CN110059803A - 一种基于ga-bp的光纤位移传感器的温度补偿方法 - Google Patents
一种基于ga-bp的光纤位移传感器的温度补偿方法 Download PDFInfo
- Publication number
- CN110059803A CN110059803A CN201910265545.8A CN201910265545A CN110059803A CN 110059803 A CN110059803 A CN 110059803A CN 201910265545 A CN201910265545 A CN 201910265545A CN 110059803 A CN110059803 A CN 110059803A
- Authority
- CN
- China
- Prior art keywords
- temperature
- neural network
- value
- layer
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 24
- 239000013307 optical fiber Substances 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000035945 sensitivity Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 20
- 230000006978 adaptation Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010353 genetic engineering Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 3
- 239000000835 fiber Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 244000144992 flock Species 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013308 plastic optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于GA‑BP的光纤位移传感器的温度补偿方法，进行温度标定实验，获得实验数据；确定BP神经网络结构，通过遗传算法优化BP神经网络得到GA‑BP模型；将温度标定实验中得到的实验数据的一部分作为训练集，对GA‑BP模型进行训练，训练完成后将全部数据交由GA‑BP神经网络拟合，根据拟合结果的零位温度和灵敏度温度系数调整神经网络的参数以获得更好的拟合结果；将得到的参数固化到单片机中，通过单片机对原始测量数据进行处理以消除温度漂移对测量准确度的影响。本发明可以改善BP神经的自身缺陷，以得到更好的拟合效果。
Description
技术领域
本发明涉及光纤传感技术领域，特别是涉及一种基于GA-BP的光纤位移传感器的温度补偿方法。
背景技术
光纤传感技术以石英光纤或者塑料光纤作为信息的传输媒介，以信号光作为信息的载体，利用外界环境因素的变化来改变光在光纤中传播的光强、相位及波长等特征物理参量，从而实现对外界因素的传感测量。光纤是光纤位移传感器的基本制作材料，其良好的柔韧性、抗腐蚀以及抗电磁干扰等特性使之成为新型传感器的重要材料，也拓宽了光纤位移传感器的使用范围。然而随着工作环境温度的改变，光纤位移传感器的输出值会受到一定影响，进而影响其精度。
一般情况下，可以通过硬件方法或者软件方法对光纤位移传感器进行温度补偿。然而硬件补偿是极为繁琐与困难的，遗传算法(Genetic Algorithm,GA)模拟了生物进化论的自然选择和遗传学机理，是一种多点搜索全局优化的计算模型。它通过适应度函数来对种群中的个体进行处理，保留适应度高的个体进行选择、交叉和变异等遗传操作，这个过程模仿了自然进化，以致后代种群能比前代更好地适应环境，因此可在末代种群获得问题的最优解。其优化过程可分为种群初始化、计算个体适应度值和遗传操作三个阶段。
发明内容
本发明所要解决的技术问题是提供一种基于GA-BP的光纤位移传感器的温度补偿方法，能够得到更好的拟合效果。
本发明解决其技术问题所采用的技术方案是：提供一种基于GA-BP的光纤位移传感器的温度补偿方法，包括以下步骤：
(1)进行温度标定实验，获得实验数据；
(2)确定BP神经网络结构，通过遗传算法优化BP神经网络得到GA-BP模型；
(3)将温度标定实验中得到的实验数据的一部分作为训练集，对GA-BP模型进行训练，训练完成后将全部数据交由GA-BP神经网络拟合，根据拟合结果的零位温度和灵敏度温度系数调整神经网络的参数以获得更好的拟合结果；
(4)将得到的参数固化到单片机中，通过单片机对原始测量数据进行处理以消除温度漂移对测量准确度的影响。
所述步骤(2)中通过遗传算法优化BP神经网络具体为：
种群初始化：用遗传算法训练BP神经网络采用实数编码，所述BP神经网络为三层BP神经网络，设输入层神经元数为n，隐含层神经元数为q，输出层神经元数为m，输入层与隐含层的连接权值为Vi,j，隐含层与输出层的连接权值为Wj,k，隐含层与输出层的阈值分别为bj,bk，则编码的长度为n×q+q×m+q+m，在连接权值和阈值的范围内，随机生成M个染色体个体成为初始群体；
计算个体适应度值：选择训练数据期望输出与预测输出的差值绝对值，求和之后作为个体适应度值F，计算方法如下：式中：m为输出节点数；yi为BP神经网络第i个节点的期望输出；zi为BP神经网络第i个节点的预测输出；k为系数；
遗传操作：用轮盘赌选择法进行遗传算法的选择操作，每个个体χ的选择概率pχ与其适应度值大小成正比，计算方法如下：fχ＝k/Fχ，式中：Fχ为个体χ的适应度值；M为个体种群数；k为系数；用自适应交叉变异算子进行遗传算法的交叉和变异操作，当个体适应度值小于平均适应度值时，使用较大的交叉和变异概率，当个体适应度值大于平均适应度值时，使用较小的交叉和变异概率；自适应交叉概率的计算公式为：自适应变异概率的计算公式为：式中：Fa为待交叉个体的适应度值；Fb为待变异个体的适应度值；Fmax为当前种群中的最大适应度值；Favg为当前种群中的平均适应度值；K1,K2,K3,K4为0～1之间的随机数。
