果进行实验验证,与标准力传感器进行对比。实验结果表明:对样本数据进行稀疏化处理,算法平均运行时间从1076 s减少到6 s,提高了温度补偿算法的运行效率。在−20~70℃温度范围内,经过AMCPSO算法优化的Kriging模型有效提高了转换力传感器的测量精度,相比于未经AMCPSO算法优化的Kriging插值,转换力传感器测量的平均满量程误差从1.2%FS降低到0.6%FS。通过现场实验验证温度补偿的效果,转换力传感器测量的绝对误差在70 N以内,最大满量程误差为2.3%FS。所提出的温度补偿方法有效消除了温度对传感器测量精度的影响,满足铁路工况使用要求,对转换力传感器在铁路上实际运用具有重要价值。

基于自适应深度置信网络的压力变送器温度补偿方法研究

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。

优化BP神经网络的光纤陀螺温度漂移建模与补偿

光纤陀螺(FOG)温度漂移误差是影响其输出精度的主要误差源之一。针对基于传统BP神经网络FOG温度误差补偿方案适用性较差的问题,提出了优化预测数据的BP神经网络补偿算法,利用最优线性平滑技术以及滑动平均技术对神经网络待补偿数据进行预处理,可以有效减小FOG输出白噪声对温度漂移网络模型补偿精度的干扰,优化神经网络模型的补偿效果。使用FOG温度漂移实测数据对所提出的优化算法进行验证,结果表明利用本文提出的两种建模及补偿方案进行补偿后的FOG温度漂移数据标准差相比传统BP神经网络补偿方法减少50%以上。

霍尔效应式力传感器的温度补偿

针对霍尔效应式力传感器温度漂移的问题,提出了混沌自适应鲸鱼优化BP神经网络(CIWOA-BP)的温度补偿新模型。该模型通过Cubic映射作为初始鲸鱼种群生成方法,以提高种群的质量和分布均匀性。引入自适应权重调整鲸鱼的收缩包围机制,提高算法的全局搜索能力和收敛性。利用CIWOA算法对反向传播(back propagation,BP)神经网络的初始权值和阈值进行优化,使模型具有更好的测量精度和稳定性。研究结果表明,温度补偿以后霍尔效应式力传感器的灵敏度温度系数αs由5.08×10^(-3)/℃减少至9.8×10^(-5)/℃,减小了2个数量级,温度附加相对误差由补偿前的19.82%减小到了0.38%,减小了52倍以上,从而有效的减弱了温度对测量结果的影响。

基于PSO优化SVM的MEMS加速度计温度补偿方法研究

温度对MEMS加速度计性能的影响至关重要。结合扭摆式硅微加速度计的结构及温度特性,采用基于自适应权重的粒子群优化算法来优化支持向量机算法,创建MEMS加速度计温度补偿模型,并利用STM32F405RG64实现实时温度补偿系统。实验结果表明,补偿后加速度计的标度因数温度系数、全温零偏极差、非线性度分别由补偿前的264 ppm/℃,71.98 mg,2.07%降低到105 ppm/℃,10.31 mg,0.25%,可见补偿后加速度计的性能得到比较明显的改进,能证明该方法的有效性和可行性。

基于改进的RBF神经网络倾角传感器温度补偿方法研究

针对MEMS倾角传感器零位温度漂移问题,提出了粒子群优化(PSO)算法和遗传算法(GA)相结合优化径向基函数(RBF)神经网络的补偿方法,克服了RBF神经网络收敛慢、泛用性低的缺陷。结果表明:该方法能够有效地消除温度对MEMS倾角传感器输出的影响。相较于RBF神经网络模型,最大相对误差(MRE)减小了21.03%,均方根误差(RMSE)减小了23.54%,温度漂移得到明显改善,提高了倾角传感器的稳定性与准确性。

PSO优化SVM的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种粒子群优化(PSO)算法和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间,并进行线性拟合,保证泛化能力。然后,利用粒子群算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明:经PSO调节支持向量机算法补偿后,陀螺输出精度更高;与最小二乘法、BP神经网络法相比,陀螺输出数据方差分别减小了81.3%和57%,最大误差分别减小54.7%和48.5%。

带温度补偿的神经网络用于电力系统短期负荷预测

带温度补偿的神经网络结构和短期负荷预测方法在前向神经网络的输入和输出节点上对负荷引入了相应的温度补偿,其中所涉及的临界温度和温度补偿系数将与前向神经网络本身的权系数一起通过训练而自动获得。对陕西电网2001年1月开始连续45个月的预测试验结果表明,高温日期的平均负荷预测精度比用常规前向神经网络高3％-6％。神经网络的训练采用求解无约束最优化问题的BFGS算法,不但保证了神经网络学习的收敛性,而且可以减少隐节点的数目,使神经网络的推广能力和预测精度显著提高。

