本文關(guān)鍵詞：傳感器校正的優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模方法研究，，由筆耕文化傳播整理發(fā)布。

傳感器校正的優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模方法研究 Research on optimized grey neural network modeling method for sensor calibration

    

 新浪微博

 騰訊微博

 豆瓣

 人人網(wǎng)

摘要：

隨著測(cè)試技術(shù)的發(fā)展,傳感器被廣泛應(yīng)用于各種精密測(cè)量與檢測(cè)領(lǐng)域.由于受到被測(cè)量對(duì)象、測(cè)量環(huán)境等因素影響,其輸入輸出特性會(huì)產(chǎn)生各種誤差.提出了一種基于神經(jīng)網(wǎng)絡(luò)優(yōu)化的灰色GM(1,N)系統(tǒng)的非線性傳感器的校正方法,使得通過(guò)該方法補(bǔ)償?shù)奈灰苽鞲衅骶哂欣硐氲妮斎胼敵鎏匦?將傳感器校正過(guò)程分為數(shù)學(xué)表達(dá)式求解環(huán)節(jié)和誤差逼近環(huán)節(jié).首先將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行統(tǒng)一化數(shù)據(jù)處理,提出灰色GM(1,N)模型的優(yōu)化灰色系數(shù)矩陣求解方法以及利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射特性來(lái)求取灰色模型的合理初始條件(1,C),彌補(bǔ)GM(1,N)模型自身模型求解的缺陷,獲得高精度的傳感器校正數(shù)學(xué)函數(shù)表達(dá)式.然后,利用RBF神經(jīng)網(wǎng)絡(luò)良好的局部逼近能力對(duì)殘差修正,實(shí)現(xiàn)傳感器校正的精度要求.最后,推導(dǎo)出優(yōu)化后的合并模型,實(shí)現(xiàn)對(duì)傳感器的校正.與其他信息融合技術(shù)相比,該方法能給出傳感器校正數(shù)學(xué)函數(shù)表達(dá)式,充分利用各模型的優(yōu)點(diǎn),在小樣本、貧信息的情況下依然可以獲得很高的校正精度.實(shí)驗(yàn)證明該優(yōu)化模型的模型精度為99.8％,模型平均殘差約為5.5 nm,模型精度滿足要求,方法切實(shí)有效.

  本文關(guān)鍵詞：傳感器校正的優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模方法研究，由筆耕文化傳播整理發(fā)布。