壓力傳感器溫度補(bǔ)償技術(shù)分析

陳慧穎

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點(diǎn)以及外界因素的影響，傳感器的輸出結(jié)果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對(duì)傳感器的溫度補(bǔ)償就顯得尤為重要。文章對(duì)目前常用的溫度補(bǔ)償方法進(jìn)行了分析，在此基礎(chǔ)上，提出了一種新的溫度補(bǔ)償方法，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，從研究結(jié)果來(lái)看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關(guān)鍵詞 壓力傳感器；溫度漂移；溫度補(bǔ)償

中圖分類(lèi)號(hào)：TP212 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）10-0038-02

壓力傳感器的輸出結(jié)果精度容易受到多種因素的影響，其中，唯獨(dú)是影響傳感器輸出精度的最主要因素。目前，國(guó)內(nèi)經(jīng)常使用硬件補(bǔ)償和軟件補(bǔ)償兩類(lèi)方法對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償。硬件補(bǔ)償方法調(diào)試難度較高、精度低、通用性也較差，在實(shí)際工程中應(yīng)用時(shí)，難以去得較好的效果；而軟件補(bǔ)償方法有效彌補(bǔ)了硬件補(bǔ)償?shù)娜秉c(diǎn)，其中BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償在實(shí)際工程中運(yùn)用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償法雖然精確度高，但是整個(gè)流程過(guò)于復(fù)雜、整個(gè)過(guò)程耗時(shí)較長(zhǎng)，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償方法，希望對(duì)提高補(bǔ)償效率和準(zhǔn)確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償原理分析

BP神經(jīng)網(wǎng)絡(luò)是目前研究中應(yīng)用范圍最廣的神經(jīng)網(wǎng)絡(luò)模型之一，BP神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)單向傳輸網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)信息傳輸?shù)倪^(guò)程呈現(xiàn)出高度的非線性特點(diǎn)。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)。通常情況下BP神經(jīng)網(wǎng)絡(luò)只有這3層結(jié)構(gòu)，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡(luò)既可以完成從任意n維到m維的映射。其典型結(jié)構(gòu)如下圖所示。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP算法設(shè)計(jì)到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過(guò)隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進(jìn)行表示：

其中：、分別代表了隱含層及輸出層的權(quán)值；

n0、n1分別對(duì)應(yīng)了輸入節(jié)點(diǎn)數(shù)及隱含層節(jié)點(diǎn)數(shù)。

輸出層神經(jīng)元的激勵(lì)函數(shù)f1通常呈現(xiàn)出線性特點(diǎn)；而隱含層神經(jīng)元的激勵(lì)函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進(jìn)行輸出：

由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點(diǎn)在短時(shí)間之內(nèi)飽和而無(wú)法繼續(xù)進(jìn)行訓(xùn)練，需要在訓(xùn)練開(kāi)始之前利用下面公式對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理：

，

其中：Ui、Pi均為訓(xùn)練數(shù)據(jù)的標(biāo)定值；Uimin、Uimax分別表示輸出電壓的標(biāo)定極值（最小和最大）；Pimin、Pimax分別表示壓力的標(biāo)定極值（最小和最大）。

當(dāng)目標(biāo)矢量為T(mén)，信息通過(guò)正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結(jié)果無(wú)法達(dá)到要求的誤差范圍，則返回誤差信號(hào)并按照一定的權(quán)值對(duì)公式中的各層權(quán)值進(jìn)行修正，直到輸出結(jié)果達(dá)到期望值。

在利用典型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行壓力傳感器溫度補(bǔ)償?shù)倪^(guò)程中，算法過(guò)于復(fù)雜，而且非常耗時(shí)，因此，需要對(duì)其進(jìn)行改進(jìn)，以提高補(bǔ)償效率。

2 BP神經(jīng)網(wǎng)絡(luò)法的改進(jìn)

2.1 改進(jìn)原理

基于典型的BP神經(jīng)網(wǎng)絡(luò)，利用以下方法進(jìn)行改進(jìn)。

1）利用小波神經(jīng)網(wǎng)絡(luò)的思想對(duì)神經(jīng)元的激勵(lì)函數(shù)進(jìn)行改進(jìn)，從而實(shí)現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡(luò)自學(xué)功能的充分結(jié)合，提高激勵(lì)函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號(hào)中包含了復(fù)值和相關(guān)信息，改進(jìn)后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個(gè)輸入樣本和N個(gè)輸出節(jié)點(diǎn)，則可以利用下面的公式對(duì)第l個(gè)樣本的第n個(gè)節(jié)點(diǎn)的輸入進(jìn)行表示：

