为精确反映数字式涡流传感器的输入输出特性,为其非线性补偿提供可靠依据,对传统BP(BackPropagation)神经网络进行改进,利用LMBP(Levenberg-Marquart Back Propagation)神经网络和RBF(Radial BasisFunction)神经网络对涡流传感器的输入...为精确反映数字式涡流传感器的输入输出特性,为其非线性补偿提供可靠依据,对传统BP(BackPropagation)神经网络进行改进,利用LMBP(Levenberg-Marquart Back Propagation)神经网络和RBF(Radial BasisFunction)神经网络对涡流传感器的输入输出特性曲线进行拟合,并将两者拟合结果进行对比研究。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、收敛速度更快且具有更高的拟合精度,为工程实际中一维数据的拟合方法选择提供了依据。展开更多
文摘为精确反映数字式涡流传感器的输入输出特性,为其非线性补偿提供可靠依据,对传统BP(BackPropagation)神经网络进行改进,利用LMBP(Levenberg-Marquart Back Propagation)神经网络和RBF(Radial BasisFunction)神经网络对涡流传感器的输入输出特性曲线进行拟合,并将两者拟合结果进行对比研究。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、收敛速度更快且具有更高的拟合精度,为工程实际中一维数据的拟合方法选择提供了依据。
