《压力传感器的校正的改进超限学习机方法》PDF+DOC
作者:李小芳,谢剑猛
单位:沈阳仪表科学研究院有限公司
出版:《仪表技术与传感器》2016年第09期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFYBJS2016090250
DOC编号:DOCYBJS2016090259
下载格式:PDF + Word/doc 文字可复制、可编辑
《一种基于超限学习机的电子磁罗盘非线性误差补偿方法》PDF+DOC2018年第07期 韦宝泉,陈忠斌,林知明
《采用神经网络数据融合改善传感器的静态特性》PDF+DOC1999年第11期 贾要勤,常炳国
《LabVIEW设计中压力传感器的BP神经网络温度非线形校正》PDF+DOC2006年第04期 朱滨峰,徐桂云,李俊敏
《优化RBF神经网络在压力传感器中的应用》PDF+DOC2012年第03期 彭继慎,程英
《传感器非线性校正的遗传支持向量机方法》PDF+DOC2011年第01期 刘涛,王华
《改进的动态最近邻聚类算法在传感器校正中的应用》PDF+DOC2011年第01期 李文江,程海英,闫孝姮
《压力传感器数据融合算法研究》PDF+DOC2009年第09期 许安涛
《传感器标定的非线性校正研究》PDF+DOC2013年第04期 周伟,包建东,丁良华
《嵌入DeviceNet总线接口的智能差压传感器系统》PDF+DOC2005年第12期 郑磊,付敬奇,董新平
《基于人工神经网络的压力传感器三维数据融合》PDF+DOC2007年第02期 钱光耀,杨入超,赵光兴
随着测试技术的发展,压力传感器被广发的应用于各种精密测量和检测领域。由于受到被测量对象、测量环境等因素影响,其输出会产生各种误差,而常用的神经网络不能很好解决此问题。文中提出一种采用小波函数和超限学习机相结合的新方法,阐述了传感器的非线性校正原理和小波函数超限学习机的实现过程,并分别采用BP神经网络法,传统超限学习机和小波超限学习机对压力传感器进行非线性校正。实验结果表明:BP神经网络法使得传感器的最大相对波动由初始的22.32%降低到1.758%;而传统超限学习机方法使其降低到0.038%,小波超限学习机则使其降低到0.026%,改善了传感器的工作性能;同时训练过程误差曲线图表明小波超限学习机的收敛速度和训练误差,显著高于BP神经网络。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。