其中：K表示神經(jīng)網(wǎng)絡(luò)隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡(luò)輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡(luò)隱含層第k單元與輸出層第n單元的連接權(quán)值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號(hào)。

2）在計(jì)算過(guò)程中通過(guò)，附加動(dòng)量法的應(yīng)用可以有效改實(shí)現(xiàn)梯度方向的平滑過(guò)渡，使得計(jì)算結(jié)果更具穩(wěn)定性。該方法以BP法為基礎(chǔ)對(duì)權(quán)值進(jìn)行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓(xùn)練次數(shù)；η表示學(xué)習(xí)速率；σ表示動(dòng)量因子；σΔωki（t）表示附加動(dòng)量項(xiàng)，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。

步驟2：利用主成分分析法對(duì)預(yù)處理后的樣本數(shù)據(jù)進(jìn)行分析，降低輸入向量之間的影響，使各個(gè)輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權(quán)值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。

步驟3：對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，并對(duì)其中的部分關(guān)鍵變量進(jìn)行設(shè)置。

步驟4：為神經(jīng)網(wǎng)絡(luò)選取一組學(xué)習(xí)樣本，以輸入節(jié)點(diǎn)作為網(wǎng)絡(luò)的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡(luò)參數(shù)計(jì)算網(wǎng)絡(luò)的實(shí)時(shí)輸出能力，當(dāng)輸出誤差在允許范圍之內(nèi)時(shí)，停止訓(xùn)練；而當(dāng)輸出誤差超過(guò)允許范圍 ，則將誤差信息進(jìn)行反向傳播，使權(quán)值沿誤差函數(shù)的負(fù)梯度方向發(fā)生變化，然后利用梯度下降法計(jì)算出變化后的網(wǎng)絡(luò)參數(shù)，然后再重復(fù)進(jìn)行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練合格之后，對(duì)其進(jìn)行樣本補(bǔ)償。

步驟7：對(duì)補(bǔ)償后的樣本進(jìn)行反標(biāo)準(zhǔn)化處理，然后與實(shí)測(cè)數(shù)據(jù)進(jìn)行誤差比較，判斷出網(wǎng)絡(luò)改進(jìn)之后的變化。

2.3 壓力傳感器溫度補(bǔ)償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟，可以利用Matlab編程語(yǔ)言來(lái)實(shí)現(xiàn)。在實(shí)現(xiàn)該算法之后，我們通過(guò)在壓力傳感器量程范圍內(nèi)確定n個(gè)壓力標(biāo)定點(diǎn)，同時(shí)確定m個(gè)溫度標(biāo)定點(diǎn)。標(biāo)準(zhǔn)值發(fā)生器會(huì)根據(jù)每個(gè)標(biāo)定點(diǎn)的信息產(chǎn)生對(duì)應(yīng)的標(biāo)定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標(biāo)值要求的±20%范圍進(jìn)行選擇，然后以誤差目標(biāo)小于10-3進(jìn)行訓(xùn)練，當(dāng)達(dá)到誤差目標(biāo)之后，網(wǎng)絡(luò)的收斂速度得到有效的提升。

3 結(jié)論

通過(guò)研究結(jié)果發(fā)現(xiàn)，利用主成分分析法對(duì)信息進(jìn)行補(bǔ)償之后，再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)這些信息進(jìn)行訓(xùn)練，其學(xué)習(xí)速度相對(duì)直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練更高。同時(shí)，通過(guò)改進(jìn)典型的BP神經(jīng)網(wǎng)絡(luò)，利用小波函數(shù)作為激勵(lì)函數(shù)，并應(yīng)用動(dòng)量附加發(fā)對(duì)網(wǎng)絡(luò)敏感性進(jìn)行控制，可以有效避免網(wǎng)絡(luò)發(fā)生局部極小問(wèn)題。通過(guò)基于主成分的BP神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問(wèn)題得到高效、精確的解決。

參考文獻(xiàn)

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器數(shù)據(jù)融合[J].湖南工程學(xué)院學(xué)報(bào)，2011，21（1）：55-58.endprint

