基于ANFIS的温度传感器非线性校正方法

介绍了用神经网络进行传感器非线性误差校正的原理与方法,分析了自适应神经模糊推理系统(ANFIS)的基本原理。通过模糊聚类和混合学习算法,ANFIS可以逼近高阶输入输出非线性系统,将该算法用于两个典型非线性系统建模,均能获得满意结果。之后,将ANFIS算法用于温度传感器非线性校正中,试验结果表明该方法与基于CMAC网络和BP网络的校正方法相比,校正的精度高于以上两种校正方法。

基于最优模糊系统的非线性校准数据计算方法

为了将通过非线性传感器测量的参数转换为参数物理量,研究了最小二乘多项式拟合非线性传感器校准数据的局限性,提出了基于最优模糊系统,采用最近邻聚类方法设计模糊系统,实现对非线性传感器校准数据的精确拟合。通过调整最小二乘多项式和最近邻聚类模糊系统两种方法的计算参数,对比分析了校准数据拟合曲线随参数调整的变化情况。实验结果验证了该方法的有效性,适当调整聚类算法的平滑参数和聚类半径,即可以任意精度逼近非线性的校准数据,明显优于传统的最小二乘多项式拟合方法,且简便、实用。