智能傳感器中的算法應用

傅留虎+胡欣宇

摘 要：傳感器技術作為信息領域的三大基礎之一，已被列入21世紀優先發展的十大頂尖技術。該技術所涉及的知識領域非常廣泛，也越來越多地與其他學科技術的發展緊密相聯。從傳統傳感器到智能傳感器，無論是從材料、元器件和部件考慮，還是從系統研發者對傳感器進展的關注度來看，傳感器越來越趨于智能化。文中主要介紹了智能傳感器中常用的回歸分析法、人工神經網絡、遺傳算法和模擬退火算法在不同領域中的應用。

關鍵詞：智能傳感器；回歸分析法；人工神經網絡；遺傳算法；模擬退火算法

中圖分類號：TP212.6 文獻標識碼：A 文章編號：2095-1302（2017）02-00-03

0 引 言

隨著研究技術的不斷深入及數字化和虛擬儀器的快速發展，科技與發展更多的成為時代主旋律。在這個信息化時代，人們的社會活動將主要依靠對各種信息資源的有效利用。為適應社會的進步，滿足人們的日常需求，傳感器漸漸成形，且越來越多的深入到現代科技和生活中。

傳感器是指對系統特性和性能指標起決定作用的一種儀器。如果把計算機比喻為處理和識別信息的“大腦”，把通信系統比喻為傳遞信息的“神經系統”，那么傳感器就是感知和獲取信息的“感覺器官”。傳感器能夠感受或響應規定的被測量并按照一定的規律轉換為某種可用輸出信號的器件和裝置，通常由敏感元件和轉換元件組成[1]。它是人們獲取自然領域中信息的主要途徑與工具，是現代科學的中樞神經系統，是信息系統的源頭，是現代科技的前沿技術，發展迅猛。傳感器技術同計算機技術與通信技術一起被稱為信息技術的三大支柱，許多國家已將其與通信技術和計算機技術放置于同等重要的位置。

現代傳感器技術具有巨大的應用潛力，廣泛的開發空間和廣闊的發展前景。從最初的傳統傳感器逐漸發展為現在的智能傳感器。智能傳感器系統的實現是在傳感器技術、計算機技術、信號處理、網絡控制等技術的基礎上發展起來的，并隨這些技術的發展而發展。為了更大程度發揮傳感器的性能，并提高傳感器的精度，將多種傳感器與回歸方法、人工神經網絡等計算智能方法和數據融合等信息處理方法相結合，廣泛應用于越來越復雜的檢測中，同時還實現了自校準等功能。

1 傳感器技術的發展

傳感器技術誕生于20世紀中期，與當時的計算機技術和數字控制技術相比，傳感技術的發展呈落后趨勢，不少先進成果仍停留在實驗研究階段，并沒有投入到實際生產與應用中。然而，隨著各國相關信息化產業的迅猛發展，以日本和歐美等國家地區為代表的傳感器研發及其相關技術產業的發展已在國際市場中逐步占據了較為重要的地位[2]。

我國早在20世紀60年代開始涉足傳感器制造業，由于技術基礎薄弱，研發水平不高，大多引用國外的芯片進行改造和加工，自主研發的產品較少。經過從“六五”到“九五”的國家攻關，我國在傳感器研究開發、設計、制造、可靠性改進等方面獲得較為明顯的進步，初步建立了傳感器研究、開發、生產和應用的綜合體系。

一個傳統的傳感器測量一個物理、生物或者化學參數，例如位移、加速度、壓力、溫度、濕度、氧氣或一氧化碳含量可將其轉換成一個電壓或電流信號[3]。傳統意義上的傳感器的技術發展趨勢主要有以下兩方面：

（1）傳感器本身的基礎研究，即研究新型傳感器；

（2）和電子技術、計算機技術及通信技術組合在一起的傳感器系統的研究，即將新材料、新工藝與多種技術相結合，并向集成化、智能化及網絡化方向發展。

2 智能傳感器概述

2.1 智能傳感器定義

智能傳感器在本質上應定義為基于人工智能理論，利用微處理器實現智能處理功能的傳感器[4]。它不僅可以對信號進行檢測、分析、處理，也在一定程度上具備了人類的記憶、思維、交流能力，它集傳統傳感器與微處理器于一體并賦予其智能化功能。所謂的智能包括三個層次，即生物智能、人工智能和計算機智能。