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點(diǎn)以及外界因素的影響，傳感器的輸出結(jié)果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對(duì)傳感器的溫度補(bǔ)償就顯得尤為重要。文章對(duì)目前常用的溫度補(bǔ)償方法進(jìn)行了分析，在此基礎(chǔ)上，提出了一種新的溫度補(bǔ)償方法，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，從研究結(jié)果來(lái)看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關(guān)鍵詞 壓力傳感器；溫度漂移；溫度補(bǔ)償

中圖分類(lèi)號(hào)：TP212 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）10-0038-02

壓力傳感器的輸出結(jié)果精度容易受到多種因素的影響，其中，唯獨(dú)是影響傳感器輸出精度的最主要因素。目前，國(guó)內(nèi)經(jīng)常使用硬件補(bǔ)償和軟件補(bǔ)償兩類(lèi)方法對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償。硬件補(bǔ)償方法調(diào)試難度較高、精度低、通用性也較差，在實(shí)際工程中應(yīng)用時(shí)，難以去得較好的效果；而軟件補(bǔ)償方法有效彌補(bǔ)了硬件補(bǔ)償?shù)娜秉c(diǎn)，其中BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償在實(shí)際工程中運(yùn)用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償法雖然精確度高，但是整個(gè)流程過(guò)于復(fù)雜、整個(gè)過(guò)程耗時(shí)較長(zhǎng)，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償方法，希望對(duì)提高補(bǔ)償效率和準(zhǔn)確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償原理分析

BP神經(jīng)網(wǎng)絡(luò)是目前研究中應(yīng)用范圍最廣的神經(jīng)網(wǎng)絡(luò)模型之一，BP神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)單向傳輸網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)信息傳輸?shù)倪^(guò)程呈現(xiàn)出高度的非線性特點(diǎn)。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)。通常情況下BP神經(jīng)網(wǎng)絡(luò)只有這3層結(jié)構(gòu)，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡(luò)既可以完成從任意n維到m維的映射。其典型結(jié)構(gòu)如下圖所示。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP算法設(shè)計(jì)到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過(guò)隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進(jìn)行表示：

其中：、分別代表了隱含層及輸出層的權(quán)值；

n0、n1分別對(duì)應(yīng)了輸入節(jié)點(diǎn)數(shù)及隱含層節(jié)點(diǎn)數(shù)。

輸出層神經(jīng)元的激勵(lì)函數(shù)f1通常呈現(xiàn)出線性特點(diǎn)；而隱含層神經(jīng)元的激勵(lì)函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進(jìn)行輸出：

由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點(diǎn)在短時(shí)間之內(nèi)飽和而無(wú)法繼續(xù)進(jìn)行訓(xùn)練，需要在訓(xùn)練開(kāi)始之前利用下面公式對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理：

，

其中：Ui、Pi均為訓(xùn)練數(shù)據(jù)的標(biāo)定值；Uimin、Uimax分別表示輸出電壓的標(biāo)定極值（最小和最大）；Pimin、Pimax分別表示壓力的標(biāo)定極值（最小和最大）。

當(dāng)目標(biāo)矢量為T(mén)，信息通過(guò)正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結(jié)果無(wú)法達(dá)到要求的誤差范圍，則返回誤差信號(hào)并按照一定的權(quán)值對(duì)公式中的各層權(quán)值進(jìn)行修正，直到輸出結(jié)果達(dá)到期望值。

在利用典型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行壓力傳感器溫度補(bǔ)償?shù)倪^(guò)程中，算法過(guò)于復(fù)雜，而且非常耗時(shí)，因此，需要對(duì)其進(jìn)行改進(jìn)，以提高補(bǔ)償效率。

2 BP神經(jīng)網(wǎng)絡(luò)法的改進(jìn)

2.1 改進(jìn)原理

基于典型的BP神經(jīng)網(wǎng)絡(luò)，利用以下方法進(jìn)行改進(jìn)。

1）利用小波神經(jīng)網(wǎng)絡(luò)的思想對(duì)神經(jīng)元的激勵(lì)函數(shù)進(jìn)行改進(jìn)，從而實(shí)現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡(luò)自學(xué)功能的充分結(jié)合，提高激勵(lì)函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號(hào)中包含了復(fù)值和相關(guān)信息，改進(jìn)后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個(gè)輸入樣本和N個(gè)輸出節(jié)點(diǎn)，則可以利用下面的公式對(duì)第l個(gè)樣本的第n個(gè)節(jié)點(diǎn)的輸入進(jìn)行表示：

