基于FLANN的三轴磁强计误差校正研究

提出一种基于函数链接型神经网络(FLANN)的三轴磁强计误差修正方法。由于三轴非正交、灵敏度不一致及零点漂移所引起的误差降低了三轴磁强计的测量精度,因此有必要进行校正。本文先对与三轴磁强计系统参数有关的测量进行详细分析和理论计算;然后,设计矩阵形式的数学模型对该误差进行修正。通过构造相应的FLANN网络结构,实现对模型参数矩阵的辨识。用实际地磁场测量数据进行测试,结果表明,三轴磁强计的转向误差由800 nT修正到12 nT以下。因此,该研究为提高三轴磁强计性能提供了一种可行方法。

传感器动态建模FLANN方法改进研究

提出一种改进的函数连接型神经网络(FLANN),并将其应用于传感器动态建模。首先,将单输入单输出(SISO)的传感器系统表达为动态差分方程模型;再充分考虑动态模型输出的历史值与参数之间的关系,对模型输出与参数的偏导数进行重新推导,得到了对权值参数偏导数的更高精度估计;最后,利用该模型梯度进行迭代训练,加快了网络收敛速度并提高了收敛的稳定性。实验结果表明,改进FLANN具有更快的收敛速度和更强的鲁棒性,十分适合传感器动态系统的建模。

改进PSO算法结合FLANN在传感器动态建模中的应用

将改进的粒子群优化(PSO)算法和函数联接型神经网络(FLANN)相结合,实现传感器的动态线性建模。利用传感器的动态标定实验数据,首先训练FLANN神经网络,网络训练结束后的权值作为粒子群中某个粒子的初始值,而后利用改进的PSO算法继续寻优,得到的全局最优值即为所求的传感器动态模型的系数。实验结果表明,该方法结合了PSO和FLANN两者的优点,建模精度高。

基于FLANN和最小二乘的磁梯度计误差校正

在基于偶极子磁场分量梯度的水下磁异常定位方法中,三轴磁力计自身误差及两磁场坐标系配准误差等是限制水下定位精度的主要因素,因此有必要对其进行校正,补偿磁场分量梯度计测量值。建立了磁场分量梯度计的测量误差模型,提出了基于函数链接型神经网络(functional link artificial neural network,FLANN)和最小二乘法的磁场分量梯度计误差校正方法,给出了误差参数辨识及校正算法,数值仿真和实测数据证明了校正算法具有良好的收敛性,能显著地抑制磁场分量梯度测量误差,该校正方法为提高磁场分量梯度计性能提供了一种可行途径。

电容压力传感器的FLANN建模方法

旨在开发一种计算简单的电容压力传感器的模型 ,以便经济、可靠地应用。分析表明采用新型函数链接型神经网络建立的电容压力传感器模型能够精确读出应用压力 ,它是一种能实现输入到输出的高度非线性映射并且运算高效的非线性网络 。

基于FLANN的腕力传感器动态补偿方法

根据“逆模型”的思想,利用神经元网络良好的逼近能力,提出了基于函数联接型神经网络的传感器动态补偿方法。该方法设计的动态补偿器实现简单,实时性好;不依赖于传感器的模型,鲁棒性强;可以优化补偿器的参数。该方法的补偿效果比零极点配置方法的好,是一种非常有效的新方法。

基于FLANN的腕力传感器动态建模方法

本文将函数联接型神经网络 (FL ANN)引入传感器动态特性的研究。利用神经元网络良好的逼近能力 ,建立腕力传感器的动态数学模型。该方法所建模型阶次低 ,准确度高 ,对数据个数和采样频率无特殊要求 ,比其它方法更为有效和实用。

基于FLANN的传感器动态特性研究方法

将函数联接型神经网络引入传感器动态特性的研究，利用神经元网络良好的逼近能力，建立腕力传感器的动态数学模型，该方法所建模型阶次低，精度 数据个数和采样频率无特殊要求。

一种基于LS-SVM构造FLANN的热电偶非线性校正方法

提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②整个训练过程中有且仅有一个全局极值点,确定了所构造FLANN补偿器的唯一性,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.

基于SVM构造的FLANN数据融合方法在CPS修正中的应用

在对常规函数链接型神经网络(FLANN)构造方法的认识基础上,讨论了一种基于支持向量机(SVM)技术的FLANN构造新方法,并利用该方法对实际的电容压力传感器(CPS)系统进行非线性修正及温度补偿。先将SVM的拓扑结构与常规FLANN结构进行比较,确定两者的等价性。因此,可通过SVM求解二次规划问题来实现FLANN结构的唯一优化。用常规FLANN方法在同样条件下进行对比实验,实验结果表明用该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点,特别是在实验数据较少的小样本条件下仍然具有更高的鲁棒性和修正精度。

