毕业设计论文基于神经网络的压力传感器温度补偿算法的研究.doc

《毕业设计论文基于神经网络的压力传感器温度补偿算法的研究.doc》由会员分享，可在线阅读，更多相关《毕业设计论文基于神经网络的压力传感器温度补偿算法的研究.doc（42页珍藏版）》请在三一办公上搜索。

1、天津农学院毕 业 设 计 中文题目:基于神经网络的压力传感器温度补偿算法 的研究 英文题目:The study about Pressure sensors based on neural network algorithms for temperature compensation 学生姓名 系 别 机电工程系 专业班级 2006 级测控技术与仪器专业1班 指导教师 成绩评定 2010年 6月 日目 录1 引言12 压力传感器温度补偿的相关内容12.1 压力传感器温度补偿的原因及方法12.2 压力传感器温度补偿算法的研究现状及发展趋势33 神经网络的简介43.1 神经网络的基本内容43.2

2、神经网络在压力传感器温度补偿中的应用63.2.1 BP神经网络的基本内容63.2.2 RBF神经网络的基本内容74 压力传感器温度补偿算法的研究84.1 插值算法在压力传感器温度补偿中的应用84.1.1 插值算法的原理84.1.2 插值算法在压力传感器温度补偿中的应用94.2 基于BP神经网络的压力传感器温度补偿算法的应用104.3 基于RBF神经网络的压力传感器温度补偿算法的应用124.4 三种温度补偿算法的对比及结论13参考文献15致 谢16附录1： 外文文献原文17附录2：英文文献中文译文28附录3：37 摘 要在工业生产中，监测和控制生产过程中的经常需要使用压力传感器，并且日常生活中传

3、感器也是汽车各个电子控制单元的核心部件，是获取信息的工具，传感器的输出特性直接影响整个系统的性能,但该特性易受温度因素干扰，进而造成传感器监测、控制、测量精度降低，因此传感器温度补偿算法的研究对提高传感器的测量精度具有重要的现实意义。随着人工智能特别是神经网络技术的发展，为传感器温度补偿的算法提供了新的有效手段，对于不同的算法，都具有自己的优缺点。通过实验，将实验数据与理论数据进行对比找到基于神经网络的压力传感器温度补偿算法的优缺点，使其更好地应用于实践中。关键词： 压力传感器;温度补偿;神经网络 ABSTRACT Pressure sensors usually widely use in

4、the process of monitor and control in the industrial production,and the sensors is also the core of the control unit in the automobile control system in our everyday life, the output characteristic of the sensors directly effect the entire system performances,but it easily suffer from the factor of

5、temperature.,and then cause the drop of the precision of the sensors monitored、controlled、measurable properties,so to research the temperature compensation algorithm of the sensors is significant for the advance of the accuracy of measurement.Following the developing of the artificial intelligence e

6、specially the Neural network technology, it provides new effective means for the sensors temperature compensation algorithm, different algorithm has its own merits and drawbacks .According to the contrast of the experimental data and theoretical data in the experiment, and then find themerits and dr

7、awbacks of the Neural network algorithms for temperature compensation of pressure sensors, in order to make full use of in the process of practice.Key words: Pressure Sensors;Temperature Compensation;Neural Network1 引言 测试技术中将测试分为电参数的测量与非电参数的测量。电参数有：电压、电流、功率、频率、阻抗、波形等，这些参量都是表征系统或设备性能的。非电参数有：机械量（如位移、速

8、度、加速度、力、应力等）、化学量（如浓度、成分等）、生物量（霉、组织等）。在生活实践中，经常遇到的是非电量的测量。现在非电量的测量大部分是用电测量的方法去完成的，其中的关键技术就是如何将非电量转换成电量，即传感器技术。从生产实践看，从人们日常的衣食住行到各种复杂的工程，都离不开传感器。例如，工厂自动化中的柔性制造系统FMS、计算机集成制造系统CIMS、大型发电厂、轧钢厂生产线、飞机、武器指挥系统、雷达、宇宙飞船、海洋探测器、各种家用电器、环境检测器、医疗卫生器械、生物工程等都依靠不同性质、不同个数的传感器来获取信息。毫不夸张地说，未来的社会是传感器的社会。2 压力传感器温度补偿的相关内容2.1

