基于BP-GA算法的时栅传感器信号健康状况预测

为了提高时栅传感系统的测量精度,本文设计了一种综合运用BP神经网络与灰色模型进行预测的模型。根据激励信号的实际误差引起的测试精度变化,得到预测模型的各项参数。之后建立组合预测模型并设置了健康状况的参考标准。经测试发现,经健康诊断标准判定,健康状况预测结果与电路实际相符。该健康状况预测方法预测精度高,且明显高于单一模型,满足提前准确获悉电路系统健康状况的要求。

时栅传感器信号处理健康状况BP-GA预测分析

BP神经网络收敛效率高,但存在局部最优解的问题,遗传算法最优解精度高,但存在较大的依赖性。结合两者的有点,设计了一种BP-GA预测模型,并成功应用于时栅传感器信号处理领域。研究结果表明,组合模型产生的大部分测试点都比较靠近预测曲线,达到了很高的相关系数,误差也较低。采用此健康预测模式可以实现高可靠性与高精度的预测效果,能够提前掌握电路系统的健康情况。该健康状况预测方法预测精度高,且明显高于单一模型,满足提前准确获悉电路系统健康状况的要求。

基于组合模型的时栅信号处理系统健康状况预测

为了保障时栅传感系统稳定性、提高测量精度,提出一种基于ELMAN神经网络和灰色模型组合预测的时栅信号处理系统健康状况预测方法。采用克朗巴哈系数法分析确定激励信号幅值、相位为预测参数。基于ELMAN神经网络及灰色模型,结合加权-比例-平均思想实现了组合模型建模。根据系统运行实际,以幅值和相位的相对误差为指标,制定健康诊断标准。实验结果表明,组合模型预测结果的相对误差、预测均方差和相对系数分别为0.101 6、0.011 9和0.988 5,预测误差小、相关性高。经健康诊断标准判定,健康状况预测结果与电路实际相符。该健康状况预测方法预测精度高,且明显高于单一模型,满足提前准确获悉电路系统健康状况的要求。