1、天津農學院畢業設計中文題目:基于神經網絡的壓力傳感器溫度補償算法的研究英文題目:The study about Pressure sensors based on neuralnetwork algorithms for temperature compensation學生姓名趙玉玲系別機電工程系專業班級 2006 級測控技術與儀器專業1班指導教師趙金才成績評定2010年 6月日目錄1 引言 (12 壓力傳感器溫度補償的相關內容 (12.1 壓力傳感器溫度補償的原因及方法 (12.2 壓力傳感器溫度補償算法的研究現狀及發展趨勢 (33 神經網絡的簡介 (43.1 神經網絡的基本內容 (43.2

2、 神經網絡在壓力傳感器溫度補償中的應用 (64 壓力傳感器溫度補償算法的研究 (84.1 插值算法在壓力傳感器溫度補償中的應用 (84.2 基于BP神經網絡的壓力傳感器溫度補償算法的應用 (104.3 基于RBF神經網絡的壓力傳感器溫度補償算法的應用 (124.4 三種溫度補償算法的對比及結論 (13參考文獻 (15致謝 (16附錄1:外文文獻原文 (17附錄2:英文文獻中文譯文 (28附錄3: (37摘要在工業生產中,監測和控制生產過程中的經常需要使用壓力傳感器,并且日常生活中傳感器也是汽車各個電子控制單元的核心部件,是獲取信息的工具,傳感器的輸出特性直接影響整個系統的性能,但該特性易受溫度

3、因素干擾,進而造成傳感器監測、控制、測量精度降低,因此傳感器溫度補償算法的研究對提高傳感器的測量精度具有重要的現實意義。隨著人工智能特別是神經網絡技術的發展,為傳感器溫度補償的算法提供了新的有效手段,對于不同的算法,都具有自己的優缺點。通過實驗,將實驗數據與理論數據進行對比找到基于神經網絡的壓力傳感器溫度補償算法的優缺點,使其更好地應用于實踐中。關鍵詞:壓力傳感器;溫度補償;神經網絡ABSTRACTPressure sensors usually widely use in the process of monitor and control in the industrial product

4、ion,and the sensors is also the core of the control unit in the automobile control system in our everyday life, the output characteristic of the sensors directly effect the entire system' performances,but it easily suffer from the factor of temperature.,and then cause the drop of the precision o

5、f the sensors' monitored、controlled、measurable properties,so to research the temperature compensation algorithm of the sensors is significant for the advance of the accuracy of measurement.Following the developing of the artificial intelligence especially the Neural network technology, it provid

6、es new effective means for the sensors' temperature compensation algorithm, different algorithm has its own merits and drawbacks .According to the contrast of the experimental data and theoretical data in the experiment, and then find themerits and drawbacks of the Neural network algorithms for

7、temperature compensation of pressure sensors, in order to make full use of in the process of practice.Key words: Pressure Sensors;Temperature Compensation;Neural Network1 引言測試技術中將測試分為電參數的測量與非電參數的測量。電參數有:電壓、電流、功率、頻率、阻抗、波形等,這些參量都是表征系統或設備性能的。非電參數有:機械量(如位移、速度、加速度、力、應力等、化學量(如濃度、成分等、生物量(霉、組織等。在生活實踐中,經常遇到的

8、是非電量的測量。現在非電量的測量大部分是用電測量的方法去完成的,其中的關鍵技術就是如何將非電量轉換成電量,即傳感器技術。從生產實踐看,從人們日常的衣食住行到各種復雜的工程,都離不開傳感器。例如,工廠自動化中的柔性制造系統FMS、計算機集成制造系統CIMS、大型發電廠、軋鋼廠生產線、飛機、武器指揮系統、雷達、宇宙飛船、海洋探測器、各種家用電器、環境檢測器、醫療衛生器械、生物工程等都依靠不同性質、不同個數的傳感器來獲取信息。毫不夸張地說,未來的社會是傳感器的社會。2 壓力傳感器溫度補償的相關內容2.1 壓力傳感器溫度補償的原因及方法1 壓力傳感器溫度補償的原因無論是工業生產的監測和控制過程還是日常

9、生活中的汽車,傳感器都是各個電子控制單元的核心部件,是獲取信息的工具,人們依靠不同性質、傳感器的輸出特性直接影響整個系統的性能,但該特性易受溫度因素干擾,進而造成傳感器測量精度降低,導致各個電子控制單元的工作性能下降,因此傳感器特性溫度補償技術的研究對提高傳感器的測量精度具有重要的現實意義。尤其是在一些需要精確控制溫度的生產工藝中,若想在現有的硬件設備條件下,進一步提高溫度控制精度,就需要在軟件上下功夫。目前在溫度控制中采用較多的是PID控制方法,由于PID控制方法是在建立精確的數學模型的基礎上使用的,而溫度控制系統屬于慣性環節,況且許多溫度控制系統受負載的影響較大,同時在系統中還存在著參數時