（1）生物智能由人腦的物理化學過程體現出來，其物質基礎是有機物；

（2）人工智能則是非生物的，基礎是人類的知識和傳感器測量得到的數據；

（3）計算智能是由計算機軟件和現代數學計算方法實現的，其基礎是數值方法和傳感器測量得到的數據。

2.2 智能傳感器的優點與功能

相比傳統傳感器，智能傳感器主要有以下基本功能：

（1）具有自校準和故障自診斷功能；

（2）具有數據存儲、邏輯判斷和信息處理功能；

（3）具有組態功能，使用靈活；

（4）具有雙向通信和標準化數字輸出功能；

（5）人—機對話功能。

智能傳感器具有靈敏度和測量精度高、量程寬、可靠性與穩定性高、信噪比與分辨率高、自適應性強、性價比高等優點，已被廣泛應用于航天、國防、科技、生產等各領域中。

2.3 智能算法及其在智能傳感器中的應用

某些傳感器的特性可以預先用數學模型表示，但很多傳感器特性卻無法明確表達。在這種情況下，與其通過經驗對電路網絡作復雜的調整，不如對傳感器特性作數學描述。就目前研究而言，基于計算智能方法的智能信息處理主要包括回歸方法、人工神經網絡、進化計算、模糊邏輯等計算智能方法和小波分析、數據融合等信息處理方法。各種智能算法具有以下共同特點：

（1）具有不確定性，因為大多考慮了隨機因素，不少計算過程實際是在計算機上做隨機過程的模擬；

（2）大多具有自適應機制的動力體系或隨機動力體系，有時在計算過程中體系結構還在進行不斷的調整；

（3）不具有特殊性，針對通用的一般目標而設計；

（4）不少算法在低維或簡單的情況下顯得“笨”，但到了高維復雜情形中就具有很強的適應性[5]。

高敏[6]等建立了二位回歸方程，應用回歸分析設計了硬件系統，實現了對電流傳感器的實時溫度補償。史麗萍[7]等利用最小二乘法和切比雪夫不等式對傳感器數據進行回歸分析，得出了這兩種方法誤差較小且分布均勻，可被應用于傳感器測試的結論。趙敏[8]等在設定溫度下對傳感器進行數據輸入，并標定輸出數據，采用神經網絡算法對輸出數據進行分析，得出了神經網絡算法可對標定的溫度數據和非標定的數據進行處理的結論。郝云芳[9]等運用遺傳算法對傳感器自校正方程中的待定常數進行計算，可準確反映出傳感器的設計和實際信息的測定要求。陳華根[10]等對模擬退火算法的定位原理和定位應用進行了分析，得出模擬退火算法可以較好地應用于GPS定位的結論。

2.3.1 回歸分析法

回歸分析是以概率論與數理統計為基礎，主要對隨機現象統計資料進行分析和推斷，用來確定兩種或兩種以上變量間相互依賴的定量關系，是數理統計中常用的方法之一。按照設計自變量的多少，可以分為一元回歸和多元回歸分析；按照自變量和因變量之間的關系類型，可以分為線性回歸分析和非線性回歸分析。

在一元線性回歸中，假定因變量y是隨機變量，自變量x是可以精確觀察或嚴格控制的一般變量，建立回歸方程y=β0+β1x+ε，其中β0、β1為回歸系數，ε為隨機變量，也稱為剩余誤差。一元線性回歸問題的主要問題是依據（x，y）的n組觀測數據（xi，yi）（i=1，2，…，n）給出回歸系數β0、β1的估計值b0、b1，同時對β1做統計檢驗，以便指出這些估計的可靠程度，并在此基礎上進行預測與控制等。

多元線性回歸分析主要有以下幾個主要步驟：

（1）根據研究的目的和內容確定被解釋變量和解釋變量，正確選擇分析變量是得出正確結論的前提和基礎；

（2）模型的設定，模型設定根據研究的對象與相應的理論加以確定；

（3）參數估計；

（4）模型的檢驗和修正；

（5）模型的運用。

回歸分析方法可以與智能傳感器數學模型結合使用，以傳感器測得的輸入值或輸出值作為擬合多項式的自變量，通過建立包括待消除的非目標參量在內的函數解析式，來消除非目標參量對傳感器的影響，這樣就可對數據進行需要的處理，實現非線性補償[11]。高敏等[6]在測溫系統中，用溫度傳感器對霍爾電流傳感器的工作溫度進行實時監測，用二維回歸分析法建立起被測電流、霍爾電流傳感器輸出電壓和其工作溫度三者之間的函數關系，并存儲于單片機中，結合外圍電路實現對該電流傳感器的實時補償，構成一個具有溫度補償功能的電流傳感測試系統，在一定程度上提高了傳感器的測量精度和自適應能力。同時，在一個受限的測試系統中，與其對電路網絡做復雜的調整，不如對傳感器特性做數學描述，如回歸分析等[7]。

