基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法技术

本发明专利技术公开了一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，首先对谐振式智能传感器的输入输出进行数据采集，然后根据精度要求设定神经网络相关参数，保证网络计算速度和精度，最后将数据送入网络，通过马氏距离的模糊聚类方法完成网络节点中心值和马氏矩阵的计算，并完成权值计算，最终得到网络结构参数。本发明专利技术的优点在于用较小的神经网络结构实现高精度误差补偿，克服了传统算法精度低，网络结构庞大的缺点。

【技术实现步骤摘要】

本专利技术涉及一种智能传感器迟滞误差补偿方法，特别涉及一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿技术，可以自适应的调整误差补偿网络参数。
技术介绍
谐振式智能传感器作为一种常用传感器，具有精度高，性能稳定，抗干扰能力强等特点。但是由于材料特性等导致的非线性误差一直是影响谐振式智能传感器精度的一大障碍。这其中一个重要组成部分就是迟滞误差。现有的迟滞误差处理方法一般采用最小二乘法:即通过多项式拟合非线性迟滞曲线，使下式最小E2= Σ [F(Xi)-Yi]2完成对迟滞误差的补偿。上述方法虽然计算量小，计算速度高，但是由于最小二乘法算法的局限性，算法精度并不高。或者依赖于某种迟滞模型，如Preisach模型或JA模型，,Bouce-Wen模型等进行运算,如下式是Preisach模型的迟滞误差计算公式[000

【技术保护点】
一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，其特征在于：包括以下步骤：（1）对谐振式传感器的输入输出数据进行采集，构成输入输出训练数据集；（2）初始化网络：根据数据集数量和补偿精度、补偿速度选择网络参数，包括网络中心节点数，并对马氏矩阵赋初值；（3）将输入向量投影到马氏空间送入网络进行模糊聚类直至相邻两次的聚类相同；（4）通过完成聚类的数据进行输出层权值计算，计算输出误差，若不满足精度要求，则返回步骤（2），对马氏矩阵进行调整，重复以上步骤，直到满足终止精度要求，循环停止，最后进行网络输出权值计算。

【技术特征摘要】
1.一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，其特征在于:包括以下步骤: (1)对谐振式传感器的输入输出数据进行采集，构成输入输出训练数据集； (2)初始化网络:根据数据集数量和补偿精度、补偿速度选择网络参数，包括网络中心节点数，并对马氏矩阵赋初值； (3)将输入向量投影到马氏空间送入网络进行模糊聚类直至相邻两次的聚类相同； (4)通过完成聚类的数据进行输出层权值计算，计算输出误差，若不满足精度要求，则返回步骤(2)，对马氏矩阵进行调整，重复以上步骤，直到满足终止精度要求，循环停止，最后进行网络输出权值计算。2.如权利要求1所述基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，其特征在于，步骤(I)中的数据集中至少包含加载区间内的极大值及极小值。3.如权利要求1所述基于马氏核FCM算法的谐振式智能传感...

【专利技术属性】
技术研发人员：杨川，张原，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：