9、 压力传感器温度补偿的原因及方法 1 压力传感器温度补偿的原因无论是工业生产的监测和控制过程还是日常生活中的汽车，传感器都是各个电子控制单元的核心部件,是获取信息的工具，人们依靠不同性质、传感器的输出特性直接影响整个系统的性能,但该特性易受温度因素干扰,进而造成传感器测量精度降低,导致各个电子控制单元的工作性能下降，因此传感器特性温度补偿技术的研究对提高传感器的测量精度具有重要的现实意义。尤其是在一些需要精确控制温度的生产工艺中,若想在现有的硬件设备条件下,进一步提高温度控制精度，就需要在软件上下功夫。目前在温度控制中采用较多的是PID控制方法,由于PID控制方法是在建立精确的数学模型的基础上

10、使用的,而温度控制系统属于惯性环节,况且许多温度控制系统受负载的影响较大,同时在系统中还存在着参数时变性、结构非线性等因 ,因此很难建立精确的数学模型,所以在实际应用中人们常根据实际的应用环境采用不同的方法进行温度控制1。近些年来随着科学技术的发展越来越多的温度补偿方法被应用于实践中，尤其是随着人工智能特别是神经网络技术的发展，神经网络也被广泛的应用与实践中。 2 压力传感器温度补偿的方法 （1）压力传感器压力是工业生产中常见的一个重要参数，在冶金、化工、制药、航空、航天、国防等领域压力测试一般是必不可少的。比如，化工行业中的合成氨的生产需要压力测试，在武器系统测试中对抽气装置压力的测试、反后

11、座装置的压力测试，在工业生产中，最普遍的蒸汽锅炉、液压机和水压机等设备上的压力测试，交通运输中汽车、火车、轮船和飞机等使用的各类发动机动力、液压、气压管道中的压力测试，冶金工业上的冶炼，热风管道中的压力参数的控制和监测;在航空和航天技术部门中，一些重要的飞行参数，如高度、速度等技术性能参数的测量均以压力测试为基础。压力传感器是压力测试的关键之一。压力传感器按其工作原理，可分为应变式压力传感器、压阻式压力传感器、压电式力传感器、电涡流式压力传感器等。 （2）温度补偿的方法一般情况下，压力传感器对温度、加速度或者其它一些环境参量存在交叉灵敏度，即压力传感器的输出不仅决定于所受的压力，而且还受温度、

12、加速度等其它一些因素的作用，这可能会很大程度上影响传感器的性能和测量准确度。对于这一实际问题，国内外通常采用硬件补偿或软件补偿，硬件补偿一般就是在传感器电路中增设其它部件或者更改传感器内部结构以达到补偿的目的，它一般分为两大类：一是对传感器内部的核心是电敏电登电桥进行温度补偿设计，如掺杂、串/并电阻、双全桥、PN节、双半等；另一类是对压力传感器输出信号进行处理通过一些信号调理芯片，如AX1452、ZMD31020、PGA3og等。其中软件补偿与通过信号调理芯片的硬件性能也是对传感器输出信号进行处理，一般是通过对压力传感器的标定数据的处理。目前主流的软件补偿有多维回归、神经网络法2（如:双线性插

13、值、样条插值函数、BP神经网络、RBF神经网络、小波等）。然而在实际应用中，对于通过设计压力传感器内部压敏电阻或者内部结来实现温度补偿度很高，但是也有开发周期较长，难度大等缺点，而通过外加信号调理补偿一般是对传感器输出信号进行处理(类似软件补偿)，也有需要外置如软件补偿灵活等特点。对于软件补偿中的多维回归分析法，缺点是需模的矩阵方程，在求解方程时，维数越多，数据量越大;而随着人工智能技术特别是神经网络的发展，神经网络法，具有较强的自学习、自适应、自调整能力。在神经网络法方面，其中BP神经网络、RBF神经网络都是在压力传感器的温度补偿算法中应用范围比较广的算法。因此在实际应用中，人们应该根据实际