10、變性、結構非線性等因 ,因此很難建立精確的數學模型,所以在實際應用中人們常根據實際的應用環境采用不同的方法進行溫度控制1。近些年來隨著科學技術的發展越來越多的溫度補償方法被應用于實踐中,尤其是隨著人工智能特別是神經網絡技術的發展,神經網絡也被廣泛的應用與實踐中。2 壓力傳感器溫度補償的方法(1壓力傳感器壓力是工業生產中常見的一個重要參數,在冶金、化工、制藥、航空、航天、國防等領域壓力測試一般是必不可少的。比如,化工行業中的合成氨的生產需要壓力測試,在武器系統測試中對抽氣裝置壓力的測試、反后座裝置的壓力測試,在工業生產中,最普遍的蒸汽鍋爐、液壓機和水壓機等設備上的壓力測試,交通運輸中汽車、火車、

11、輪船和飛機等使用的各類發動機動力、液壓、氣壓管道中的壓力測試,冶金工業上的冶煉,熱風管道中的壓力參數的控制和監測;在航空和航天技術部門中,一些重要的飛行參數,如高度、速度等技術性能參數的測量均以壓力測試為基礎。壓力傳感器是壓力測試的關鍵之一。壓力傳感器按其工作原理,可分為應變式壓力傳感器、壓阻式壓力傳感器、壓電式力傳感器、電渦流式壓力傳感器等。(2溫度補償的方法一般情況下,壓力傳感器對溫度、加速度或者其它一些環境參量存在交叉靈敏度,即壓力傳感器的輸出不僅決定于所受的壓力,而且還受溫度、加速度等其它一些因素的作用,這可能會很大程度上影響傳感器的性能和測量準確度。對于這一實際問題,國內外通常采用硬

12、件補償或軟件補償,硬件補償一般就是在傳感器電路中增設其它部件或者更改傳感器內部結構以達到補償的目的,它一般分為兩大類:一是對傳感器內部的核心是電敏電登電橋進行溫度補償設計,如摻雜、串/并電阻、雙全橋、PN節、雙半等;另一類是對壓力傳感器輸出信號進行處理通過一些信號調理芯片,如AX1452、ZMD31020、PGA3og等。其中軟件補償與通過信號調理芯片的硬件性能也是對傳感器輸出信號進行處理,一般是通過對壓力傳感器的標定數據的處理。目前主流的軟件補償有多維回歸、神經網絡法2(如:雙線性插值、樣條插值函數、BP神經網絡、RBF神經網絡、小波等。然而在實際應用中,對于通過設計壓力傳感器內部壓敏電阻或

13、者內部結來實現溫度補償度很高,但是也有開發周期較長,難度大等缺點,而通過外加信號調理補償一般是對傳感器輸出信號進行處理(類似軟件補償,也有需要外置如軟件補償靈活等特點。對于軟件補償中的多維回歸分析法,缺點是需模的矩陣方程,在求解方程時,維數越多,數據量越大;而隨著人工智能技術特別是神經網絡的發展,神經網絡法,具有較強的自學習、自適應、自調整能力。在神經網絡法方面,其中BP神經網絡、RBF神經網絡都是在壓力傳感器的溫度補償算法中應用范圍比較廣的算法。因此在實際應用中,人們應該根據實際的應用要求以及應用的環境選擇實用的壓力傳感器的溫度補償方法,尤其是隨著現代科技的發展,基于神經網絡的壓力傳感器的溫

14、度補償算法越來越進步越來越得到人們的認可,應用的范圍越來越廣。(3溫度補償原理采用神經網絡函數法改善傳感器輸出特性的原理圖由傳感器模型和神經網絡模型兩部分組成,如圖1所示3。 圖1 傳感器溫度補償原理在圖3中,p表示經神經網絡溫度補償后的輸出壓力值,其壓力傳感器的數學模型為xy (1,(t式中,x-待測目標壓力參量;t-非待測目標溫度參量;y-傳感器輸出量。若y和t均為x的單值函數,則式(1的反函數存在。將壓力傳感器的目標參量值及溫度敏感元件的非目標參量值作為網絡的輸入,經網絡處理后的輸出壓力P即為消除了溫度干擾的待測目標參量x。2.2 壓力傳感器溫度補償算法的研究現狀及發展趨勢現代科學技術的

