传感器校正的优化灰色神经网络建模方法研究

随着测试技术的发展,传感器被广泛应用于各种精密测量与检测领域。由于受到被测量对象、测量环境等因素影响,其输入输出特性会产生各种误差。提出了一种基于神经网络优化的灰色GM(1,N)系统的非线性传感器的校正方法,使得通过该方法补偿的位移传感器具有理想的输入输出特性。将传感器校正过程分为数学表达式求解环节和误差逼近环节。首先将实验数据进行统一化数据处理,提出灰色GM(1,N)模型的优化灰色系数矩阵求解方法以及利用BP神经网络的非线性映射特性来求取灰色模型的合理初始条件(1,C),弥补GM(1,N)模型自身模型求解的缺陷,获得高精度的传感器校正数学函数表达式。然后,利用RBF神经网络良好的局部逼近能力对残差修正,实现传感器校正的精度要求。最后,推导出优化后的合并模型,实现对传感器的校正。与其他信息融合技术相比,该方法能给出传感器校正数学函数表达式,充分利用各模型的优点,在小样本、贫信息的情况下依然可以获得很高的校正精度。实验证明该优化模型的模型精度为99.8%,模型平均残差约为5.5 nm,模型精度满足要求,方法切实有效。