涡流传感器特性曲线拟合：LMBP与RBF神经网络对比

"这篇论文是2013年发表在吉林大学学报（信息科学版）上的工程技术类文章，由丁硕等人撰写。研究重点在于对比LMBP(Levenberg-Marquardt Back Propagation)神经网络和RBF(Radial Basis Function)神经网络在涡流传感器输入输出特性曲线拟合中的应用效果。文章指出，通过改进传统BP神经网络，使用RBF神经网络可以实现更小的拟合误差、更快的收敛速度和更高的拟合精度，这对于非线性补偿和工程实际中的一维数据拟合具有重要指导意义。该研究得到了国家自然科学基金的支持。" 本文关注的是数字式涡流传感器的非线性特性补偿问题。涡流传感器是一种常见的检测设备，广泛应用于工业领域，如材料缺陷检测和机械状态监测。由于其输出信号与输入信号之间的关系通常是非线性的，因此需要对这种特性进行准确建模以提高测量精度。 传统的BP神经网络在拟合复杂非线性关系时可能会面临训练时间长和拟合精度不足的问题。为解决这些问题，研究人员引入了两种改进的神经网络模型：LMBP神经网络和RBF神经网络。LMBP网络基于Levenberg-Marquardt算法，它在反向传播过程中结合了梯度下降法和高斯-牛顿法，以加速收敛并减少局部极小值的影响。而RBF网络则依赖于径向基函数作为隐藏层的激活函数，能快速近似多维函数，尤其适合处理小规模和中等规模的数据集。 通过对比实验，论文发现RBF神经网络在相同训练样本数量下，相对于LMBP网络具有更低的拟合误差、更快的收敛速度以及更高的拟合精度。这一发现对于涡流传感器的非线性补偿和工程实际中类似问题的解决提供了有力的工具。此外，这些结果也为其他需要进行曲线拟合的领域提供了一种可能的优化方法。 关键词：LMBP神经网络、RBF神经网络、涡流传感器、曲线拟合 这篇论文的研究成果不仅对于涡流传感器技术的发展有所贡献，还对神经网络在工程技术领域的应用进行了深入探讨，特别是对于如何选择合适的网络结构以优化数据拟合过程提供了有价值的参考。