15、迅猛發展,使人類社會進入信息時代。在信息時代,人們的社會活動將主要依靠對信息資源的開發及獲取、傳輸與處理。而傳感器處于自檢測與控制系統之首,是感知、獲取與檢測信息的窗口,它處于研究對象與測控系統的接口位置,一切科學研究和生產過程要獲取的信息都要通過它轉換為容易傳輸與處理的電信號。概括的講傳感器是一種將各種非電學量(包括物理量、化學量、生物量等按一定的規律轉換成便于處理和傳輸的另一種物理量(一般為電學量的裝置。傳感器技術被認為是信息技術三大支柱之一,現在人們常常將計算機比喻為人的大腦,傳感器比喻為人們的感覺器官。“沒有傳感器技術就沒有現代科學技術”的觀點現在為全世界所公認,國內外都將傳感器技術列

16、為重點發展的高技術。目前,從工業生產、宇宙探索、海洋開發、環境保護、資源調查、醫學診斷、文物保護、災情預報到包括生命科學在內的每一項現代科學技術的研究以及人民群眾的日常生活,幾乎無一不與傳感器和傳感器技術緊密聯系著。因此,傳感器的地位與作用特別重要。比如,在現代工業生產尤其自動化生產過程中,要用各種傳感器來監視和控制生產過程中的各個參數,使設備工作在正常狀態或最佳狀態,并使產品達到好的質量。因此可以說,沒有眾多優良的傳感器,現代化生產也就失去了基礎。傳感器是信息采集系統的首要部件,是實現現代化測量和自動控制(包括遙感、遙測、遙控的重要技術工具,是現代信息產業的源頭,又是信息社會賴以存在和發展的

17、物質與技術基礎。現在,傳感技術與通信技術(信息傳輸、計算機技術(信息處理,構成了現代信息技術的三大支柱,它們在信息系統中分別起著“感官”、“神經”和“大腦”的作用。可以設想如果沒有高度保真和性能可靠的傳感器,沒有先進的傳感器技術,那么信息地準確獲取就成為一句空話,通信技術和計算機技術就成為了無源之水。然而實際應用中壓力傳感器的輸出不僅決定于所受的壓力,而且還受溫度、加速度等其它一些因素的作用,這可能會很大程度上影響傳感器的性能和測量準確度。一直以來用來進行壓力傳感器溫度補償的方法很多,尤其是人工智能技術的發展推動了神經網絡技術的發展,神經網絡溫度補償的方法越來越多的被應用于實踐中,并且隨著科學

18、技術的不斷進步,基于神經網絡的壓力傳感器的溫度補償算法會越來越進步,越來越先進,越來越被廣泛的應用。3 神經網絡的簡介3.1 神經網絡的基本內容基于人工神經網絡(artificialneural network的控制稱之為神經網絡控制系統,簡稱為神經控制。隨著人工神經網絡的進展,神經網絡越來越多地用于控制領域的各個方面,如過程控制、機器人控制、生產制造、模式識別及決策支持等。目前,人工神經網絡方法已經廣泛地應用于誤差補償,這是因為神經網絡有很強的環境適應能力、學習能力、容錯能力和并行處理能力,使信號處理過程更接近于人類的思維活動。基于人工神經網絡傳感器溫度補償方法的優點是: 有良好的自適應性,

19、自組織性和很強的學習功能。具有較好的容錯性,即在只有部分輸入條件,甚至包含了錯誤輸入條件的情況下、網絡也能給出正確的值。有良好的泛化能力(即具有插值特性,對未經訓練的數據也能給出一個合理的輸出。將神經網絡用于傳感器溫度補償,使傳感器具有了更多的智能,從而可以更大限度地發揮傳感器在測試中的作用。1 神經網絡的概念神經網絡(Neural Network是指:神經網絡(Neural Network是一個人造或生物神經的互連組。有兩個主要的神經網絡組:1.生物神經網絡,例如人的大腦或其中的部分。2.人造神經網絡最初是指電子,機械或計算仿真或生物神經網絡的模型。2 神經網絡的特性人工神經網絡是生物神經網

20、絡的一種模擬和近似。人工神經網絡是一個并行和分布式的信息處理網絡結構,該網絡一般由許多神經元組成,每個神經元有一個單一的輸出,它可以連接到很多其它的神經元,其輸入有多個連接通路,每個連接通路對應有一個連接權系數。由于神經網絡是根據對象的輸入- 輸出信息,不斷地對網絡參數進行學習,以實現從輸入參數到輸出參數的非線性映射,還可以根據來自機理模型和實際運行對象的新的數據樣本進行自適應學習,尤其是通過實時不斷的學習,可以適應對象參數的緩慢變化。因此,這種方法克服了機理建模所存在的困難。神經網絡作為一種新技術硬起了人們的巨大興趣,病越來越多的應用與控制領域,這正是因為與傳統的控制技術相比,神經網絡具有以

