基于深度學習的角度傳感器信號擬合方法研究

黃智飛

摘要

角度傳感器在實際使用中很容易受到電磁等環境因素影響，導致其轉動方向值是一組不規律的數值，很難找到準確的函數來擬合數據。針對角度傳感器易受不規律干擾波動影響的問題，本文應用深度神經網絡算法來擬合角度傳感器的轉向值，旨在找到角度傳感器轉動規律，降低外部環境因素對角度傳感器的影響，提高多傳感信號測量精度。實驗表明，深度神經網絡算法的函數擬合能力很強，擬合效果不錯。

關鍵詞：角度傳感器;函數擬合;深度學習;神經網絡

0引言

20世紀90年代初期，首款角度傳感器被應用在汽車上用來輔助駕駛[1]。隨著傳感器制造技術的不斷迭代更新，越來越多新穎、性能穩定的角度傳感器被發明出來。如今磁電式角度傳感器以其角度轉動精度高、性能穩定等優點成為應用最為廣泛的角度傳感器之一[2]。故本文選用磁電式角度傳感器為研究對象。

磁電式傳感器又名感應式傳感器，有配用電路簡單、性能穩定等特點。磁電式角度傳感器由1個主動齒輪、2個從動齒輪和霍爾傳感器等構成。一般情況下，主動齒輪是接外部儀器，由外力驅動，比如應用在汽車上的磁電式角度傳感器，其主動齒輪與汽車方向盤相連。當方向盤轉動時會驅動主動輪做同心轉動主動輪帶動從動輪轉動。傳感器的角度輸出是通過安置在從動輪上的永磁鐵得到的，磁場的變化會被霍爾傳感器感知從而輸出相應的角度值。從磁電式傳角度傳感器的工作原理中可知，在實際使用中其很容易受到電磁等環境因素影響導致其干擾轉動方向值是一組不規律的數值，如果可以找到準確的函數來擬合干擾轉動值，則角度傳感器在實際使用時可提前預警自動修正，達到抗干擾的目的。

本文利用深度神經網絡強大的數據擬合能力，應用深度神經網絡來擬合角度傳感器的轉向值，旨在找到角度傳感器轉動規律，降低外部環境因素對角度傳感器的影響提高多傳感信號測量精度。本文做了多次對照實驗，通過神經網絡各種超參數組合情況，找到了能達到最佳擬合效果的深度神經網絡模型。

1深度神經網絡

為了提升預測或分類的精確度，深度學習方法建立了含有許多個隱含層的深度神經網絡模型，而且使用大量的數據使模型學習繁雜但是有效的信息[3]。深度學習和淺層學習最大的不同是神經網絡的結構，相對于淺層學習，深度學習的結構更深可以處理復雜程度更高的非線性問題。

1.1深度神經網絡原理

在深度神經網絡中，每層神經元的輸入都是上一層神經元的輸出，當網絡結構不斷加深，后面一層的神經元的表示更為抽象深入，其輸出的值也更抽象[4]。

1.2深度神經網絡的訓練

采用一般深度學習的實驗流程，主要由數據預處理、訓練以及驗證三部分構成，具體流程如下：

第一步：數據預處理，將數據做歸一化處理。

第二步：模型訓練，設置不同的超參數組合情況，尋找最佳神經網絡結構。

第三步：模型驗證，計算R方和調整R方兩個評價指標來衡量性能好壞。

2 應用效果分析

本文的深度神經網絡模型采用1層輸入、3層隱含層和1層輸出層的結構。激活函數為Relu函數，損失函數為交叉熵損失，優化算法是Nesterov Momentum算法，學習速率為0.01，丟棄率為0.3。本文的深度神經網絡最后擬合出來的函數如圖1所示。

圖1中散點即為1分鐘內角度傳感器偏移的角度，曲線即為深度神經網絡擬合出來的函數曲線圖，從圖1中可以直觀地看出，深度神經網絡的擬合效果不錯。基本上可以實現準確預測偏移走向的功能。圖1是對深度神經網絡擬合數據能力的定性分析，在分析回歸模型的好壞時，引入R方和調整R方來評價擬合能力，由實驗得出，深度神經網絡擬合得出的R方為0.942，調整R方為0.928。

3結論

本文利用深度神經網絡強大的數據擬合能力，應用深度神經網絡算法來擬合角度傳感器的轉向值，旨在找到角度傳感器轉動規律，降低外部環境因素對角度傳感器的影響，提高多傳感信號測量精度。本文做了多次對照實驗，通過神經網絡各種超參數組合情況，找到了能達到最佳擬合效果的深度神經網絡模型。實驗表明，深度神經網絡算法的函數擬合能力很強，R方和調整R方分別為0.942和0.928，擬合效果不錯。

參考文獻

[1] 王心宇， 魏詩朦， 陳韻秋. 基于深度學習的傳感器故障數據分析系統設計[J]. 計算機測量與控制， 2020（第6期）：266-270.

[2] 郭忠新， 張蕾. 磁電式方向盤轉角傳感器的應用與研究[J]. 汽車電器， 2019（第1期）：48-50.

[3] 范汝鑫. 基于深度神經網絡的個性化商品推薦研究[D]. 合肥工業大學， 2019.

[4] Li R L R， Liu Y L Y， Shi Y S Y， et al. ILMSAF based speech enhancement with DNN and noise classification[J]. Speech Communication， 2016：53-70.