基于BP和RBF神經網絡的新型融合技術研究

費 晶，李趙興

（榆林學院 陜西 榆林 719000）

基于BP和RBF神經網絡的新型融合技術研究

費 晶，李趙興

（榆林學院 陜西 榆林 719000）

為了提高融合技術的精度，本文以JCY-120壓力傳感器構建的一套測量系統為例，提出了一種基于BP，RBF神經網絡進行訓練消除交叉敏感的實驗方案，該實驗利用壓力傳感器得到的交叉敏感的數據，采用BP和RBF網絡進行訓練和測試。最后進行實驗，實驗結果表明該方法在利用神經網絡進行新型融合技術方面，能夠提高數據融合的精度。

壓力傳感器；交叉敏感；人工神經網絡；BP；RBF

傳感器技術是現代測量和自動化系統的重要技術之一，目前所用的壓力傳感器有電阻應變片壓力傳感器、半導體應變片壓力傳感器、壓阻式壓力傳感器、電感式壓力傳感器、電容式壓力傳感器、諧振式壓力傳感器及電容式加速度傳感器等。但應用最為廣泛的是壓阻式壓力傳感器，它有交叉敏感的存在，這給系統的測量帶來了較大的誤差。現有的消除交叉敏感的方法有補償法，最小二乘法，回歸分析法等，后來出現的神經網絡方法提出了新的思路。本文將針對具體的壓力傳感器數據進行數據融合，消除交叉敏感，并對結果進行了比較。

1 壓力傳感器系統的組建

為了測量壓力傳感器的數據，并且對測量的數據進行數據融合，在此引用了一個基于JCY-120壓阻式壓力傳感器的測量系統。活塞壓力計的壓力變化通過壓力傳感器轉化為電流信號傳送到傳感器測試電路，測試電路使用可變電阻調整，使之始終在恒流條件下，電流用電流表監控，并且對電流值進行監控，這個也將作為系統的一個期望融合結果出現。測得的電壓信號通過應變放大器，送到數據采集卡上，然后用虛擬電壓表讀出數據。

JCY-120壓阻式壓力傳感器的結構原理如圖1所示。

圖1 JCY-120壓阻式壓力傳感器原理圖Fig.1 Schematic diagram of JCY-120 piezoresistive pressure sensor

構建系統時需要為壓阻式壓力傳感器提供供電回路，具體如圖2所示。

圖2 壓阻式壓力傳感器供電回路Fig.2 Power supply of piezoresistive pressure transducer

2 數據融合

2.1 傳感器的交叉敏感

常規的經典傳感器都存在交叉靈敏度，表現在傳感器的輸出值不只決定一個標稱的目標參量，當其它非目標參量變化時，其輸出值也隨之發生變化。如壓力傳感器，其目標參量壓力恒定，而環境溫度T或供電電壓U/電流I等參量變化時，其輸出值也發生變化，則壓力傳感器就存在對環境溫度或供電電壓/電流的交叉靈敏度。也就是說，經典壓力傳感器的標成參量壓力P不是傳感器輸出電壓U的一元函數，而是與非目標參量溫度T，供電電流I等參量有關的多元函數，即：

常規做法卻是將壓力傳感器的輸入壓力P與輸出電壓U的關系作為一元函數處理，即：

2.2 傳感器數據融合算法

數據融合又稱信息融合或多傳感器數據融合[1]。其定義可概括為：充分利用不同時間與空間的多傳感器數據資源，采用計算機技術對按時間序列獲得的多傳感器觀測數據，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它的各組成部分更充分的信息。

多傳感器數據融合[2]技術充分利用多個傳感器資源，通過對多傳感器及其觀測信息的合理支配和使用，把多傳感器在空間或時間上冗余或互補信息依據某種準則來進行組合，以獲得被測對象的一致性解釋或描述。

利用多個傳感器所獲取的關于對象和環境全面、完整的信息，主要體現在融合算法上，因此多傳感器系統的核心問題是選擇合適的融合算法[3]，多傳感器數據融合的常用方法基本上可概括為隨機和人工智能兩大類，隨機類方法有加權平均法、卡爾曼濾波法、多貝葉斯估計法等；而人工智能類則有模糊邏輯理論、神經網絡[4]、粗集理論、專家系統等。本文使用的主要是神經網絡的方法。

人工神經網絡法是接近人類大腦思維方法的一種算法，它通過大量簡單的處理單元即神經元廣泛地互為連接而形成復雜的網絡系統，目前最為成功應用的神經網絡結構是前饋神經網絡，它可以通過學習而掌握經驗，將“知識”或“經驗”以網絡神經元連接權的形式反映出，前饋神經網絡的學習算法通常采用反向來，從而對未知樣本做出判別，反向傳播算法(Back-Propagation)，簡稱B-P算法，因此這種網絡也稱為B-P網絡。而徑向基網絡（RBF）是一種新型的神經網絡，它在學習過程中可以自動調整隱藏層節點數，而且有著比BP[5]更快的收斂速度。本文通過BP和RBF兩個網絡，分別對同一組壓力傳感器數據進行辨識驗證。

