基于人工神经网络的压力传感器的温度补偿答辩三四章.pptVIP

1985年，Powell提出了多变量插值的径向基函数（Radical Basis Function, RBF）方法。1988年，Moody和Darken提出了一种神经网络结构，即RBF 神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。 在RBF网络中，输入层仅仅起到传输信号的作用，与前面所讲述的神经网络相比较，输入层和隐含层之间可以看做连接权值为1的连接。 输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。 输出层是对线性权进行调整，采用的是线性优化策略。因而学习速度较快。 而隐含层是对激活函数（格林函数或高斯函数，一般取高斯）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。 在RBF网络中，输入层仅仅起到传输信号的作用，与前面所讲述的神经网络相比较，输入层和隐含层之间可以看做连接权值为1的连接。 输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。 输出层是对线性权进行调整，采用的是线性优化策略。因而学习速度较快。 而隐含层是对激活函数（格林函数或高斯函数，一般取高斯）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。 在RBF网络中，输入层仅仅起到传输信号的作用，与前面所讲述的神经网络相比较，输入层和隐含层之间可以看做连接权值为1的连接。 输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。 输出层是对线性权进行调整，采用的是线性优化策略。因而学习速度较快。 而隐含层是对激活函数（格林函数或高斯函数，一般取高斯）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。 在RBF网络中，输入层仅仅起到传输信号的作用，与前面所讲述的神经网络相比较，输入层和隐含层之间可以看做连接权值为1的连接。 输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。 输出层是对线性权进行调整，采用的是线性优化策略。因而学习速度较快。 而隐含层是对激活函数（格林函数或高斯函数，一般取高斯）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。 在RBF网络中，输入层仅仅起到传输信号的作用，与前面所讲述的神经网络相比较，输入层和隐含层之间可以看做连接权值为1的连接。 输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。 输出层是对线性权进行调整，采用的是线性优化策略。因而学习速度较快。 而隐含层是对激活函数（格林函数或高斯函数，一般取高斯）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。  welcome to use these PowerPoint templates, New Content design, 10 years experience 4.1.1BP算法优缺点 （5）从数学上看BP算法一个非线性的优化问题，这就不可避免的存在局部极小问题。 另外BP神经网络在控制领域的缺点还有是它的权值和偏置值矩阵占用的内存太大，所以对单片机的内存要求也高，成本相应的也要增加。  welcome to use these PowerPoint templates, New Content design, 10 years experience 4.1.2RBF补偿法优缺点 RBF网络算法是一种性能良好的前向网络,它不仅有全局逼近性质,而且具有最佳逼近性能。将带遗忘因子的梯度下降算法应用于RBF神经网络的参数调整,该算法具有良好的非线性映射能力、自学习和泛化能力,收敛较快,特别适用于传感器数学模型的建立。采用软硬件相结合的方法,实现了高精度的测量。 4.2结论 通过实验对比得出：BP和RBF神经网络实现的温度补偿精度较高，但在应用中，二者的区别有： ?与BP神经网络相比RBF神经网络的输出是隐单元输出的线性加权和，学习速度加快； 4.2结论 ?BP神经网络使用sigmoid函数作为激活函数，这样是的神经元有很大的输入可见区域；而RBF神经网络使用径向函数（一般使用高斯函数）作为激活函数，神经元输入空间很小，因此需要更多的径向基神经元； 4.2结论 ?RBF神经网络具有比BP神经网络更强的逼近能力和更快的收敛速度,且不存在局部极小问题,通过训练RBF神经网络能够逼近任意非线性。采用这种方法进行温度补偿可以避免直接用电路实现补偿进行调节时,各参数之间的相互影响,甚至在传感器输出电压与温度之间呈非线性关系时也能有效地校正。 4.2结论 通过上面的实验分析，因此在实际应用中我们应该根据实际的需要选择适当的补偿方法来实现温度的补偿过程。 Thank you! 去除PPT模板上的--无忧PPT整理发布的文字 首先打开PPT