为了保证数字温度传感器对温度的准确读取,需要对传感器温度误差展开有效控制。为了提高数字温度传感器温度误差控制效果,提出基于混沌误差反向传播(Error Back Propagation Training,BP)神经网络算法的数字温度传感器温度误差模糊控制...为了保证数字温度传感器对温度的准确读取,需要对传感器温度误差展开有效控制。为了提高数字温度传感器温度误差控制效果,提出基于混沌误差反向传播(Error Back Propagation Training,BP)神经网络算法的数字温度传感器温度误差模糊控制方法。首先利用经验模态分解法对收集到的温度测量数据展开去噪处理,计算不同温度区间内的温度测量超差概率,进而实现误差特征阈值的提取;建立三层神经网络,通过对温度误差的反复训练达到温度补偿目的。引入Logistic映射法与混沌扩频序列法,计算混沌系数间的互协方差函数,采用M-N-L结构的前馈网络对原BP网络的三层建构展开优化,并以此提高温度误差模糊控制的精度。测试结果表明:方法对传感器温度误差的提取值与实际超差值的差距低于0.03,收敛步数小于120步,误差补偿后误差比率低于19.3%,残差平方和低于0.23,对传感器温度误差的控制更加精准,温度补偿的效率更高,提高了误差控制效果。展开更多
文摘为了保证数字温度传感器对温度的准确读取,需要对传感器温度误差展开有效控制。为了提高数字温度传感器温度误差控制效果,提出基于混沌误差反向传播(Error Back Propagation Training,BP)神经网络算法的数字温度传感器温度误差模糊控制方法。首先利用经验模态分解法对收集到的温度测量数据展开去噪处理,计算不同温度区间内的温度测量超差概率,进而实现误差特征阈值的提取;建立三层神经网络,通过对温度误差的反复训练达到温度补偿目的。引入Logistic映射法与混沌扩频序列法,计算混沌系数间的互协方差函数,采用M-N-L结构的前馈网络对原BP网络的三层建构展开优化,并以此提高温度误差模糊控制的精度。测试结果表明:方法对传感器温度误差的提取值与实际超差值的差距低于0.03,收敛步数小于120步,误差补偿后误差比率低于19.3%,残差平方和低于0.23,对传感器温度误差的控制更加精准,温度补偿的效率更高,提高了误差控制效果。