21、下特征4:(1非線性。神經網絡在理論上可以去逼近任何非線性的映射。對于非線性復雜系統的建模、預測,神經網絡比其他方法更實用、更經濟。(2平行分布處理。神經網絡具有高度平行的結構,這是其本身可平行實現,故較其他常規方法有更大程度的容錯能力。(3硬件實現。神經網絡不僅可以平行實現,而且一些制造廠家已經用專用的VLSI硬件來制造神經網絡。(4學習和自適應性。利用系統實際統計數據,可以對網絡進行訓練。受適當訓練的網絡有能力泛化,即當輸入出現訓練中未提供的數據時,網絡也有能力進行辨識。神經網絡還可以在線訓練。(5數據融合。神經網絡可以同時對定性、定量的數據進行操作。在這方面,神經網絡正好是傳統工程和人工

22、智能領域信息處理技術之間的橋梁。(6多變量系統。神經網絡能處理多輸入信號,且可以具有多個輸出,故適用于多變量系統。從控制理論的觀點來看,神經網絡處理非線性的能力是最有意義的;從系統識別和模式識別的角度考慮,神經網絡跟蹤和識別非線性特性的能力是其最大的優勢。3神經網絡的分類神經網絡是有大量的神經元廣泛連接成的網絡。(1根據連接方式的不同,神經網絡可以分為兩大類:無反饋的前向神經網絡和相互連接型網絡(包括反饋網絡。其中前向神經網絡分為輸入層、隱含層和輸出層。隱層可以有若干層,每一層的神經元只接受前一層的神經元的輸出。而相互連接型網絡的神經元相互之間都可能有連接,因此,輸入信號要在神經元之間反復往返

23、傳遞,從某一初態開始,經過若干次變化,漸漸趨于某一穩定狀態,或進入周期振蕩等其它狀態。(2迄今為止,約有40種神經網絡模型,如BP 網絡、RBF 神經網絡、Hopfield 網絡等。從信息傳遞的規律來看,分為3類:前向神經網絡、反饋型神經網絡和自組織神經網絡。3.2 神經網絡在壓力傳感器溫度補償中的應用神經網絡模型越來越廣泛的應用在實踐中。同樣在壓力傳感器溫度補償方面神經網絡法也被應用,如BP 神經網絡、RBF 神經網絡、小波神經網絡等。其中BP 神經網絡、RBF 神經網絡是在壓力傳感器的溫度補償算法中應用范圍比較廣的算法。1 概念 BP 網絡稱為誤差反向傳播的前向網絡,可以用在系統模型辨識、

24、預控制中,又稱為多層并行網。2 BP 神經網絡原理BP 神經網絡由多個網絡層構成,其中,包括一個輸入層、一個或幾個隱含層、一個輸出層,層與層之間采用全互連接,同層神經元之間不存在相互連接.隱含層神經元通常采用S 型傳遞函數,輸出層采用purelin 型傳遞函數。BP 網絡的學習過程由前向傳播和反向傳播組成,在前向傳播過程中,輸入模式經輸入層、隱含層,逐層處理,并傳向輸出層。如果在輸出層不能得到期望的輸出,則轉入反向傳播過程,將誤差值沿連接通路逐層反向傳送,并修正各層連接權值。對于給定的一組訓練模式,不斷用一個訓練模式訓練網絡,重復前向傳播和誤差反向傳播過程,直至網絡相對誤差小于設定值為止。 具

25、有單隱含層的BP 神經網絡如圖2所示5:輸入層 隱含層 輸出層 11S R S 2 2SP 2a 1R 12S R (1111b p w f a += (2222b p w f a +=圖2 具有單隱層的BP 神經網絡1f 2f W 2 W 1+ b 2 b 1其中,P 為輸入矢量;R 為輸入矢量的維數;1S 為單隱含層BP 神經元的個數;2S 為輸出層神經元的個數;1W 為1S ×R 維隱含層神經元的權值矩陣;2W 為2S ×R 維輸出層的權值矩陣;1a 為隱含層神經元輸出矢量;2a 錯誤!未找到引用源。為輸出層神經元輸出矢量;1b 為隱含層神經元的閾值;2b 為輸出層神

26、經元的閾值;1n 隱含層節點的輸入;2n 為輸出層節點的輸入;f1為S 型傳遞函數;f2為purelin 型傳遞函數。BP 網絡訓練的關系式如式(2: 節點輸出為:錯誤!未找到引用源。 (j i ij i b a w f a += (2 式中:i 為第i 個輸出層神經元;j 為第j 個隱含層神經元;i a 為節點輸出;W ij 為節點連接權值;f 為傳輸函數;j b 為神經元閾值。式(1表示對隱含層與i 為第i 個輸出層神經元相連接的隱含層神經元求和,即對j 求和。 權值修正:(1(n W h a E n W ij i i ij +=+ (31 概念 RBF 網絡稱為徑向基函數網絡,是在借鑒生