14、的应用要求以及应用的环境选择实用的压力传感器的温度补偿方法，尤其是随着现代科技的发展，基于神经网络的压力传感器的温度补偿算法越来越进步越来越得到人们的认可，应用的范围越来越广。 （3） 温度补偿原理 采用神经网络函数法改善传感器输出特性的原理图由传感器模型和神经网络模型两部分组成，如图1所示3。 图1 传感器温度补偿原理 在图3中，p表示经神经网络温度补偿后的输出压力值，其压力传感器的数学模型为 (1)式中，x-待测目标压力参量； t-非待测目标温度参量； y-传感器输出量。 若y和t均为x的单值函数，则式（1）的反函数存在。将压力传感器的目标参量值及温度敏感元件的非目标参量值作为网络的输入，

15、经网络处理后的输出压力P即为消除了温度干扰的待测目标参量x。2.2 压力传感器温度补偿算法的研究现状及发展趋势 现代科学技术的迅猛发展，使人类社会进入信息时代。在信息时代，人们的社会活动将主要依靠对信息资源的开发及获取、传输与处理。而传感器处于自检测与控制系统之首,是感知、获取与检测信息的窗口,它处于研究对象与测控系统的接口位置,一切科学研究和生产过程要获取的信息都要通过它转换为容易传输与处理的电信号。概括的讲传感器是一种将各种非电学量(包括物理量、化学量、生物量等)按一定的规律转换成便于处理和传输的另一种物理量(一般为电学量)的装置。传感器技术被认为是信息技术三大支柱之一，现在人们常常将计算

16、机比喻为人的大脑,传感器比喻为人们的感觉器官。“没有传感器技术就没有现代科学技术”的观点现在为全世界所公认，国内外都将传感器技术列为重点发展的高技术。目前，从工业生产、宇宙探索、海洋开发、环境保护、资源调查、医学诊断、文物保护、灾情预报到包括生命科学在内的每一项现代科学技术的研究以及人民群众的日常生活，几乎无一不与传感器和传感器技术紧密联系着。因此，传感器的地位与作用特别重要。比如，在现代工业生产尤其自动化生产过程中，要用各种传感器来监视和控制生产过程中的各个参数，使设备工作在正常状态或最佳状态，并使产品达到好的质量。因此可以说，没有众多优良的传感器，现代化生产也就失去了基础。传感器是信息采集

17、系统的首要部件，是实现现代化测量和自动控制（包括遥感、遥测、遥控）的重要技术工具，是现代信息产业的源头，又是信息社会赖以存在和发展的物质与技术基础。现在，传感技术与通信技术（信息传输）、计算机技术（信息处理），构成了现代信息技术的三大支柱，它们在信息系统中分别起着“感官”、“神经”和“大脑”的作用。可以设想如果没有高度保真和性能可靠的传感器，没有先进的传感器技术，那么信息地准确获取就成为一句空话，通信技术和计算机技术就成为了无源之水。然而实际应用中压力传感器的输出不仅决定于所受的压力，而且还受温度、加速度等其它一些因素的作用，这可能会很大程度上影响传感器的性能和测量准确度。一直以来用来进行压力

18、传感器温度补偿的方法很多，尤其是人工智能技术的发展推动了神经网络技术的发展，神经网络温度补偿的方法越来越多的被应用于实践中，并且随着科学技术的不断进步，基于神经网络的压力传感器的温度补偿算法会越来越进步，越来越先进，越来越被广泛的应用。3 神经网络的简介3.1 神经网络的基本内容 基于人工神经网络(artificialneural network)的控制称之为神经网络控制系统，简称为神经控制。随着人工神经网络的进展，神经网络越来越多地用于控制领域的各个方面，如过程控制、机器人控制、生产制造、模式识别及决策支持等。目前,人工神经网络方法已经广泛地应用于误差补偿,这是因为神经网络有很强的环境适应能