所述步骤(2)中得到的GA-BP模型中的输入层有3个节点，分别是工作环境温度、标定位移值和温度传感器输出电压值，输入层的输入信号直接输入隐含层的输入端；隐含层有6个节点，采用tansig函数作为传递函数；输出层有1个节点，采用purelin函数作为传递函数；其中，训练函数为trainlm，学习函数为learngdm。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明基于遗传算法(Genetic Algorithm,GA)的特性，其模拟了生物进化论的自然选择和遗传学机理，是一种多点搜索全局优化的计算模型。它通过适应度函数来对种群中的个体进行处理，保留适应度高的个体进行选择、交叉和变异等遗传操作，这个过程模仿了自然进化，以致后代种群能比前代更好地适应环境，因此可在末代种群获得问题的最优解。依据此特性可以改善BP神经的自身缺陷，以得到更好的拟合效果。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于GA-BP的光纤位移传感器的温度补偿方法，如图1所示，包括以下步骤：
(1)选择实验所需要的反射式光纤位移传感器、温度传感器、恒温箱和试验台，对其进行温度标定实验，获得实验数据。具体为：在工作环境温度范围内(24.8～60.8℃)选6个不同的温度状态，分别为:24.8,32,39.2,46.4,53.6,60.8℃，测定被补偿位移传感器的静态特性，即输入(距离χ)输出(电压Uχ)关系；位移也在量程范围内避开最大值误差后取15个标定值，分别为:0mm,0.1mm,0.2mm,…,1.4mm。首先将Pt100温度传感器和光纤位移传感器放于同一恒温箱内，然后将光纤位移传感器的输入值调节至第一个标定值点0mm，调节恒温箱温度达到第一个标定值点24.8℃，待10min后温度稳定，记录下此时温度传感器和光纤压力传感器对应的输出电压值，为了减小误差，在此位移和此温度下一共测得五个数据然后求取其平均值。再将压力调节至第二个标定点0.1mm，待恒温箱温度达到同一温度稳定10min后，记录输出电压，以此类推，直到将位移传感器的输入值调到1.4mm。重复以上过程得到6个不同温度下的位移传感器的输入输出数据。
(2)确定BP神经网络结构，通过遗传算法优化BP神经网络得到GA-BP模型。优化过程可分为种群初始化、计算个体适应度值和遗传操作三个阶段。具体为：
种群初始化：用遗传算法训练BP神经网络采用实数编码，所述BP神经网络为三层BP神经网络，设输入层神经元数为n，隐含层神经元数为q，输出层神经元数为m，输入层与隐含层的连接权值为Vi,j，隐含层与输出层的连接权值为Wj,k，隐含层与输出层的阈值分别为bj,bk，则编码的长度为n×q+q×m+q+m，在连接权值和阈值的范围内，随机生成M个染色体个体成为初始群体；
计算个体适应度值：选择训练数据期望输出与预测输出的差值绝对值，求和之后作为个体适应度值F，计算方法如下：式中：m为输出节点数；yi为BP神经网络第i个节点的期望输出；zi为BP神经网络第i个节点的预测输出；k为系数；
遗传操作：用轮盘赌选择法进行遗传算法的选择操作，每个个体χ的选择概率pχ与其适应度值大小成正比，计算方法如下：fχ＝k/Fχ，式中：Fχ为个体χ的适应度值；M为个体种群数；k为系数；用自适应交叉变异算子进行遗传算法的交叉和变异操作，当个体适应度值小于平均适应度值时，为加快个体的更新应使用较大的交叉、变异概率，以此来增加种群多样性；反之，当个体适应度值大于平均适应度值时，为保障适应度高的个体在群体中的比例应使用较小的交叉、变异概率，以此来提高算法的收敛速度；自适应交叉概率的计算公式为：自适应变异概率的计算公式为：式中：Fa为待交叉个体的适应度值；Fb为待变异个体的适应度值；Fmax为当前种群中的最大适应度值；Favg为当前种群中的平均适应度值；K1,K2,K3,K4为0～1之间的随机数，一般取K1·K2＝1，K3·K4＝0.5。
(3)将温度标定实验中得到的实验数据的一部分作为训练集，对GA-BP模型进行训练，训练完成后将全部数据交由GA-BP神经网络拟合，根据拟合结果的零位温度和灵敏度温度系数调整神经网络的参数(及各层的权值和阈值)以获得更好的拟合结果。上述温度标定实验一共有90组数据，按照工作环境温度的递增，选择前60组作为样本训练数据，后30组作为测试检验样本数据。在建立的GA-BP神经网络模型中，输入层有3个节点，分别是工作环境温度、标定位移值和Pt100温度传感器输出电压值，输入层的输入信号直接输入隐含层的输入端；隐含层有6个节点，采用tansig函数作为传递函数；输出层有1个节点，采用purelin函数作为传递函数；训练函数为trainlm，学习函数为learngdm；最大迭代次数设为100；目标误差设为1×10-4；学习速率设为0.1。在利用遗传算法对自变量进行优化筛选时，染色体长度为31；进化代数设为20；种群规模设为40；交叉概率和变异概率分别设为0.6和0.01。
(4)将上述得到的GA-BP模型调整后的各层的权值与阈值固化到单片机中。经过单片机对原始测量数据的处理后，反射式光纤位移传感器的测量值可以消除温度漂移对测量准确度的影响。
不难发现，本发明基于遗传算法的特性，其模拟了生物进化论的自然选择和遗传学机理，是一种多点搜索全局优化的计算模型。它通过适应度函数来对种群中的个体进行处理，保留适应度高的个体进行选择、交叉和变异等遗传操作，这个过程模仿了自然进化，以致后代种群能比前代更好地适应环境，因此可在末代种群获得问题的最优解，依据此特性可以改善BP神经的自身缺陷，得到更好的拟合效果。
Claims (3)
1.一种基于GA-BP的光纤位移传感器的温度补偿方法，其特征在于，包括以下步骤：
(1)进行温度标定实验，获得实验数据；
