基于遗传BP神经网络的二维PSD非线性校正研究

发布时间：2017-06-12 13:06

  本文关键词：基于遗传BP神经网络的二维PSD非线性校正研究，，由笔耕文化传播整理发布。

【摘要】：目前有关二维PSD(Position Sensitive Detector,光电位置敏感探测器)非线性校正方法相对较多,但大都停留在定性分析阶段。尽管对二维PSD的结构及使用材料等方面进行了改进,但仍然难以克服二维PSD的非线性。BP神经网络算法(Back Propagation Neutral Network Algorithm)的优越性主要体现在解决非线性问题或非线性结构问题等方面,可以通过神经网络的输入、输出变量进行网络训练,进而达到对非线性校正的目的。本文在对比研究国内外大量相关文献的基础上,提出了遗传算法(Genetic Algorithm,GA)和BP神经网络算法相结合的方法应用于二维PSD非线性校正并对此进行深入研究。主要研究内容如下:1.将神经网络算法应用于二维PSD非线性校正研究:在分析国内外研究背景、意义、二维PSD的工作原理、性能参数以及研究现状的基础上,通过对现有的二维PSD非线性校正方法进行分析,比较了各种方法中的优点和不足,将神经网络算法应用于二维PSD非线性校正研究。2.基于BP神经网络的二维PSD非线性校正分析:对影响二维PSD的非线性的各种因素进行了具体分析;借助于BP神经网络算法的非线性映射能力,应用于二维PSD非线性校正中;重点研究了非线性校正的实现过程;对校正过程中存在的不足进行了分析。3.基于遗传BP神经网络的二维PSD非线性校正研究:针对BP神经网络算法的不足,利用遗传算法的优点对其进行优化;研究了遗传算法优化BP神经网络算法的实现原理、核心技术;提出了基于遗传BP神经网络的二维PSD非线性校正方法。该方法是利用遗传算法来优化BP神经网络算法的初始连接权值和阈值,BP神经网络算法依照误差函数梯度下降法,通过不断调整连接权值和阈值来减少实际输出和期望输出的误差,完成二维PSD的非线性校正。4.二维PSD非线性校正方法验证:基于MATLAB程序设计及仿真,将优化的遗传BP神经网络算法与BP神经网络算法应用于二维PSD非线性的校正中,从收敛性、校正曲线拟合以及误差波动性方面进行了对比、分析,验证了该优化算法应用于二维PSD非线性校正的正确性和优越性。通过不同的仿真图形进行对比分析,结果显示基于遗传BP神经网络的二维PSD非线性校正能够在更短的时间内,达到收敛速度更快、误差更小。精确性明显优于基于BP神经网络的二维PSD非线性校正,从而验证了两种算法的结合是可行的,效果显著。
【关键词】：二维PSD非线性校正 遗传BP神经网络算法 BP神经网络算法 MATLAB
【学位授予单位】：山东理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN15;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-13
• 1.1 课题研究背景及意义9-10
• 1.2 国内外研究现状10-12
• 1.2.1 二维PSD非线性校正研究现状10-11
• 1.2.2 BP神经网络和遗传BP神经网络的研究现状11-12
• 1.3 本文主要研究工作12-13
• 第二章 二维光电位置敏感探测器（PSD)13-21
• 2.1 二维PSD的结构、工作原理及性能参数分析13-18
• 2.1.1 二维PSD的结构、工作原理13-18
• 2.1.2 二维PSD的性能参数分析18
• 2.2 二维PSD的器件选型及非线性影响因素分析18-20
• 2.2.1 二维PSD的器件选型18-19
• 2.2.2 二维PSD非线性影响因素分析19-20
• 2.3 本章小结20-21
• 第三章 基于遗传BP神经网络的二维PSD非线性校正研究21-40
• 3.1 基于BP神经网络的二维PSD非线性校正分析21-28
• 3.1.1 BP神经网络结构21-22
• 3.1.2 BP神经网络算法流程22-25
• 3.1.3 基于BP神经网络的二维PSD非线性校正流程25-26
• 3.1.4 基于BP神经网络的二维PSD非线性校正实现过程26-27
• 3.1.5 BP神经网络应用于二维PSD非线性校正存在的问题分析27-28
• 3.2 遗传算法对BP神经网络的优化28-32
• 3.2.1 遗传算法的基本要素28-30
• 3.2.2 遗传算法优化BP神经网络的技术原理30
• 3.2.3 遗传算法优化BP神经网络的算法流程30-32
• 3.3 基于遗传BP神经网络的二维PSD非线性参数分析及设置32-36
• 3.3.1 网络结构层数的确定32
• 3.3.2 传递函数的选择32-34
• 3.3.3 各层节点数个数的确定34-36
• 3.3.4 初始权值的确定36
• 3.4 基于遗传BP神经网络的二维PSD非线性校正研究36-39
• 3.4.1 基于遗传BP神经网络的二维PSD非线性校正可行性分析36-37
• 3.4.2 二维PSD非线性校正连接权值和阈值的研究37-38
• 3.4.3 基于遗传BP神经网络的二维PSD非线性校正实现过程38-39
• 3.4.4 遗传BP神经网络应用于二维PSD非线性校正的优势分析39
• 3.5 本章小结39-40
• 第四章 仿真实验研究40-55
• 4.1 仿真实验建立40-44
• 4.1.1 仿真实验建立40-42
• 4.1.2 仿真界面的创建42-44
• 4.2 MATLAB程序设计及仿真44-48
• 4.2.1 基于BP神经网络的MATLAB程序设计及仿真44-45
• 4.2.2 基于遗传BP神经网络算法的MATLAB程序设计及仿真45-48
• 4.3 仿真实验结果对比分析48-54
• 4.3.1 收敛性对比分析49-50
• 4.3.2 拟合曲线对比分析50-51
• 4.3.3 误差波动对比分析51-54
• 4.4 本章小结54-55
• 第五章 总结与展望55-57
• 5.1 总结55
• 5.2 展望55-57
• 参考文献57-61
• 攻读硕士期间发表的论文与参与的课题61-62
• 致谢62