其中：K表示神經(jīng)網(wǎng)絡(luò)隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡(luò)輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡(luò)隱含層第k單元與輸出層第n單元的連接權(quán)值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號(hào)。

2）在計(jì)算過(guò)程中通過(guò)，附加動(dòng)量法的應(yīng)用可以有效改實(shí)現(xiàn)梯度方向的平滑過(guò)渡，使得計(jì)算結(jié)果更具穩(wěn)定性。該方法以BP法為基礎(chǔ)對(duì)權(quán)值進(jìn)行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓(xùn)練次數(shù)；η表示學(xué)習(xí)速率；σ表示動(dòng)量因子；σΔωki（t）表示附加動(dòng)量項(xiàng)，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。

步驟2：利用主成分分析法對(duì)預(yù)處理后的樣本數(shù)據(jù)進(jìn)行分析，降低輸入向量之間的影響，使各個(gè)輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權(quán)值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。

步驟3：對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，并對(duì)其中的部分關(guān)鍵變量進(jìn)行設(shè)置。

步驟4：為神經(jīng)網(wǎng)絡(luò)選取一組學(xué)習(xí)樣本，以輸入節(jié)點(diǎn)作為網(wǎng)絡(luò)的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡(luò)參數(shù)計(jì)算網(wǎng)絡(luò)的實(shí)時(shí)輸出能力，當(dāng)輸出誤差在允許范圍之內(nèi)時(shí)，停止訓(xùn)練；而當(dāng)輸出誤差超過(guò)允許范圍 ，則將誤差信息進(jìn)行反向傳播，使權(quán)值沿誤差函數(shù)的負(fù)梯度方向發(fā)生變化，然后利用梯度下降法計(jì)算出變化后的網(wǎng)絡(luò)參數(shù)，然后再重復(fù)進(jìn)行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練合格之后，對(duì)其進(jìn)行樣本補(bǔ)償。

步驟7：對(duì)補(bǔ)償后的樣本進(jìn)行反標(biāo)準(zhǔn)化處理，然后與實(shí)測(cè)數(shù)據(jù)進(jìn)行誤差比較，判斷出網(wǎng)絡(luò)改進(jìn)之后的變化。

2.3 壓力傳感器溫度補(bǔ)償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟，可以利用Matlab編程語(yǔ)言來(lái)實(shí)現(xiàn)。在實(shí)現(xiàn)該算法之后，我們通過(guò)在壓力傳感器量程范圍內(nèi)確定n個(gè)壓力標(biāo)定點(diǎn)，同時(shí)確定m個(gè)溫度標(biāo)定點(diǎn)。標(biāo)準(zhǔn)值發(fā)生器會(huì)根據(jù)每個(gè)標(biāo)定點(diǎn)的信息產(chǎn)生對(duì)應(yīng)的標(biāo)定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標(biāo)值要求的±20%范圍進(jìn)行選擇，然后以誤差目標(biāo)小于10-3進(jìn)行訓(xùn)練，當(dāng)達(dá)到誤差目標(biāo)之后，網(wǎng)絡(luò)的收斂速度得到有效的提升。

3 結(jié)論

通過(guò)研究結(jié)果發(fā)現(xiàn)，利用主成分分析法對(duì)信息進(jìn)行補(bǔ)償之后，再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)這些信息進(jìn)行訓(xùn)練，其學(xué)習(xí)速度相對(duì)直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練更高。同時(shí)，通過(guò)改進(jìn)典型的BP神經(jīng)網(wǎng)絡(luò)，利用小波函數(shù)作為激勵(lì)函數(shù)，并應(yīng)用動(dòng)量附加發(fā)對(duì)網(wǎng)絡(luò)敏感性進(jìn)行控制，可以有效避免網(wǎng)絡(luò)發(fā)生局部極小問(wèn)題。通過(guò)基于主成分的BP神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問(wèn)題得到高效、精確的解決。

參考文獻(xiàn)

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器數(shù)據(jù)融合[J].湖南工程學(xué)院學(xué)報(bào)，2011，21（1）：55-58.endprint

