下载文档原格式
利用ＲＢＦ神经网络提高温度测量精度作者：孙慧莲耿振野来源：《中国新技术新产品》2008年第23期摘要：本文介绍在压力测量时，为提高测量精度，利用径向基函数神经网络（RBF）和智能温度传感器DS1822进行温度补偿，改善其测量精度的新方法。
RBF网络具有良好的非线性映射能力，自学习和泛化能力，采集样本数据训练构成具有双端输入、单端输出网络模型，采用改进的算法实现测量精度。
关键词：温度补偿；径向基函数神经网络；DS1822；一线芯片温度检测和补偿对工、农业及国防建设等各领域都有着十分重要的意义，在工业自动化测控现场，环境温度变化是无常的，大多数传感器对温度有较高的灵敏度，因此，环境温度的变化会导致传感器零点和灵敏度受到影响而产生测量误差，所以，温度检测和补偿问题是工业自动控制系统中的重要环节。
随着科学技术的发展，温度检测和补偿趋于智能化，并且对各种传感器具有较高的温度补偿要求。
本文论述利用数字温度传感器对AK-4型压力传感器进行温度测量和补偿，并且采用径向基函数组成神经网络，从而达到更高精度的测量。
数字温度传感器是DS1822是一种基于单总线技术的数字温度传感器芯片，也就是利用一根信号线与一根返回线来实现互联通信的集成电路。
用它来构成微型局域网系统，其特点是建网速度快，成本低。
适合现场实施使用。
1数字式传感器DS1822的原理及总线接口DS1822数字传感器将所测温度直接转换为频率，然后采用时钟计数测温法，计数时钟是由温度系数很低的振荡器产生，工作状态稳定，而计数闸门周期又是温度系数很高的振荡器决定。
闸门打开期间为计数状态，当计数值达到0时，温度寄存器加1，同时还要对时钟计数，脉冲进行非线性校正，从而获得较高的温度测量分辨力。
也改变相对于测温量化级的计数量大小，可获得不同的分辨力。
DS1822总线接口电路如图1所示。
DS1822 总线接口电路工作电流为1.5mA,不需外接元件，本实验为了确保测量精度和可靠采用外接电源的方法。
基于RBF网络的模拟太空舱控热空调放热量软测量研究李瑜斌【摘要】宇宙飞船常处在温度变化剧烈的太空环境中,所以控制宇航舱的温度恒定适宜成为一个关乎宇航员生存的重要问题.简明介绍了软测量技术和RBF神经网络的原理,根据以上两个原理结合控制模拟太空舱温度的主要两个方面因素,放热源开度和控制的放热温度,对单位时间产生的热量进行软测量研究,在MATLAB平台上运用神经网络工具箱函数建立软测量模型,并进行仿真,仿真的结果得出了RBF神经网络相比BP神经网络其放热量软测量模型具有更高的准确度;因此,在模拟太空舱调控舱内温度的过程中,可以利用软测量的方法对模拟太空舱内的放热量进行动态测量,能够在温度传感器出现故障的情况下对放热参数进行估计.%The spacecraft in the space environment suffers from dramatic temperature changes frequently,so controling the temperature becomes a problem about the astronauts to survive.At first,this paper introduces the soft measurement technology and the principle of RBF neural network concisely.Then according to the two theories and combining the two aspects of temperature control modul:heat source opening and the exothermal temperature,the heat generated by the unit of time is researched by soft measurement technique.Finally,by using neural network toolbox the author establishes the soft measurement model in the MATLAB platform,and does simulation.From the simulation results we can conclude that the RBF neural network has higher accuracy than BP network in the soft measurement model.As a result,in the process of controling temperature of capsule,this paper takes the advantage of the softmeasurement method to carry on the dynamic measurement for the capsule temperature.Under the condition of the temperature sensor breaking down,it can also estimate parameters of heat.【期刊名称】《微型电脑应用》【年(卷),期】2017(033)002【总页数】3页(P51-53)【关键词】RBF神经网络;软测量;放热量【作者】李瑜斌【作者单位】河海大学计算机与信息学院,南京211100【正文语种】中文【中图分类】TP311随着科技的发展，人们探寻的脚步不仅是停留在地球上，而是将目光转向了太空。