19、力、学习能力、容错能力和并行处理能力,使信号处理过程更接近于人类的思维活动。基于人工神经网络传感器温度补偿方法的优点是: 有良好的自适应性,自组织性和很强的学习功能。具有较好的容错性,即在只有部分输入条件,甚至包含了错误输入条件的情况下、网络也能给出正确的值。有良好的泛化能力(即具有插值特性),对未经训练的数据也能给出一个合理的输出。将神经网络用于传感器温度补偿,使传感器具有了更多的智能,从而可以更大限度地发挥传感器在测试中的作用。 1 神经网络的概念神经网络(Neural Network)是指:神经网络(Neural Network)是一个人造或生物神经的互连组。有两个主要的神经网络组：1.

20、生物神经网络，例如人的大脑或其中的部分。2.人造神经网络最初是指电子，机械或计算仿真或生物神经网络的模型。2 神经网络的特性 人工神经网络是生物神经网络的一种模拟和近似。人工神经网络是一个并行和分布式的信息处理网络结构,该网络一般由许多神经元组成,每个神经元有一个单一的输出,它可以连接到很多其它的神经元,其输入有多个连接通路,每个连接通路对应有一个连接权系数。由于神经网络是根据对象的输入- 输出信息,不断地对网络参数进行学习,以实现从输入参数到输出参数的非线性映射,还可以根据来自机理模型和实际运行对象的新的数据样本进行自适应学习,尤其是通过实时不断的学习,可以适应对象参数的缓慢变化。因此,这种

21、方法克服了机理建模所存在的困难。 神经网络作为一种新技术硬起了人们的巨大兴趣，病越来越多的应用与控制领域，这正是因为与传统的控制技术相比，神经网络具有以下特征4：（1）非线性。神经网络在理论上可以去逼近任何非线性的映射。对于非线性复杂系统的建模、预测，神经网络比其他方法更实用、更经济。（2）平行分布处理。神经网络具有高度平行的结构，这是其本身可平行实现，故较其他常规方法有更大程度的容错能力。（3）硬件实现。神经网络不仅可以平行实现，而且一些制造厂家已经用专用的VLSI硬件来制造神经网络。（4）学习和自适应性。利用系统实际统计数据，可以对网络进行训练。受适当训练的网络有能力泛化，即当输入出现训练

22、中未提供的数据时，网络也有能力进行辨识。神经网络还可以在线训练。（5）数据融合。神经网络可以同时对定性、定量的数据进行操作。在这方面，神经网络正好是传统工程和人工智能领域信息处理技术之间的桥梁。（6）多变量系统。神经网络能处理多输入信号，且可以具有多个输出，故适用于多变量系统。从控制理论的观点来看，神经网络处理非线性的能力是最有意义的；从系统识别和模式识别的角度考虑，神经网络跟踪和识别非线性特性的能力是其最大的优势。3 神经网络的分类神经网络是有大量的神经元广泛连接成的网络。(1)根据连接方式的不同，神经网络可以分为两大类：无反馈的前向神经网络和相互连接型网络（包括反馈网络）。其中前向神经网络

23、分为输入层、隐含层和输出层。隐层可以有若干层，每一层的神经元只接受前一层的神经元的输出。而相互连接型网络的神经元相互之间都可能有连接，因此，输入信号要在神经元之间反复往返传递，从某一初态开始，经过若干次变化，渐渐趋于某一稳定状态，或进入周期振荡等其它状态。(2)迄今为止，约有40种神经网络模型，如BP网络、RBF神经网络、Hopfield网络等。从信息传递的规律来看，分为3类：前向神经网络、反馈型神经网络和自组织神经网络。3.2 神经网络在压力传感器温度补偿中的应用神经网络模型越来越广泛的应用在实践中。同样在压力传感器温度补偿方面神经网络法也被应用，如BP神经网络、RBF神经网络、小波神经网络