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點(diǎn)以及外界因素的影響，傳感器的輸出結(jié)果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對(duì)傳感器的溫度補(bǔ)償就顯得尤為重要。文章對(duì)目前常用的溫度補(bǔ)償方法進(jìn)行了分析，在此基礎(chǔ)上，提出了一種新的溫度補(bǔ)償方法，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，從研究結(jié)果來(lái)看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關(guān)鍵詞 壓力傳感器；溫度漂移；溫度補(bǔ)償

中圖分類(lèi)號(hào)：TP212 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）10-0038-02

壓力傳感器的輸出結(jié)果精度容易受到多種因素的影響，其中，唯獨(dú)是影響傳感器輸出精度的最主要因素。目前，國(guó)內(nèi)經(jīng)常使用硬件補(bǔ)償和軟件補(bǔ)償兩類(lèi)方法對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償。硬件補(bǔ)償方法調(diào)試難度較高、精度低、通用性也較差，在實(shí)際工程中應(yīng)用時(shí)，難以去得較好的效果；而軟件補(bǔ)償方法有效彌補(bǔ)了硬件補(bǔ)償?shù)娜秉c(diǎn)，其中BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償在實(shí)際工程中運(yùn)用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償法雖然精確度高，但是整個(gè)流程過(guò)于復(fù)雜、整個(gè)過(guò)程耗時(shí)較長(zhǎng)，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償方法，希望對(duì)提高補(bǔ)償效率和準(zhǔn)確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償原理分析

BP神經(jīng)網(wǎng)絡(luò)是目前研究中應(yīng)用范圍最廣的神經(jīng)網(wǎng)絡(luò)模型之一，BP神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)單向傳輸網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)信息傳輸?shù)倪^(guò)程呈現(xiàn)出高度的非線性特點(diǎn)。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)。通常情況下BP神經(jīng)網(wǎng)絡(luò)只有這3層結(jié)構(gòu)，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡(luò)既可以完成從任意n維到m維的映射。其典型結(jié)構(gòu)如下圖所示。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP算法設(shè)計(jì)到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過(guò)隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進(jìn)行表示：

其中：、分別代表了隱含層及輸出層的權(quán)值；

n0、n1分別對(duì)應(yīng)了輸入節(jié)點(diǎn)數(shù)及隱含層節(jié)點(diǎn)數(shù)。

輸出層神經(jīng)元的激勵(lì)函數(shù)f1通常呈現(xiàn)出線性特點(diǎn)；而隱含層神經(jīng)元的激勵(lì)函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進(jìn)行輸出：

由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點(diǎn)在短時(shí)間之內(nèi)飽和而無(wú)法繼續(xù)進(jìn)行訓(xùn)練，需要在訓(xùn)練開(kāi)始之前利用下面公式對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理：

，

其中：Ui、Pi均為訓(xùn)練數(shù)據(jù)的標(biāo)定值；Uimin、Uimax分別表示輸出電壓的標(biāo)定極值（最小和最大）；Pimin、Pimax分別表示壓力的標(biāo)定極值（最小和最大）。

當(dāng)目標(biāo)矢量為T(mén)，信息通過(guò)正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結(jié)果無(wú)法達(dá)到要求的誤差范圍，則返回誤差信號(hào)并按照一定的權(quán)值對(duì)公式中的各層權(quán)值進(jìn)行修正，直到輸出結(jié)果達(dá)到期望值。

在利用典型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行壓力傳感器溫度補(bǔ)償?shù)倪^(guò)程中，算法過(guò)于復(fù)雜，而且非常耗時(shí)，因此，需要對(duì)其進(jìn)行改進(jìn)，以提高補(bǔ)償效率。

2 BP神經(jīng)網(wǎng)絡(luò)法的改進(jìn)

2.1 改進(jìn)原理

基于典型的BP神經(jīng)網(wǎng)絡(luò)，利用以下方法進(jìn)行改進(jìn)。

1）利用小波神經(jīng)網(wǎng)絡(luò)的思想對(duì)神經(jīng)元的激勵(lì)函數(shù)進(jìn)行改進(jìn)，從而實(shí)現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡(luò)自學(xué)功能的充分結(jié)合，提高激勵(lì)函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號(hào)中包含了復(fù)值和相關(guān)信息，改進(jìn)后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個(gè)輸入樣本和N個(gè)輸出節(jié)點(diǎn)，則可以利用下面的公式對(duì)第l個(gè)樣本的第n個(gè)節(jié)點(diǎn)的輸入進(jìn)行表示：