基于混合优化RBF神经网络的月平均气温预测魏爽; 王丽吉; 吴书成; 鲁奕岑【期刊名称】《《现代计算机（专业版）》》【年(卷),期】2019(000)022【总页数】5页(P3-7)【关键词】RBF神经网络; PSO; 遗传操作; 月平均气温【作者】魏爽; 王丽吉; 吴书成; 鲁奕岑【作者单位】浙江省气象信息网络中心杭州 310017【正文语种】中文0 引言随着全球气温的升高，气候变化已经引起人们的普遍关注。
由于影响气温变化的机制和因素十分复杂，长期气温预报主要依靠的统计预报方法对复杂变化过程的拟合有较大局限性，所以预测的准确率难以令人满意。
人工神经网络模型结构灵活并具有模拟非线性关系的能力，因而在气象等领域有较广泛的应用。
严绍瑾等人[1]利用神经网络BP 型多映射模式对月平均温度进行了预测，马学款等人[2]也利用BP （Back-Propagation）型神经网络对西藏中短期极端温度预测方法进行了研究。
近年来，气象预测研究中经常采用BP 型网络，由于其所用的梯度下降方法容易造成收敛速度慢和局部极小的不足，采用能逼近任意精度的RBF 神经网络作为预测模型，克服BP 网络函数值的不紧密性，使收敛速度大大加快，并尝试利用基于遗传操作的粒子群算法优化RBF 网络的关键参数，通过增加交叉、变异操作，扩大了粒子群的搜索范围，能够避免粒子群早熟现象。
应用该方法对月平均温度进行预测实验，通过实验结果说明算法的有效性。
1 RBF神经网络RBF 神经网络[3-4]是具有三层结构的前向型神经网络。
考虑采用Gaussian 型径向基函数，对于给定输入向量x∈Rn×1，RBF 网络将其映射到输出向量y∈Rm×1，此时网络输出定义为：其中，ci为隐含层第i 个基函数的中心；‖·‖为欧氏范数；σ为函数的基宽度；wi 为第i 个隐节点至输出的连接权值；h 为隐层单元数。
在径向基函数网络中，需要优化确定的关键参数[5]有两类：①基函数的中心ci 和基宽度σ；②隐层与输出层间的连接权值wi。
基于径向基神经网络的设备温度预测建模及其仿真摘要：红外测温是变电站日常重要工作之一。
怎样掌控设备在测温周期里温度变化情况，是我们运行人员具备的能力之一，而设备温度受多方面因素的影响，且温度曲线呈非线性，而径向基函数神经网络不受非线性模型的限制。
本文就是采用径向基函数（RBF）神经网络实现对设备温度的预测。
关键词：测温；神经网络；变电站；预测1设备温度预测的影响因素分析1.1历史温度数据任何的预测模型都是以历史数据为依据的，通过分析过去的设备温度情况来预测将来的温度变化。
但由于历史数据的不完整，甚至还存在伪数据，给预测带来误差。
1.2电流因素设备电流的大小直接影响到设备发热情况，电流的大小在不停变化，同时电流又受人们的生活习惯、季节等影响，给预测带来困难。
1.3时间因素在时间因素中，主要是通过负荷来体现的，而对负荷有重要影响的主要有：季节因素的影响、日或周的周期性以及节假日的影响。
1.4环境因素环境因素主要指设备所在位置周围的环境温度、通风情况。
环境温度高低直接影响到设备的温度，通风直接影响到设备的散热情况。
1.5天气因素天气因素不但对负荷大小有重要影响，而且对设备固有的性能也有影响，例如氧化，导致电阻的增大，从而设备温度进一步上升。
1.6随机因素设备故障跳闸，设备动作频繁、动作次数增加、设备分合闸未完全到位、设备有缺陷等，都是随机、难以预测的随机因素。
2神经网络设备温度预测技术的MATLAB软件实现综上所述，影响设备温度预测的因素众多，且非线性，由于神经网络具有通过学习逼近任意非线性影射的能力，将神经网络应用于非线性系统的建模与辨识，可以不受非线性模型的限制。
本文采用径向基函数（RBF）神经网络实现对设备温度的预测。
2.1 确定数据类型在实际应用中，问题的形式会是多种多样的，但不外乎以下几种：1）数据样本已知。
2）数据样本之间相互关系不明确。
3）输入／输出模式为连续的或者离散的。
4）输入数据按照模式进行分类，模式可能会具有平移、旋转或伸缩等变化形式。
基于RBF神经网络的加热炉钢温预报模型
王中杰;柴天佑;邵诚
【期刊名称】《系统仿真学报》
【年(卷),期】1999(11)3
【摘要】本文针对加热炉钢温预报模型存在的缺陷，研究用ＲＢＦ神经网络建立加热炉钢温预报模型，仿真结果表明所建立的模型简单、精度高，满足工程要求。
【总页数】5页(P181-184)
【关键词】加热炉;钢温;预报;RBF;神经网络;炼钢
【作者】王中杰;柴天佑;邵诚
【作者单位】东北大学自动化研究中心
【正文语种】中文
【中图分类】TF703.7
【相关文献】
1.基于动态K均值的RBF神经网络日降水预报模型 [J], 蒋林利
2.步进梁式加热炉钢温预报的数学模型 [J], 巢海;王伟;李小平
3.基于数据特征的加热炉钢温预报模型 [J], 杨英华; 石翔; 李鸿儒
4.基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报[J], 郑炎辉; 张力澜; 田兆伟; 陈晓宏
5.基于改进PCR方法的加热炉钢温预报模型 [J], 肖冬;杨英华;毛志忠
因版权原因，仅展示原文概要，查看原文内容请购买。