基于FLANN的动态称重法

根据“逆模型”的思想 ,利用神经元网络良好的逼近能力 ,基于函数联接型神经网络 ( FLANN)的传感器动态补偿方法和最小二乘法 。

改进遗传算法结合FLANN在加速度传感器动态建模中的应用

对遗传算法(GA)的交叉和变异操作进行改进,提出利用改进遗传算法(IGA)和函数连接型人工神经网络(FLANN)相结合实现加速度传感器的动态建模的新方法。该方法利用加速度传感器的动态标定数据,采用IGA和FLANN相结合搜索和优化动态模型参数。文中介绍动态建模原理以及算法,给出用IGA和FLANN相结合建立的加速度传感器动态数学模型。结果表明:上面提出的动态建模方法既保留了GA的全局搜索能力和FLANN结构简单的特点,又具有网络训练速度快、实时性好、建模精度高等优点,在动态测试领域具有重要应用价值。

基于FLANN数据融合的木材含水率检测方法

针对木材含水率的检测精度受到多种环境因子(温度、平衡含水率、风速等)的影响,提出了一种基于函数联接型神经网络FLANN的数据融合方法以消除环境温度对木材含水率检测精度的扰动。FLANN能利用函数扩展替代多层感知器(MLP)的隐含层,将输入信号空间维度下的线性不可分类的问题,扩展至较高信号空间维度的超平面上,简化了MLP的架构。与MLP相比,FLANN具有结构简单、收敛速度快和计算量小的特点。仿真结果及实验验证表明:基于FLANN的数据融合方法,能有效消除环境因子的扰动,并可实现木材含水率的稳定、实时、高精度检测。

基于FLANN的称重传感器动态补偿方法

为满足快速称重的要求,结合遗传算法寻优速度快和函数联接型神经网络(FLANN)有较强的函数逼近能力的优点,设计了一种基于遗传算法优化的FLANN补偿器,实现对称重传感器的动态特性补偿。采用遗传算法优化FLANN的连接权值。仿真表明:阶跃响应时间快,且超调量小,有效地提高了称重传感器的动态响应过程,且方法简单,易于工程实现,具有实用价值。

基于HFLANN的MSMA传感器动态模型参数识别

由于磁控形状记忆合金MSMA存在固有迟滞非线性现象,严重影响传感器的测量精度。为了消除MSMA的迟滞非线性带来的负面影响,运用了一种迟滞函数链接型人工神经网络HFLANN来识别MSMA传感器动态模型参数。识别结果表明,HFLANN可以应用于MSMA传感器动态模型,应用HFLANN识别的MSMA传感器输出感应电压与实验输出感应电压十分吻合,验证了该方法可应用于MSMA传感器动态建模,为MSMA传感器优化设计和预测控制奠定了良好基础。

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

基于LS-SVM-FLANN的虚拟仪器系统非线性动态补偿

针对虚拟仪器系统存在的非线性动态测量误差,提出了一种新的补偿方法.该方法依据虚拟仪器系统的静态和动态标定数据,采用最小二乘支持向量机(LS-SVM)构造的函数链接型神经网络(FLANN)辨识得到静态补偿环节及动态补偿环节模型,再将其串接到原虚拟仪器系统的后面来修正其非线性特性,改善其动态特性,从而获得系统理想的输入输出特性.实验结果表明该方法用于虚拟仪器系统动态非线性误差补偿的有效性及优越性.

基于SVM回归的FLANN改进新法及其应用

通过分析常规函数链接型神经网络(FLANN)结构与支持向量机(SVM)的关系,确定了两者本质上的等价性;在此基础上提出了一种基于SVM技术的FLANN构造新方法,并将SVM-FLANN应用到称重传感器的动态补偿上。结果表明该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点,应用于称重传感器的动态补偿时,对传感器的性能改善效果明显,具有实用价值。

基于SVR构造FLANN的传感器动态补偿研究

提出了一种利用支持向量回归机（SVR）对函数链接型神经网络（FLANN）进行构造的新方法，并将其应用于传感器动态补偿。文中将SVR的解与常规FLANN估计进行对比，发现两者具有相同的问题形式，因此，在适当的参数条件下可通过SVR对FLANN进行优化构造。与常规FLANN构造方法比较，SVR-FLANN具有明显特点，即将权值迭代逼近问题转化为二次规划问题求解，使得在整个训练过程中有且仅有一个全局极值点，确定了所构造FLANN补偿器的唯一性。实际压力传感器动态补偿实验结果表明：用该方法构造的补偿器与常规方法相比，具有更高的精度、更强的抗干扰能力及更稳定的补偿效果。因此，更适合传感器动态补偿。

LS-SVM构造FLANN的非线性自适应逆控制动态补偿研究

在对常规函数链接型神经网络(FLANN)构造方法认识的基础上,研究了一种基于最小二乘支持向量机(LS-SVM)构造FLANN的新方法,并利用该方法对非线性对象模型及逆模型进行建立.将该方法的非线性系统辨识技术应用于自适应逆控制中,提高非线性系统的自适应性,改善动态特性.设计出了一种自适应逆控制系统,不仅可以得到较好的动态响应,还能使扰动减小到最小.