基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法

摘要

本发明公开了一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，首先对谐振式智能传感器的输入输出进行数据采集，然后根据精度要求设定神经网络相关参数，保证网络计算速度和精度，最后将数据送入网络，通过马氏距离的模糊聚类方法完成网络节点中心值和马氏矩阵的计算，并完成权值计算，最终得到网络结构参数。本发明的优点在于用较小的神经网络结构实现高精度误差补偿，克服了传统算法精度低，网络结构庞大的缺点。

主权项

一种基于马氏核FCM算法的谐振式智能传感器迟滞误差补偿方法，其特征在于：包括以下步骤：(1)对谐振式传感器的输入输出数据进行采集，构成输入输出训练数据集；(2)初始化网络：根据数据集数量和补偿精度、补偿速度选择网络参数，包括网络中心节点数，并对马氏矩阵赋初值；(3)将输入向量投影到马氏空间，送入网络，进行模糊聚类，直至相邻两次的聚类相同；(4)通过完成聚类的数据进行输出层权值计算，计算输出误差，若不满足精度要求，则返回步骤(2)，对马氏矩阵进行调整，重复以上步骤，直到满足终止精度要求，循环停止，最后进行网络输出权值计算；所述输出误差为网络输出F(x)与训练目标y之间的误差J，其按照以下公式计算：$J=\frac{1}{2}{e}^{T}e=\frac{1}{2}{(F\left(x\right)-y)}^T(F\left(x\right)-y).$