文献类型：期刊文章

作　　者：何伟铭[1,2] 宋小奇[1,2] 甘屹[1] 李郝林[1] 井原透[2]

机构地区：[1]上海理工大学机械工程学院,中国上海200093 [2]日本中央大学理工学部,日本东京112-8551

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51375314)资助项目

年　　份：2014

卷　　号：35

期　　号：3

起止页码：504-512

语　　种：中文

收录情况：BDHX、BDHX2011、CAS、CSCD、CSCD2013_2014、EI(收录号：20141617586361)、IC、INSPEC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：随着测试技术的发展,传感器被广泛应用于各种精密测量与检测领域。由于受到被测量对象、测量环境等因素影响,其输入输出特性会产生各种误差。提出了一种基于神经网络优化的灰色GM(1,N)系统的非线性传感器的校正方法,使得通过该方法补偿的位移传感器具有理想的输入输出特性。将传感器校正过程分为数学表达式求解环节和误差逼近环节。首先将实验数据进行统一化数据处理,提出灰色GM(1,N)模型的优化灰色系数矩阵求解方法以及利用BP神经网络的非线性映射特性来求取灰色模型的合理初始条件(1,C),弥补GM(1,N)模型自身模型求解的缺陷,获得高精度的传感器校正数学函数表达式。然后,利用RBF神经网络良好的局部逼近能力对残差修正,实现传感器校正的精度要求。最后,推导出优化后的合并模型,实现对传感器的校正。与其他信息融合技术相比,该方法能给出传感器校正数学函数表达式,充分利用各模型的优点,在小样本、贫信息的情况下依然可以获得很高的校正精度。实验证明该优化模型的模型精度为99.8%,模型平均残差约为5.5 nm,模型精度满足要求,方法切实有效。

关 键 词：传感器校正 非线性误差  GM(1,N) 神经网络

分 类 号：TP212] TH7]