其中：K表示神經(jīng)網(wǎng)絡(luò)隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡(luò)輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡(luò)隱含層第k單元與輸出層第n單元的連接權(quán)值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號(hào)。

2）在計(jì)算過(guò)程中通過(guò)，附加動(dòng)量法的應(yīng)用可以有效改實(shí)現(xiàn)梯度方向的平滑過(guò)渡，使得計(jì)算結(jié)果更具穩(wěn)定性。該方法以BP法為基礎(chǔ)對(duì)權(quán)值進(jìn)行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓(xùn)練次數(shù)；η表示學(xué)習(xí)速率；σ表示動(dòng)量因子；σΔωki（t）表示附加動(dòng)量項(xiàng)，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。

步驟2：利用主成分分析法對(duì)預(yù)處理后的樣本數(shù)據(jù)進(jìn)行分析，降低輸入向量之間的影響，使各個(gè)輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權(quán)值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。

步驟3：對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，并對(duì)其中的部分關(guān)鍵變量進(jìn)行設(shè)置。

步驟4：為神經(jīng)網(wǎng)絡(luò)選取一組學(xué)習(xí)樣本，以輸入節(jié)點(diǎn)作為網(wǎng)絡(luò)的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡(luò)參數(shù)計(jì)算網(wǎng)絡(luò)的實(shí)時(shí)輸出能力，當(dāng)輸出誤差在允許范圍之內(nèi)時(shí)，停止訓(xùn)練；而當(dāng)輸出誤差超過(guò)允許范圍 ，則將誤差信息進(jìn)行反向傳播，使權(quán)值沿誤差函數(shù)的負(fù)梯度方向發(fā)生變化，然后利用梯度下降法計(jì)算出變化后的網(wǎng)絡(luò)參數(shù)，然后再重復(fù)進(jìn)行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練合格之后，對(duì)其進(jìn)行樣本補(bǔ)償。

步驟7：對(duì)補(bǔ)償后的樣本進(jìn)行反標(biāo)準(zhǔn)化處理，然后與實(shí)測(cè)數(shù)據(jù)進(jìn)行誤差比較，判斷出網(wǎng)絡(luò)改進(jìn)之后的變化。

2.3 壓力傳感器溫度補(bǔ)償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟，可以利用Matlab編程語(yǔ)言來(lái)實(shí)現(xiàn)。在實(shí)現(xiàn)該算法之后，我們通過(guò)在壓力傳感器量程范圍內(nèi)確定n個(gè)壓力標(biāo)定點(diǎn)，同時(shí)確定m個(gè)溫度標(biāo)定點(diǎn)。標(biāo)準(zhǔn)值發(fā)生器會(huì)根據(jù)每個(gè)標(biāo)定點(diǎn)的信息產(chǎn)生對(duì)應(yīng)的標(biāo)定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標(biāo)值要求的±20%范圍進(jìn)行選擇，然后以誤差目標(biāo)小于10-3進(jìn)行訓(xùn)練，當(dāng)達(dá)到誤差目標(biāo)之后，網(wǎng)絡(luò)的收斂速度得到有效的提升。

3 結(jié)論

通過(guò)研究結(jié)果發(fā)現(xiàn)，利用主成分分析法對(duì)信息進(jìn)行補(bǔ)償之后，再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)這些信息進(jìn)行訓(xùn)練，其學(xué)習(xí)速度相對(duì)直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練更高。同時(shí)，通過(guò)改進(jìn)典型的BP神經(jīng)網(wǎng)絡(luò)，利用小波函數(shù)作為激勵(lì)函數(shù)，并應(yīng)用動(dòng)量附加發(fā)對(duì)網(wǎng)絡(luò)敏感性進(jìn)行控制，可以有效避免網(wǎng)絡(luò)發(fā)生局部極小問(wèn)題。通過(guò)基于主成分的BP神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問(wèn)題得到高效、精確的解決。

參考文獻(xiàn)

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器數(shù)據(jù)融合[J].湖南工程學(xué)院學(xué)報(bào)，2011，21（1）：55-58.endprint