(2)确定BP神经网络结构，通过遗传算法优化BP神经网络得到GA-BP模型；
(3)将温度标定实验中得到的实验数据的一部分作为训练集，对GA-BP模型进行训练，训练完成后将全部数据交由GA-BP神经网络拟合，根据拟合结果的零位温度和灵敏度温度系数调整神经网络的参数以获得更好的拟合结果；
(4)将得到的参数固化到单片机中，通过单片机对原始测量数据进行处理以消除温度漂移对测量准确度的影响。
2.根据权利要求1所述的基于GA-BP的光纤位移传感器的温度补偿方法，其特征在于，所述步骤(2)中通过遗传算法优化BP神经网络具体为：
种群初始化：用遗传算法训练BP神经网络采用实数编码，所述BP神经网络为三层BP神经网络，设输入层神经元数为n，隐含层神经元数为q，输出层神经元数为m，输入层与隐含层的连接权值为Vi,j，隐含层与输出层的连接权值为Wj,k，隐含层与输出层的阈值分别为bj,bk，则编码的长度为n×q+q×m+q+m，在连接权值和阈值的范围内，随机生成M个染色体个体成为初始群体；
计算个体适应度值：选择训练数据期望输出与预测输出的差值绝对值，求和之后作为个体适应度值F，计算方法如下：式中：m为输出节点数；yi为BP神经网络第i个节点的期望输出；zi为BP神经网络第i个节点的预测输出；k为系数；
遗传操作：用轮盘赌选择法进行遗传算法的选择操作，每个个体χ的选择概率pχ与其适应度值大小成正比，计算方法如下：fχ＝k/Fχ，式中：Fχ为个体χ的适应度值；M为个体种群数；k为系数；用自适应交叉变异算子进行遗传算法的交叉和变异操作，当个体适应度值小于平均适应度值时，使用较大的交叉和变异概率，当个体适应度值大于平均适应度值时，使用较小的交叉和变异概率；自适应交叉概率的计算公式为：自适应变异概率的计算公式为：式中：Fa为待交叉个体的适应度值；Fb为待变异个体的适应度值；Fmax为当前种群中的最大适应度值；Favg为当前种群中的平均适应度值；K1,K2,K3,K4为0～1之间的随机数。
3.根据权利要求1所述的基于GA-BP的光纤位移传感器的温度补偿方法，其特征在于，所述步骤(2)中得到的GA-BP模型中的输入层有3个节点，分别是工作环境温度、标定位移值和温度传感器输出电压值，输入层的输入信号直接输入隐含层的输入端；隐含层有6个节点，采用tansig函数作为传递函数；输出层有1个节点，采用purelin函数作为传递函数；其中，训练函数为trainlm，学习函数为learngdm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910265545.8A CN110059803A (zh) | 2019-04-03 | 2019-04-03 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910265545.8A CN110059803A (zh) | 2019-04-03 | 2019-04-03 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110059803A true CN110059803A (zh) | 2019-07-26 |
Family
ID=67318296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910265545.8A Pending CN110059803A (zh) | 2019-04-03 | 2019-04-03 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059803A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738006A (zh) * | 2019-09-19 | 2020-01-31 | 天津大学 | 基于ga-bp神经网络算法的高精确度电阻测量算法 |
| CN113033781A (zh) * | 2021-03-26 | 2021-06-25 | 南京信息工程大学 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
| CN113049151A (zh) * | 2020-11-19 | 2021-06-29 | 武汉飞恩微电子有限公司 | 压力传感器的温度补偿***、方法及压力传感器 |
| CN115952826A (zh) * | 2023-03-09 | 2023-04-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
| CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN107621269A (zh) * | 2016-07-15 | 2018-01-23 | 北京计算机技术及应用研究所 | 光纤陀螺温度漂移误差补偿方法 |
| CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** |
-
2019
- 2019-04-03 CN CN201910265545.8A patent/CN110059803A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN107621269A (zh) * | 2016-07-15 | 2018-01-23 | 北京计算机技术及应用研究所 | 光纤陀螺温度漂移误差补偿方法 |
| CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** |
Non-Patent Citations (2)
| Title |
|---|
| 廖芹 等: "永磁无刷直流电动机转速控制***的优化设计", 西南交通大学出版社 * |