27、物局部調節和交疊接受區域知識的基礎上提出的一種采用局部接受域來執行函數映射的人工神經網絡。2 RBF 神經網絡原理徑向基函數(Radial Basis Function,RBF網絡是一種典型的局部逼近神經網絡,它不像全局逼近神經網絡那樣,對于每個輸入輸出數據對,網絡的每一個權值均需要調整,而是只調整對網絡輸出有影響的少量幾個權值,從而使局部逼近網絡具有學習速度快的優點相對于BP 網絡RBF 網絡在逼近能力、分類能力和學習速度等方面均具有明顯優勢,且RBF 網絡可在任意精度下逼近任意的非線性函數,并不存在局部最小問題。因此RBF 網絡已成為取代BP 神經網絡的另一種前向神經網絡,越來越廣泛地應用

28、于信息處理、圖像處理和工業控制等領域。圖3是 RBF 網絡的構成圖,圖中輸入向量不需要通過權連接,直接映射到隱層空間,即輸入層只是傳遞輸入信號到隱層。隱層單元通過徑向基函數實現變換后送到輸出層,徑向基函數通常采用高斯基函數6。 圖3 RBF神經網絡構成圖其中從隱層空間到輸出空間的變換是線性的,輸出層實質上是一個線性組合器。從總體來說,RBF神經網絡的輸入到輸出的映射是非線性的,可以實現從Rn到 Rm的非線性映射,而網絡輸出對可調整參數而言卻又是線性的。這樣網絡的權值W i就可以通過直接求解線性方程組得出,從而不但加快了訓練精度,而且還有效地避免了局部極小值問題。4 壓力傳感器溫度補償算法的研究

29、4.1 插值算法在壓力傳感器溫度補償中的應用插值法又稱“內插法”。利用函數f(x在某區間中若干點的函數值,作出適當的特定函數,在這些點上取已知值,在區間的其他點上用這特定函數的值作為函數f(x的近似值,這力一法稱為插值法。如果這特定函數是多項式,就稱它為插值多項式。插值法是函數逼近的一種重要方法,是數值計算的基本課題。其中包括具有唯一插值函數的多項式插值和分段多項式插值,對其中的多項式插值中的n次多項式插值的方法,即給定n+1各點處的函數值后,構造一個n次插值多項式的方法。雖然理論上可以用解方程組那里m=n得到所求插值多項式,但遺憾的是方程組當n較大時往往是嚴重是病態的。故不能用解方程組的方法

30、獲得插值多項式。插值法包含的內容有:lagrange插值、newton插值、hermite插值,分段多項式插值及樣條插值等。本設計只應用了插值法中最簡單的一種,即在區間上取若干個點,通過公式(X+Y/2算出逼近點的值,從而得到f(x的逼近函數。本設計的實驗中,壓力范圍040MPa ,溫度范圍17125,修正前實驗數據見表1.表1 不同溫度和壓力下傳感器的頻率輸出可以看出:溫度的變化對壓力傳感器的輸出性能影響是非常明顯的。在實際應用時,因為由于環境溫度的變化比較大,所以必須進行適當的溫度補償。根據插值算法的公式對實驗數據進行溫度補償,由MATLAB 得其中一組數據的補償圖像為:020406080

31、1001201403.5183.523.5223.5243.5263.5283.53x 104x (度p (H z 圖4 插值算法實現溫度補償的圖形實際溫度175075100125溫度讀數Hz 170040.129170294.653170499.942170711.340170956.228實際壓力MPa 0壓力讀數Hz35293.110 35272.524 35251.718 35225.640 35195.407 5 35781.546 35760.583 35739.313 35713.524 35684.21910 36262.258 36241.105 36219.296 3619

32、4.032 36172.216 15 36735.748 36713.635 36692.087 36667.300 36652.114 20 37202.038 37178.813 37157.739 37133.427 37117.735 2537661.562 37638.348 37616.892 37592.919 37590.273 3038110.542 38091.029 38069.416 38045.751 38055.295 35 38553.090 38537.798 38515.639 38492.575 38503.846 4038990.887 38978.683

33、 38956.138 38934.497 38943.270實線表示插值算法補償后的曲線虛線表示傳感器的實際輸出4.2 基于BP 神經網絡的壓力傳感器溫度補償算法的應用1 BP 神經網絡的學習過程BP 神經網絡的學習過程包括4個步驟: 輸入模式由輸入層經中間層向輸出層正向傳播輸出;輸出誤差由輸出層經中間層向輸入層反向傳播逐層修正連接權;正向傳播和反向傳播反復交替進行網絡記憶訓練;網絡學習收斂。在學習過程中,標準BP 算法對所有的權值使用一個統一的學習速度,每一步的長度與其方向斜率成比例,其權值更新的基本公式為7:式中,為步長參數(學習速率;W ij (n為第n 次權值修正量;ij W E /為

