0 引言目前基于传感器的温度补偿方法主要分为模拟硬件设计和数字信号处理两种方法。模拟硬件通常采用PTAT 和CTAT 等技术来设计读出电路。数字信号处理方法通常包括线性拟合、二乘多项式 拟合、BP神经网络 、卡尔曼滤波 、支持向量机等算法。本文在这些算法的基础上提出一种双指数函数模型的温度补偿算法，有以下优点：（1）指数函数具有无限阶的泰勒展开式，因此双指数函数在对诸如传感器温度系数曲线这类非线性曲线的拟合上可以达到很高的精度。（2）本文提出一种具有高精度初值的交替迭代法 ，即分离系数法。首先采用4组数据点，联立方程组，求出非线性系数的初始值，其次利用交替迭代法计算得到优化后的线性和非线性系数

为求解电晕电流的通用数学模型,利用人工神经网络能以任意精度逼近任意函数的能力,设计了2层BP神经网络,分别对实测的具有双指数函数、Gaussian函数及不规则脉冲形式的电晕电流进行拟合。结果表明,当神经元数目取5~10时,便能对不同类型的电晕电流波形进行高精度拟合,拟合误差量级可达10-4,拟合时间约为2~10 s,通过提取网络的权值、阈值参数可得到电流的解析表达式。该方法得到的电流表达式具有统一的结构,不依赖于电流波形,可作为电晕电流的通用数学模型。

双指数函数 待拟合曲线为 y(x) = bepx + ceqx import matplotlib.pyplot as plt x = ([0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95, 1.0]) y = ([0.33, 0.26, 0.18, 0.16, 0.12, 0.09, 0.08, 0.07, 0.06, 0.06, 0.06, 0.07, 0.09, 0.1, 0.15, 0.19, 0.25, 0.36,

主要介绍了Python应用实现双指数函数及拟合代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下