基于RBF網(wǎng)絡超聲波測距非線行誤差校正

摘要：針對現(xiàn)在的超聲波測距易受溫度和一些非線性誤差的影響，提出用神經(jīng)網(wǎng)絡的良好的學習、泛化和非線性逼近能力來對超聲波測距的非線性誤差進行校正和溫度補償。通過理論分析和用matlab仿真，顯示出 RBF網(wǎng)絡對超聲波傳感器的溫度補償和非線性校正的效果良好，充分表明了應用RBF網(wǎng)絡在提高超聲波測距精度方面是一種行之有效的方法。

關鍵詞：超聲波測距，RBF網(wǎng)絡，非線行誤差校正

1、引言

超聲波測距具有信息處理簡單、快速和價格低，易于實時控制等許多優(yōu)勢，它被廣泛的應用在各種距離測試的設備中。但超聲波傳感器在實際應用中也有一定的局限性。在超聲波測距中，由于超聲波傳感器本身的結構和受外界溫度等因素的干擾，其輸入輸出特性呈明顯的非線性，靠硬件或軟件補償修正的方法對提高其測距精度的效果不大。所以，本文提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡實現(xiàn)超聲波傳感器的建模，對超聲波測距進行溫度補償和非線性誤差校正的方法。

2、用 RBF神經(jīng)網(wǎng)絡改善超聲波測距的精度

２.１神經(jīng)網(wǎng)絡實現(xiàn)非線性誤差校正的原理

設超聲波傳感器要測量的實際距離為 d，實際距離d決定t2-t1，環(huán)境溫度為T，超聲波傳感器測量輸出的結果為h，經(jīng)RBF網(wǎng)絡校正后的距離為Dr，則超聲波傳感器測距系統(tǒng)可以表示為 h=f(d，T)，由于傳感器產(chǎn)生的非線性誤差和溫度的影響，使得 f(d，T)呈現(xiàn)非線性特性。校正的目的是根據(jù)測的 h求未知的 d，即 d＝g(h，T)，也就是需要建立超聲波傳感器的模型其原理可以表示為圖 1所示。

超聲波傳感器輸出 Dr通過一個補償模型，該模型的特性函數(shù)為Dr=g(h，T) ，其中Dr為非線性補償后的輸出， g(h，T)顯然是一個非線性函數(shù)。通常非線性函數(shù)的表達式很難準確求解，但可以利用神經(jīng)網(wǎng)絡能很好地逼近非線性函數(shù)的特點，通過建立神經(jīng)網(wǎng)絡模型來逼近該非線性函數(shù)。本文選取RBF神經(jīng)網(wǎng)絡模型。

２.２ RBF 神經(jīng)網(wǎng)絡

RBF網(wǎng)絡是一種局部逼近網(wǎng)絡。它對于每個輸入輸出數(shù)據(jù)對 ， 只有少量的權值需要進行調整。它采用一組正交歸一化的基函數(shù) —— 徑向基函數(shù)的線性組合來逼近任意函數(shù)。

常用徑向基函數(shù)有高斯函數(shù)、多二次函數(shù)、薄板樣條函數(shù)等。由于輸入矢量直接映射到隱層空間 ， RBF的中心確定后 ， 這種非線性映射關系也就確定 ，因此 RBF的學習算法首先要確定徑向基函數(shù)的中心 ，本文徑向基函數(shù)的中心采用高斯函數(shù)（Radbas(n)=e-n2），其隱含層的輸入輸出模型如圖２。

對于本文的超聲波傳感器逆模型的RBF網(wǎng)絡模型，輸入為h和T，訓練后的實際輸出為Dr，期望輸出為d。超聲波傳感器非線性校正逆模型采用RBF網(wǎng)絡，輸入層2個節(jié)點，輸出層1個節(jié)點，擴展系數(shù)為0.5（實驗結果表明擴展常數(shù)為 0.5 時對應隱含層神經(jīng)元個數(shù)適中，故擴展常數(shù)選為 0.5），通過測量獲取了50組數(shù)據(jù)集作訓練樣本，將輸入量作歸一化處理后，按照上述的RBF神經(jīng)網(wǎng)絡的學習方法學習。神經(jīng)網(wǎng)絡的訓練和仿真是在Matlab 6.5環(huán)境下，通過神經(jīng)網(wǎng)絡工具箱，編制相應的程序而實現(xiàn)。

在matlab上應用 RBF神經(jīng)網(wǎng)絡進行仿真溫度補償和非線性誤差校正后，系統(tǒng)的測距精度大大提高，表 1所示為未經(jīng)神經(jīng)網(wǎng)絡處理和神經(jīng)網(wǎng)絡處理后的測距比較。

比較結果表明，神經(jīng)網(wǎng)絡處理后的結果與實際距離很接近，精度大大提高了。

3、結束語

實際應用中，超聲波測距易受溫度等多種因素的影響，利用RBF神經(jīng)網(wǎng)絡良好的非線性逼近特性、自適應能力學習能力，可優(yōu)化超聲波的輸出特性，而且網(wǎng)絡結構簡單，便于單片機實現(xiàn)或固化在硬件中。仿真結果表明，利用RBF 神經(jīng)網(wǎng)絡能很好地逼近非線性函數(shù)，實現(xiàn)了超聲波傳感器建模，對傳感器進行非線性誤差校正，效果相當明顯，大大提高了超聲波測距的精度，使其測距誤差控制在毫米級以內(nèi)，這是采用其它校正方法是無法達到的。

參考文獻：

[1]譚超，許澤宏，李維一，付小紅，王?。谛〔ㄉ窠?jīng)網(wǎng)絡建立虛擬儀器非線性較正型[J]．微計算機信息，2005．12（1）P157-159．

[2]田社平．基于神經(jīng)網(wǎng)絡模型的傳感器非線性校正．（英文） 光學精密工程．2006

[3]Binchini M，F(xiàn)rasconi P，Gori M. Learning without local minima in radial basis function networks.IEEE Trans. on Neural Networks， 1995，6(3)：749～755）

[4] Xianzhong Dai， Ming Yin， Qin Wang． Artificial neural networks inversion based dynamic compensator of sensor.IEEE，2004，10：258－261

[5]許東．基于MATLAB 6.X的系統(tǒng)分析與設計[M]．西安電子科技大學出版社．2002

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文