34、誤差平方和對權值的負梯度。由于BP 只用局部梯度信息,故值必須很小,從而使該算法跳過極小值,這導致學習收斂速度變慢,為了加快收斂速度,常用的方法是加入動量因子,其權值更新式為:式中,是動量因子,用來阻尼局部振蕩,為了滿足加快訓練速度,避免陷入局部極小值等要求,提出了改進BP 算法的方法:對每一權值使用不同的學習速率,并采用指數衰減函數(k表示。這樣可以使學習速率在較平坦的區域比在較陡的區域增加的快一些;在學習過程中,學習速率可根據誤差函數E 的梯度信息,自適應地進行增益調整,以改善網絡的概括能力,提高網絡收斂性能;在算法中使用動量項,而且動量項和學習速率一樣,也是變化的;為了避免學習速率或動量

35、過大,設置上限值;采用參數和概率P 控制網絡學習過程的記憶和恢復,即如果誤差的增加次數大于,則減小學習速率和動量系數,搜索到最佳點處重新進行學習,為避免波動,搜索以概率P 的方式隨機進行。 2 溫度誤差修正原理模型利用人工神經網絡進行溫度補償,就是利用神經網絡的基本特性,使傳感器具有復雜的非線性映射、自組織、自學習及推理的自適應能力。神經網絡法不必建立包括待消除的非目標參量在內的函數解析式,而只需要訓練樣本,通過學習、訓練便可以模擬出輸入輸出的內在聯系。神經網絡需要的學習樣本,由多維標定實驗數據提供,網絡模塊由軟件編程來實現。神經網絡修正壓力傳感器的原理框圖如圖3所示,傳感器模塊為:輸入壓力P

36、 和溫度t,輸出周期T 和溫度t ;網絡模塊為:輸入周期T 和溫度t,經過BP(5/( ij ijpW E n WE E -=(61( -+-=n W n W E n W ij ij ij 網絡學習、訓練,消除溫度t 的影響而輸出T'或P'。3 仿真研究與實驗結果本設計選擇具有單隱層的BP 神經網絡,其結構圖如圖1所示,神經網絡的訓練和仿真是在MATLAB7.8環境下,通過神經網絡工具箱,編制相應程序而實現的。由于BP 神經網絡的隱含層采用的傳遞函數為對數的S 型函數,它的輸出范圍為(0,1,由此由公式:minmax max in in in in X X X X X -=(7

37、05.0(9.0minmaxmin +-=ininin in in Y Y Y Y Y (8將實驗數據進行歸一化處理,使得處理后的數值范圍在(0,1之間。歸一化處理后的神經網絡的輸入輸出標準樣本數據表為:表2 神經網絡的輸入輸出標準樣本數據表在基于BP 神經網絡的溫度補償實驗中,輸入向量的維數為52,目標向量的維實際溫度175075100125溫度讀數Hz 00.278 0.502 0.733 1.000實際壓力MPa 0.05壓力讀數Hz1 0.789 0.576 0.309 0 0.163 10.785 0.566 0.301 0 0.275 1 0.765 0.523 0.242 0 0

38、.386 1 0.736 0.478 0.182 0 0.500 1 0.725 0.475 0.186 0 0.6131 0.674 0.373 0.037 0 0.725 1 0.699 0.365 0 0.147 0.838 1 0.747 0.381 0 0.186 0.95010.7830.3840.156TT 壓力傳感器神經網絡ttT '或P 溫度傳感器圖5 溫度誤差補償原理圖數為55 ,訓練誤差為0.005,訓練次數為5000次,通過實驗程序得到訓練后的權值和閾值,從而獲得BP 神經網絡溫度補償的模型。仿真后得到的數據為:表3 仿真后得到的數據表補償仿真曲線為:-0.20

39、.20.40.60.811.2x(度P (H z 圖5 BP 神經網絡實現溫度補償的圖形4.3 基于RBF 神經網絡的壓力傳感器溫度補償算法的應用1 RBF 網絡算法RBF 網絡算法是一種性能良好的前向網絡,它不僅有全局逼近性質,而且具有最佳逼近性能。徑向基函數神經網絡(RBF是一種三層前饋網絡,與BP 網絡不同,RBF 網絡最顯著的特點是隱節點的基函數采用距離函數(如歐氏距離,而激活函數采用徑向基實際溫度 17 50 75 100 125 溫度讀數Hz 00.278 0.5020.7331.000實際壓力MPa 0.386 壓力讀數Hz1.0392 0.7129 0.5207 0.2015