2.3.2 人工神經網絡

人工神經網絡起源于生物學上的重大發現，是由簡單的處理單元（神經元）大量并行分布而組成的處理機。它使用大量神經元處理信息，而神經元按層次結構的形式組織，每層神經元以加權的方式與其它層神經元聯接，采用并行結構和并行處理機制，因而網絡具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射，具有多種典型的人工神經網絡拓撲結構。在BP神經網絡中，信息是前向傳播的，而誤差是反向傳播的，即誤差的調整過程是從最后的輸出層依次向之前各層逐漸進行。神經網絡的這些特性和強大的非線性處理能力，恰好滿足了多傳感器數據融合技術處理的要求，故近年來得到了較快的發展和一定應用[8，12]。

BP神經網絡被用于傳感器技術中，對多傳感器數據進行融合，在一定程度上提高了傳感器的穩定性和準確性[13]。有時為了滿足不同的測量需要，也提出了多種改進基于BP 神經網絡的校正方法。例如用于檢測瓦斯濃度的瓦斯傳感器，其輸入與輸出之間存在著較嚴重的非線性，實際應用中一般采用分段線性化校正的方法，這在一些檢測精度要求較高的場合中往往達不到實際需求，因此必須進行高精度的線性化校正。劉剛[14]提出了一種基于改進型BP神經網絡的瓦斯傳感器的非線性校正方法，利用神經網絡良好的非線性映射能力，通過實驗數據訓練神經網絡，使網絡逐步調節層間的連接權，逼近反非線性函數，利用該函數傳感器可實現按非線性特性輸出系統的被測量值。在位移傳感系統中，為了提高精度與穩定性，有效抑制溫度漂移，可以把位移傳感器的輸出與溫度傳感器的輸出進行數據融合。朱海梅[15]提出一種基于RBF網絡（徑向基函數神經網絡）的多傳感器數據融合方法，把位移傳感器和溫度傳感器的輸出送入融合中心，通過RBF網絡的學習訓練，得到穩定的位移輸出。

2.3.3 遺傳算法

遺傳算法是一種概率性自適應迭代尋優過程。它從某一隨機產生的或是特定的初始群體（父體）出發，按照一定的操作規則，如選擇、交叉、變異等，不斷進行迭代計算，并根據不同個體的適應度保留優良淘汰次品，即便所定義的適應值函數是不連續的、非規則的，也能引導搜索過程向最優解逼近。

目前，最小二乘法作為一種較為成熟的軟件校正，為了克服它得不到全局最優解且有可能造成矩陣方程出現病態而破壞其方法有效性的特點[16]，郝云芳等[9]把遺傳算法應用于擬合傳感器的特性方程，求解智能傳感器自校正系統中的待定常數值，它可以很好地解決當噪音存在時，傳統自校正系統求解過程中方程遇到矩陣的病態問題，從而實現傳感器特性的線性化。對于輸入輸出關系是本質非線性的傳感器，沈毅等[17]提出了一種基于人工神經網絡的紙漿濃度傳感器非線性估計和動態標定方法，錢光耀等[18]采用混合遺傳算法模型擬合其輸出特性，這些均表明，當環境條件發生變化時，只要測量幾組數據對，該方法可自動重新訓練網絡，獲得新的多項式系數，實現濃度傳感器的非線性估計和在線動態標定。

在理想情況下，多傳感器、多目標靜態數據關聯選用遺傳算法也是可行的，很有應用前景。王寧等[19]采用多傳感器對數目未知的目標進行檢測，并通過遺傳算法來解決靜態數據關聯問題，且關聯成功率較高。因此，遺傳算法是一種能在復雜空間中進行魯棒搜索的方法，可以解決許多傳統優化方法難以解決的問題。

2.3.4 模擬退火算法

模擬退火算法是模擬物理熱力學中固體退火原理的一種全局優化算法。在對固體退火過程研究的啟示下，以組合優化問題和固體退火過程之間存在的相似性為基礎，把Metropolis接受準則引入優化過程中，通過恰當控制被稱為溫度參數的下降過程實現模擬退火，從而得到全局的近似最優解，該算法適用于解大型組合優化問題的技術。

模擬退火的實質是進行兩次循環運算，內循環是在同一溫度下的多次擾動產生不同模型狀態，并按照Metropolis概率接受準則接收新模型，因此內循環以模型擾動次數控制。外循環包括溫度下降的模擬退火、算法迭代次數的遞增和算法停止的條件，因此外循環基本是由迭代次數控制的[10]。

模擬退火算法的應用廣泛，而無線傳感器網絡在國防、環境監測、空間探索、醫療衛生、精細農業、交通管理、制造業、反恐抗災等領域具有廣闊的應用前景[20]。有學者巧妙地將二者結合使用，取得了良好的效果。李玉增等[21]提出一種新的無線傳感器網絡節點定位算法，并通過仿真驗證了該算法具有良好的效果。趙仕俊等[22]在對無線傳感器網絡定位的基礎上采用模擬退火算法作為后期優化，提高了定位精度，且設計簡單、計算量小，適用性較好。在壓力傳感器的測控系統中，為了消除非目標參量對壓力傳感器輸入—輸出特性的影響，樊曉宇等[23]采用遺傳模擬退火算法對壓力傳感器非線性特性進行了改善，實現了智能抑制干擾和溫度補償，因此其可靠性好、測量精度高。