【相似文献】

中国期刊全文数据库 前10条

1 刁修睦;;基于广义回归网络的传感器非线性校正[J];重庆工学院学报(自然科学版);2008年10期

2 金树德;非线性A%qD转换及其在非线性校正中的应用[J];电测与仪表;1987年01期

3 蔡煜东，姚林声;传感器非线性校正的人工神经网络方法[J];仪器仪表学报;1994年03期

4 蔡兵;几种简单的传感器非线性校正技术[J];长江大学学报(自科版);2004年01期

5 景婧;;应变式称重传感器的非线性校正[J];计算机应用研究;2013年01期

6 周伟;包建东;丁良华;;传感器标定的非线性校正研究[J];测试技术学报;2013年04期

7 闫白;郝晓剑;;基于比色测温的非线性校正方法研究[J];电子质量;2013年07期

8 王凤儒;侯守琴;黄叔莹;;数字化测量中非线性校正的数学模型[J];哈尔滨电工学院学报;1985年04期

9 陈绍敦;;铂电阻的高精确度非线性校正[J];自动化仪表;1991年09期

10 周子平,徐克(王寿),吴中亚,罗龙根;摄像器的非线性校正及其应用[J];复旦学报(自然科学版);1992年03期

中国重要会议论文全文数据库 前5条

1 高嵩;唐耀庚;李兰君;;基于多支持向量回归机的传感器非线性校正方法及应用[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

2 舒彤;;基于改进LS-SVR的传感器非线性校正研究[A];2009中国控制与决策会议论文集（3）[C];2009年

3 李远民;袁静;;一种模拟传感器非线性校正电路设计[A];浙江省电子学会2013学术年会论文集[C];2013年

4 景宁;王志斌;陈媛媛;张记龙;;被动遥测光谱探测器的非线性校正方法[A];中国光学学会2011年学术大会摘要集[C];2011年

5 张鸣;;FL-1风洞DCS系统调压子系统[A];四届四次空气动力测控技术交流会论文集[C];2003年

中国博士学位论文全文数据库 前1条

1 李苏铭;数字控制电液比例插装流量阀非线性校正方法研究[D];太原理工大学;2015年

中国硕士学位论文全文数据库 前7条

1 李倩;基于遗传BP神经网络的二维PSD非线性校正研究[D];山东理工大学;2016年

2 赵阳;传感器的非线性校正及动态补偿研究[D];上海交通大学;2007年

3 朱盼;电容位移传感器信号转换及非线性校正技术研究[D];哈尔滨工业大学;2007年

4 吴育聪;稀疏采样下的物联网传感器信号重构及非线性校正[D];浙江师范大学;2014年

5 王华;基于遗传支持向量机的传感器非线性校正方法[D];兰州理工大学;2011年

6 权清科;调频式电容位移传感器高速测频与非线性校正技术研究[D];哈尔滨工业大学;2008年

7 王丹丹;压电陶瓷管扫描器非线性校正[D];中国科学院研究生院（电工研究所）;2004年

  本文关键词：基于遗传BP神经网络的二维PSD非线性校正研究，由笔耕文化传播整理发布。

本文编号：444104