3 數據處理

3.1 基于BP網絡的數據融合

表1 BP網絡結構的測試Tab.1 BP Network configuration

通過上述表格比較后發現第九項誤差最小，最終確定最佳的網絡參數如下：

隱層響應函數：logsig

輸出層響應函數：purelin

隱層節點數6

訓練次數：1 000

目標方差：0

訓練函數：trainlm

將這樣一個網絡利用訓練面板進行訓練得到的誤差曲線如圖3所示。

圖3 BP訓練誤差曲線Fig.3 Error curve of BP training

網絡測試的輸出如表2所示。

接下來要計算誤差，采用了均方根值對檢驗樣本輸出值進行誤差評價，使用Matlab的mse函數，可計算出檢驗樣本的均方根誤差為：Perf=1.685 2×10-6

3.2 基于RBF網絡的數據融合

RBF網絡[6]的建立過程即是網絡的訓練過程，它訓練時可以自動調節網絡的隱層節點數，當誤差達不到要求時它會自動將隱層節點加一重新訓練。SPREAD叫擴展常數，是RBF網絡的一個重要參數。通過改變它的大小即可以獲得不一樣的網絡。故與BP網絡相比，RBF的參數設置比較簡單，只需改變網絡建立函數和擴展常數就可以了。

表2 BP網絡測試輸出數據Tab.2 Output data of BP network tes

表3 RBF網絡結構的測試Tab.3 RBF Network configuration

采用newrbe建立一個準確的RBF網絡時發現其對壓力的辨識誤差很大，不符合設計的要求，故采用了newrb函數，經過比較，當SPREAD=1時誤差最小，但經過后期測試，SPRAED=6時數據最準確。最終建立的最佳網絡如下：

網絡訓練次數：默認

網絡隱藏層最點數：默認（25）

每次顯示間隔數：1

SPRAED：6

訓練目標：默認（0）

訓練之后誤差曲線如圖4所示。

圖4 RBF訓練誤差曲線Fig.4 Error curve of RBF training

表4 RBF網絡的訓練結果Tab.4 Result of RBF training

訓練結果為如表4所示。第一行為壓力辨識數據，第二行為電流的融合值。對每 一個辨識值計算偏差后可以得表3～5所示的誤差結果。

表5 RBF網絡的訓練誤差Tab.5 Error curve of RBF training

4 結論

通過實驗表明人工神經網絡以其非線性映射能力、高容錯性和魯棒性，有助于解決傳感器普遍存在的交叉敏感問題，有助于檢測精度的提高，反向傳播(BP)神經網絡和徑向基函數(RBF)神經網絡可以提高數據融合的精度。

[1]谷立臣.多傳感器信息融合中的關聯特性研究[J].機械工程學報,2000(4):53-57.

GU Li-chen.Research related characteristics of the multisensor information fusion [J].Journal of Mechanical Engineering,2000(4):53-57.

[2]黎果,李志蜀，李奇，等.基于神經網絡的多傳感器融合技術研究[J].微計算機信息,2009,25(16):145-147.

LI Guo,LI Zhi-shu,LI Qi,et al.The Study of Multi Sensor Fusion Technology Based on the NeuralNetwork [J].Microcomputer Information,2009,25(16):145-147.

[3]鄧睿,胡志勇.數據融合發展的綜述[J].連云港師范專科學校學報,2005(4):75-78.

DENG Rui,HU Zhi-yong.Survey ofDevelopmentof Multisensor Information Fusion[J].Journal of Lianyungang Teachers College,2005(4):75-78.

[4]魏海坤,徐嗣鑫,宋文忠.神經網絡的泛化理論和泛化方法[J].自動化學報,2001,27(6):806-815.

WEI Hai-kun,XU Si-xin,SONG Wen-zhong.Generalization theory and generalization methods for neural networks[J].Acta Automatica Sinica,2001,27(6):806-815.

[5]葉健,葛林東,吳月嫻.一種優化的RBF神經網絡在調制識別中的應用[J].自動化學報,2007,33(6):652-654.

YE Jian,GE Lin-dong,WU Yue-xian.An Application of Improved RBF Neural Network in Modulation Recognition[J].Acta Automatica Sinica.2007,33(6):652-654.

[6]周觀民,李榮會.基于神經網絡的傳感器網絡數據融合技術研究[J].計算機仿真,2011,28(10):118-120.

ZHOU Guan-ming,LI Rong-hui.Sensor Network Based on NeuralNetwork Data Fusion Technology[J].Computer Simulation,2011,28(10):118-120.

The study on new data fusion technology based on BP and RBF neural network

FEI Jing,LI Zhao-xing
（Yulin University,Yulin 719000,China）

To enhance the precision of the fusion?technology,taking a measurement system as an example which is based on JCY–120 Pressure Sensor,this article proposes an experimental scheme which uses BP and RBF neural network to train thus achieves the aim of eliminating cross-sensitivity.The experiment takes use of the cross sensitive data obtained from the pressure sensor,and adopts BP and RBF network to train and test.The final experiment result shows that the proposed scheme in using neural network to the new date fusion technology could enhance the precision of data fusion.

pressure sensor;cross-sensitivity;artificial neural networks;BP;RBF

TN711

A

1674-6236（2014）17-096-03

2014-04-14 稿件編號：201404139

榆林市科技計劃項目(Gy13-15)

費 晶（1982—），女，陜西榆林人，碩士。研究方向：軟件工程、自動化。