40、-0.0341 0.500 0.9392 0.7302 0.5101 0.2533 -0.1143 0.6130.96590.7375 0.4603 0.0733 0.0206 0.725 0.9424 0.7142 0.4824 0.0450 -0.3716 0.8380.9383 0.78390.4888 0.0792 -0.0587虛線為補償前的曲線,實線為補償后曲函數(如高斯函數。徑向基函數是一種局部分布的中心點徑向對稱衰減的非負非線性函數,這種“局部特性”使得RBF網絡成為一種局部響應神經網絡。2 溫度誤差修正原理模型RBF網絡是一種典型的局部逼近神經網絡,它不像全局逼近神經網絡那樣

41、,對每個輸入輸出數據對、每一個權值均需要調整,而是調整對輸出有影響的少量幾個權值,從而使局部逼近網絡在逼近能力和學習速度方面有明顯的優勢。RBF網絡的操作有兩個過程:訓練學習和正常操作或稱回憶。訓練時,把要交給網絡的信息作為網絡的輸入和要求的輸出,使網絡按前述訓練算法調節各神經元之間的連接值和神經元閾值,直到加上給定輸入網絡能夠產生給定輸出(在允許的誤差范圍內為止,這時網絡的訓練即告完成。正常操作,就是對網絡進行校驗,給訓練好的網絡輸入一個信號,它應該正確回憶出相應的輸出。3仿真研究與實驗結果由前面所述的RBF神經網絡模型,在基于RBF神經網絡的溫度補償實驗中,為了實現實驗的對比效果仍取輸入向

42、量的維數為55,訓練誤差2,目標向量的維數為5為0.005,訓練次數為5000次,通過實驗程序得到訓練后的權值和閾值,從而獲得RBF神經網絡溫度補償的模型。4.4 三種溫度補償算法的對比及結論三種算法的對比(一(x+y/2的線性插值算法在實現溫度的補償過程中公式簡單,使用方便;但由于在實現溫度補償的過程中使用的是兩個測量點之間的平均值所實現的補償過程的誤差比較大,因此只能用在誤差要求不高的情況下。(二BP神經網絡算法準確度高,它基本消除了溫度對壓力傳感器輸出信號的影響,實現了壓力傳感器的溫度補償,提高了壓力傳感器的精確度和可靠性。利用BP 人工神經網絡對壓力傳感器靜態輸出特性進行修正的新方法由

43、計算機仿真和試驗結果表明:該方法能夠有效改善傳感器的輸出特性,并且速度快、精度高、魯棒性強,便于用硬件實現,具有較高的推廣應用價值。采用BP神經網絡對壓力傳感器進行溫度補償,由于神經網絡具有非線性特性、自適應和學習能力,只要能獲取傳感器的輸入和輸出數據,通過適當的訓練學習,可以逼近其輸入輸出特性。但是,BP神經網絡存在以下問題9:(1學習算法的收斂速度很慢。因為BP算法是以階梯下降法為基礎的,只具有先行收斂速度,雖通過引入“勢態項”增加了一定程度的二階信息,但對算法的性質并無根本的改變。(2學習因子和記憶因子沒有一定的選擇的規則,選的過大會使訓練的過程引起振蕩,選的過小會使訓練的過程更加緩慢。

44、(3網絡對初始值很敏感。同一BP網絡不同的初值會使網絡的收斂速度差異很差。若初始權值離極小點很近,則收斂速度較快;若初始值權值遠離極小點,則收斂速度極慢。另外,若輸入初始值不合適,則訓練起始段就會出現振蕩。(4網絡隱層節點的個數的選擇尚無理論指導,一般是根據經驗選取的。(5從數學上看BP算法一個非線性的優化問題,這就不可避免的存在局部極小問題。另外BP神經網絡在控制領域的缺點還有是它的權值和偏置值矩陣占用的內存太大,所以對單片機的內存要求也高,成本相應的也要增加。(三RBF網絡算法是一種性能良好的前向網絡,它不僅有全局逼近性質,而且具有最佳逼近性能。將帶遺忘因子的梯度下降算法應用于RBF神經網

45、絡的參數調整,該算法具有良好的非線性映射能力、自學習和泛化能力,收斂較快,特別適用于傳感器數學模型的建立。采用軟硬件相結合的方法,實現了高精度的測量。結論通過實驗對比插值算法的實現的溫度補償與實際的輸出特性誤差比較大;BP和RBF神經網絡實現的溫度補償精度較高,但在應用中,二者的區別有:與BP神經網絡相比RBF神經網絡的輸出是隱單元輸出的線性加權和,學習速度加快;BP神經網絡使用sigmoid(函數作為激活函數,這樣是的神經元有很大的輸入輸入可見區域;而RBF神經網絡使用徑向函數(一般使用高斯函數作為激活函數,神經元輸入空間很小,因此需要更多的徑向基神經元;RBF神經網絡具有比BP神經網絡更強

