遗传算法RBF神经网络在涡流传感器非线性补偿中的应用制造技术

遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，它涉及一种涡流传感器技术领域。用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本。采用上述技术方案后，本发明专利技术有益效果为：具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高，网络训练速度快、能实现在线软补偿。

【技术实现步骤摘要】
遗传算法RBF神经网络在涡流传感器非线性补偿中的应用
本专利技术涉及涡流传感器
，具体涉及一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用。
技术介绍
涡流传感器是一种能将机械位移、振幅等参量转换成电信号输出的非电量电测装置。它具有结构简单、灵敏度高、适用性强、易于进行非接触测量、不损伤被测工件表面等优点，在工业领域中得到了较为广泛的应用。它的基本用途是基于其位移输出特性，即输出信号的某些特征反映了位移输入量的大小。在利用涡流传感器进行测量时,存在输入和输出之间的非线性关系,为了保证一定的测量精度及便于在测控系统中应用，必须对其进行非线性补偿。目前常用补偿方法有硬件补偿法和软件法，但由于涡流传感器严重的非线性，用硬件电路补偿时，电路复杂，补偿精度也不高。在微机化的智能仪器和控制系统中，常用软件代替硬件进行非线性补偿，并已得到了广泛的应用。
技术实现思路
本专利技术的目的在于针对现有技术的缺陷和不足，提供一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高、鲁棒性好、网络训练速度快、能本文档来自技高网...

【技术保护点】
1.遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于它包含如下步骤：步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重...

【技术特征摘要】
1.遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于它包含如下步骤：步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。2.根据权利要求1所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述遗传算法优化为采用适应度函数：控制基因用二进制编码，参数基因采用实数编码，群体规模取100，同时对RBF神经网络参数和拓扑结构进行优化，式中——网络对应第i个输入样本对应的网络输出，yi是其希望输出，m1是总的学习样本数，N是隐节点数，R是网络...

【专利技术属性】
技术研发人员：俞阿龙，戴金桥，孙红兵，
申请(专利权)人：淮阴师范学院，
类型：发明
国别省市：江苏,32