3 結 語

智能傳感器已廣泛應用于電子產品加工、精密儀器制造、高科技產品生產等行業，例如機器人的研發就與高科技傳感器密不可分，智能傳感器可以收集周圍環境信息并發送指令給機器人，從而控制它的活動；在工業生產領域，智能傳感器可控制商品的各類指標，以提高產品質量；在醫學領域，傳感器已被應用于各類醫學儀器中，用以測量人體血液、內臟、骨骼、神經等各方面的指標，為醫生確診提供依據，使廣大患者受益，提高人們的健康水平；在日常生活中，各種由智能傳感器制造的先進家用電器不斷問世，更加方便了人們的生活。當代智能傳感器技術正在向著虛擬化、網絡化、信息化方面發展，并與計算機技術和芯片技術緊密結合，應用于各個方面，目前研發適用于各種特殊條件下的智能傳感器將仍是學術界一項重要的任務。

參考文獻

[1]孫寶元，楊寶清.傳感器及其應用手冊[M].北京：機械工業出版社，2004：307-374.

[2]李建壯，楊彥濤.傳感器技術的應用與發展趨勢展望[J].中國科技信息，2011 （17）：120，126.

[3] Lee K. Sensor Networking and Interface Stardardization [C].In：Proceedings of the Instrumentation and Measurement Conference （IMTC） 2001，Budapest，Hungary，May 21-23，2001：147-152.

[4]孫圣和.現代傳感器發展方向[J].電子測量與儀器學報，2009，23 （1）：1-10.

[5]何金田，劉曉文.智能傳感器原理，設計與應用[M].北京：電子工業出版社，2012.

[6]高敏，盧文科，孫仁濤.基于二維回歸分析法的霍爾電流傳感器溫度補償[J].電子測量與儀器學報，2009，23（2）：100-104.

[7]史麗萍，孫寶元，于浩洋.多項式回歸分析在傳感器測試中的應用[J].河北工業大學學報，2003，32（3）：41-44.

[8]趙敏，潘衛明，楊燦軍.基于神經網絡的數據融合技術在諧振式密度傳感器中的運用[J].傳感技術學報， 2000，13（3）：187-192.

[9]郝云芳，馮曉明，黃天祿.遺傳算法在傳感器非線性自校正中的應用[J].傳感器技術，2003，22（6）：56-57，61.

[10]陳華根，李麗華，許惠平.模擬退火定位算法研究[J].同濟大學學報（自然科學版），2005，33（9）：1240-1243.

[11]杜西亮，孫慧明.多項式回歸在智能傳感器線性化中的應用[J].傳感技術學報，2005，18（1）：212-214.

[12]蔡兵.基于神經網絡的半導體壓力傳感器數據融合技術[J].湖北文理學院學報，2002，23（2）： 16-18.

[13]張荷芳，薛靜云.壓力傳感器溫度補償的BP神經網絡算法[J].西安工業大學學報，2013，33（2）：163-167.

[14]劉剛.基于改進型BP神經網絡的瓦斯傳感器的非線性校正[J].電氣自動化，2007，29（3）：61-63.

[15]朱海梅.神經網絡數據融合在位移傳感系統中的應用[J].南京師范大學學報（工程技術版），2006，6（1）：28-32.

[16]陳國良.遺傳算法及應用[M].北京：國防工業出版社，1995：12-30.

[17]沈毅，張建秋，王世忠，等.紙漿濃度傳感器非線性估計和動態標定的一種新方法[J].儀器儀表學報，1997，18（1）：1-6，13.

[18]錢光耀，趙光興，韓華明.基于混合遺傳算法的濃度傳感器的非線性估計和動態標定[J].中國儀器儀表，2006 （9）：44-47.

[19]王寧，郭立，金大勝，等.遺傳算法在多傳感器多目標靜態數據關聯中的應用[J].數據采集與處理，1999，14（1）：18-21.

[20] Akyildiz LF， Su WL， Sankarasubramaniam Y， et al.A survey on sensor networks[J].IEEE Communications Magazine， 2002，40（8）： 102-114.

[21]李玉增，張雪凡，施惠昌，等.模擬退火算法在無線傳感器網絡定位中的應用[J].通信技術，2009，42（1）：211-213.

[22]趙仕俊，孫美玲，唐懿芳.基于遺傳模擬退火算法的無線傳感器網絡定位算法[J].計算機應用與軟件，2009，26（10）：189-192.

[23]樊曉宇，王玉寶，盧國偉，等.基于遺傳模擬退火算法的壓力傳感器溫度補償系統[J].傳感技術學報，2008，21（9）：1532-1535.