| 顾春雷 等: "基于GA－BP神经网络的光纤陀螺温度补偿", 《仪表技术与传感器》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738006A (zh) * | 2019-09-19 | 2020-01-31 | 天津大学 | 基于ga-bp神经网络算法的高精确度电阻测量算法 |
| CN113049151A (zh) * | 2020-11-19 | 2021-06-29 | 武汉飞恩微电子有限公司 | 压力传感器的温度补偿***、方法及压力传感器 |
| CN113033781A (zh) * | 2021-03-26 | 2021-06-25 | 南京信息工程大学 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
| CN115952826A (zh) * | 2023-03-09 | 2023-04-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
| CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
| CN116935985B (zh) * | 2023-07-17 | 2024-03-15 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059803A (zh) | 一种基于ga-bp的光纤位移传感器的温度补偿方法 | |
| KR102596158B1 (ko) | 이중 액터 크리틱 알고리즘을 통한 강화 학습 | |
| CN109816094A (zh) | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 | |
| CN112255095B (zh) | 一种土体应力应变关系确定方法 | |
| CN108764475A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及*** | |
| CN110632545A (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
| CN107607105A (zh) | 基于分数阶微分的光纤陀螺温度非线性误差补偿方法 | |
| CN108805287A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及*** | |
| CN116992779A (zh) | 基于数字孪生模型的光伏储能***仿真方法及*** | |
| CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
| CN117668622B (zh) | 设备故障诊断模型的训练方法、故障诊断方法及装置 | |
| Sun et al. | Application of an artificial neural network for simultaneous measurement of bending curvature and temperature with long period fiber gratings | |
| Cheng et al. | The synthesis of multiple parameters of arbitrary FBGs via a genetic algorithm and two thermally modulated intensity spectra | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及*** | |
| CN110046412A (zh) | 一种基于优化bp神经网络的圆光栅测角误差修正方法 | |
| KR20200105365A (ko) | 딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법 | |
| Yun et al. | Simulated annealing evolutionary algorithm for the fibre Bragg grating distributed strain sensor | |
| CN115219081A (zh) | 神经网络与卡尔曼滤波融合的光纤压力传感器温补方法 | |
| Dan et al. | A PSO Driven Intelligent Model Updating and Parameter Identification Scheme for Cable‐Damper System | |
| Sun et al. | Application of an artificial neural network for simultaneous measurement of temperature and strain by using a photonic crystal fiber long-period grating | |
| KR20230033071A (ko) | Gru 기반 구조물 시계열 응답 예측 방법 | |
| Li et al. | Temperature compensation based on BP neural network with small sample data for chloride ions optical fiber probe | |
| CN117741234A (zh) | 基于参数优化与集成学习的光纤电流传感器误差预测方法 | |
| Wójcik et al. | Research of parameters of fiber-optical measuring systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
| RJ01 | Rejection of invention patent application after publication |