46、的逼近能力和更快的收斂速度,且不存在局部極小問題,通過訓練RBF神經網絡能夠逼近任意非線性。采用這種方法進行溫度補償可以避免直接用電路實現補償進行調節時,各參數之間的相互影響,甚至在傳感器輸出電壓與溫度之間呈非線性關系時也能有效地校正。通過上面的實驗分析,因此在實際應用中我們應該根據實際的的需要選擇適當的補償方法來實現溫度的補償過程。參考文獻1 于化景,付華.基于模糊神經網絡融合的溫度控制方法J.遼寧工程技術大學學報,2003,22(5:649-650.2 楊德旭,何鳳宇,魏利華.基于BP神經網絡溫度補償技術的研究J.農機化研究,2008,1(1:71-73.3 孟彥京,汪寧,佟明,楊雅莉.小

47、波神經網絡在壓力傳感器溫度補償中的應用J.陜西科技大學學報,2009,2(4:84-97.4 張朋,陳明,秦波,何鵬舉.基于BP神經網絡的振動筒壓力傳感器溫度補償J.傳感技術學報,2007,20(10:2213-2217.5 韋兆碧,劉曄,馬志瀛,胡光輝,時德鋼.基于RBF網絡的光纖位移傳感器溫度補償研究J.電工電能新技術,2004,23(2:42-45.6 張雪君.電容式壓力傳感器溫度補償的RBF神經網絡J.北京:傳感器技術,2001,20(5:9-11.7 Mukherjee S,Nayar S K.Automatic generation of RBF networks using wa

48、veletsJ. Pattern Recognition,1996,29(8:1369-1383.8 侯媛彬,杜京義,汪梅.神經網絡M.西安:西安電子科技大學出版社,2007.17-39,125-135.9 Lippmann R P.An introduction to computing with neural nets.IEEE ASSP Magazine,1987,4(4:19-22.10 Mark Beale,Neural Network Toolbox M.北京:機械工業出版社,2004.致謝本論文是在我的導師趙金才趙老師的親切關懷和悉心指導下完成的。在論文的過程中每一次遇到不懂的問

49、題趙老師都會認真和耐心的為我講解,并且老師會經常檢查論文的進度情況,對論文中存在的問題及時指出,為我的修改提供建議。論文的這段時間正因為是老師的嚴格要求以及鼓勵與促進作用讓我在這段時間學到了一些東西。這段時間里老師給我的啟迪及所學到的內容,相信,學到的學習方法也同樣會影響我今后的學習。同時,也要感謝學校圖書館,通過在圖書館查閱的與論文相關的資料為我的論文的完善提供了很大幫助。附錄:附錄1:外文文獻原文Mark Beale,Neural Network Toolbox:1 Neuron ModelSimple NeuronA neuron with a single scalar input a

50、nd no bias appears on the left below. The scalar input p is transmitted through a connection that multiplies its strength by the scalar weight w, to form the product wp, again a scalar. Here the weighted input wp is the only argument of the transfer function f, which produces the scalar output a. Th

51、e neuron on the right has a scalar bias, b. Y ou may view the bias as simply being added to the product wp as shown by the summing junction or as shifting the function f to the left by an amount b. The bias is much like a weight, except that it has a constant input of 1.The transfer function net inp

52、ut n, again a scalar, is the sum of the weighted input wp and the bias b. This sum is the argument of the transfer function f.(Chapter 7 discusses a different way to form the net input n. Here f is a transfer function, typically a step function or a sigmoid function, which takes the argument n and p

53、roduces the output a. Examples of various transfer functions are given in the next section. Note that w and b are both adjustable scalar parameters of the neuron. The central idea of neural networks is that such parameters can be adjusted so that the network exhibits some desired or interesting beha

54、vior. Thus, we can train the network to do a particular job by adjusting the weight or bias parameters, or perhaps the network itself will adjust these parameters to achieve some desired end.All of the neurons in this toolbox have provision for a bias, and a bias is used in many of our examples and

55、will be assumed in most of this toolbox. However, you may omit a bias in a neuron if you want.As previously noted, the bias b is an adjustable (scalar parameter of the neuron. It is not an input. However, the constant 1 that drives the bias is an input and must be treated as such when considering th

56、e linear dependence of input vectors in Chapter 4, “Linear Filters.”2 Transfer FunctionsMany transfer functions are included in this toolbox. A complete list of them can be found in “Transfer Function Graphs” in Chapter 14. Three of the most commonly used functions are shown below. The hard-limit tr

57、ansfer function shown above limits the output of the neuron to either 0, if the net input argument n is less than 0; or 1, if n is greater than or equal to 0. We will use this function in Chapter 3 “Perceptrons” to create neurons that make classification decisions.The toolbox has a function, hardlim, to realize the mathematical hard-limit ransfer function shown above. Try the code shown below.n = -5:0.1:5;plot(n,hardlim(n,'c+:'It produces a plot of the function hardlim over the range -5 to +5.All of the mathematical tr