基于PSO算法的半球谐振陀螺惯导系统陀螺温度补偿方法

针对半球谐振陀螺受温度影响出现零位漂移的问题,以测温电路温度为基准,建立温度-频率函数实时解算温度,提出一种基于粒子群优化(PSO)算法的半球谐振陀螺惯导系统陀螺温度补偿方法。在求解温度时,需要先将温度-频率函数转换为一元三次方程,存在测试计算量大的问题。引入逆向拟合思想,建立频率-温度函数,提高陀螺输出温度实时性和降低测试计算量,替代了传统陀螺测温硬件电路,为惯导系统轻小型设计提供新思路。考虑温度变化、温度变化率以及两者的交叉项,建立温度补偿模型,引入PSO算法求解模型系数。温度试验结果表明,在温箱温度为-40~50℃内,补偿后的半球谐振陀螺的零偏稳定性较补偿前提升了46%。

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。

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PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。

基于SCA-LSSVM的电涡流传感器温度补偿方法研究

针对电涡流传感器容易受环境温度影响产生温度漂移这一现象,采用最小二乘支持向量机(LSSVM)建立回归模型,并将正余弦算法应用于回归模型的参数优化。通过正余弦算法对LSSVM的惩罚因子c和核函数参数δ进行优化选取,得到最佳的传感器回归模型,并和粒子群算法优化最小二乘支持向量机(PSO-LSSVM)进行比较。实验结果表明,SCA和PSO优化后模型计算结果均方误差分别为9.97×10^(-4)、4.39×10^(-3),模型优化耗时分别为578s、782s,传感器温度灵敏度系数分别为8.73×10^(-6)/℃、7.63×10^(-5)/℃。可以看出SCA算法在模型优化误差和优化效率方面均优于PSO算法。该方法提高了传感器的温度稳定性和系统检测精度,具有很强的实际应用价值。

基于WDO-LSSVM的MEMS陀螺仪零偏温度补偿

微机电系统(MEMS)陀螺仪的零位偏移是影响惯性导航定位精度的主要原因之一。针对MEMS陀螺仪零位随温度变化的非线性偏移问题,提出一种基于风驱动优化-最小二乘支持向量机(WDO-LSSVM)的MEMS陀螺仪零偏温度补偿模型。通过小波变换对MEMS陀螺仪三轴输出数据进行滤波预处理,结合最小二乘支持向量机(LSSVM)和风驱动优化(WDO)算法,构建MEMS陀螺仪的零偏温度补偿模型。实验结果表明:与传统的反向传播神经网络(BP)模型、粒子群优化-最小二乘支持向量机(PSO-LSSVM)模型相比,所提模型的陀螺仪零偏均方根误差和平均绝对误差均减小了约50%,实现了具有良好普适性的MEMS陀螺仪零偏温度补偿,进而可以提高惯性导航系统的定位精度。

霍尔效应式位移传感器的温度补偿

针对霍尔位移传感器温度漂移的问题,提出了一种基于粒子群优化算法与遗传算法优化最小二乘支持向量机(PSO-GA-LSSVM)的温度补偿新模型。该模型利用粒子群优化算法对最小二乘支持向量机中的惩罚因子和核函数进行优化选取,提高了模型的训练速度与准确度;并引入遗传算法中的变异思想,拓展模型的群搜索空间,提高了寻取更优值的概率。研究结果表明,补偿后该传感器的零位温度系数由1.25×10^-2/℃减小到6.33×10^-4/℃,其灵敏度系数由4.55×10^-3/℃减小到4.22×10^-4/℃,均提升了一个数量级,实现了对该传感器的温度补偿。

基于SSO算法优化神经网络的数控机床热误差建模

针对影响五轴数控机床加工精度的复杂热特性,提出了一种用于摇篮式五轴数控机床热误差建模方法.该方法主要采用鲨鱼嗅觉优化(SSO)算法和神经网络的复合建模方式,有效提高了机床热误差预测模型的精度和建模效率.首先通过使用热成像仪筛选出机床的温度敏感点,然后将温度传感器布置在机床热敏感点的位置,将采集到的热特性数据采用本文所提方法进行热误差建模,结果表明,该方法在建模速度和精度上要优于ABC和PSO神经网络,最后将该热误差预测模型应用于五轴数控机床热误差补偿实验,将试件加工精度提高了32%.

基于GA-WNN模型的差动螺管电感式位移传感器的温度补偿

针对差动螺管式电感位移传感器温度漂移的问题,提出了一种遗传优化小波神经网络(GA-WNN)算法的温度补偿模型。用差动螺管式电感位移传感器的位移和温度的二维标定试验数据,建立GA-WNN模型。该模型利用遗传算法对小波神经网络的参数进行全局优化,克服了小波神经网络易陷入局部最优解的不足。试验结果表明,优化后的零点温度系数提高了2个数量级,灵敏度温度系数提高了1个数量级,实现了对传感器的温度补偿。