24、等。其中BP神经网络、RBF神经网络是在压力传感器的温度补偿算法中应用范围比较广的算法。3.2.1 BP神经网络的基本内容 1 概念 BP网络称为误差反向传播的前向网络，可以用在系统模型辨识、预控制中，又称为多层并行网。2 BP神经网络原理 BP神经网络由多个网络层构成,其中,包括一个输入层、一个或几个隐含层、一个输出层,层与层之间采用全互连接,同层神经元之间不存在相互连接.隐含层神经元通常采用S型传递函数,输出层采用purelin型传递函数。BP网络的学习过程由前向传播和反向传播组成,在前向传播过程中,输入模式经输入层、隐含层,逐层处理,并传向输出层。如果在输出层不能得到期望的输出,则转入反

25、向传播过程,将误差值沿连接通路逐层反向传送,并修正各层连接权值。对于给定的一组训练模式,不断用一个训练模式训练网络,重复前向传播和误差反向传播过程,直至网络相对误差小于设定值为止。具有单隐含层的BP神经网络如图2所示5： 输入层 隐含层 输出层W2 +W1 P b2b1+ R 图2 具有单隐层的BP神经网络其中,P为输入矢量；R为输入矢量的维数；为单隐含层BP神经元的个数；为输出层神经元的个数；为R维隐含层神经元的权值矩阵；为R 维输出层的权值矩阵；为隐含层神经元输出矢量；为输出层神经元输出矢量；为隐含层神经元的阈值；为输出层神经元的阈值；隐含层节点的输入；为输出层节点的输入；f1为S型传递函

26、数；f2为purelin型传递函数。BP网络训练的关系式如式(2):节点输出为: (2) 式中:i为第i个输出层神经元；j为第j个隐含层神经元；为节点输出；Wij为节点连接权值；f为传输函数；为神经元阈值。式(1)表示对隐含层与i为第i个输出层神经元相连接的隐含层神经元求和,即对j求和。权值修正: (3) 式中:为学习因子(根据输出误差动态调整)；h 为动量因子；Ei为计算误差。3.2.2 RBF神经网络的基本内容1 概念 RBF网络称为径向基函数网络，是在借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络。2 RBF神经网络原理 径向基函数(Rad

27、ial Basis Function,RBF)网络是一种典型的局部逼近神经网络,它不像全局逼近神经网络那样，对于每个输入输出数据对,网络的每一个权值均需要调整,而是只调整对网络输出有影响的少量几个权值,从而使局部逼近网络具有学习速度快的优点相对于BP网络RBF网络在逼近能力、分类能力和学习速度等方面均具有明显优势，且RBF网络可在任意精度下逼近任意的非线性函数,并不存在局部最小问题。因此RBF网络已成为取代BP神经网络的另一种前向神经网络,越来越广泛地应用于信息处理、图像处理和工业控制等领域。 图3是 RBF网络的构成图,图中输入向量不需要通过权连接,直接映射到隐层空间,即输入层只是传递输入信

28、号到隐层。隐层单元通过径向基函数实现变换后送到输出层,径向基函数通常采用高斯基函数6。 图3 RBF神经网络构成图其中从隐层空间到输出空间的变换是线性的,输出层实质上是一个线性组合器。从总体来说,RBF神经网络的输入到输出的映射是非线性的，可以实现从Rn到 Rm的非线性映射,而网络输出对可调整参数而言却又是线性的。这样网络的权值Wi就可以通过直接求解线性方程组得出,从而不但加快了训练精度,而且还有效地避免了局部极小值问题。4 压力传感器温度补偿算法的研究4.1 插值算法在压力传感器温度补偿中的应用4.1.1 插值算法的原理 插值法又称“内插法”。利用函数f(x)在某区间中若干点的函数值，作出适

29、当的特定函数，在这些点上取已知值，在区间的其他点上用这特定函数的值作为函数f(x)的近似值，这力一法称为插值法。如果这特定函数是多项式，就称它为插值多项式。插值法是函数逼近的一种重要方法，是数值计算的基本课题。其中包括具有唯一插值函数的多项式插值和分段多项式插值，对其中的多项式插值中的n次多项式插值的方法，即给定n+1各点处的函数值后，构造一个n次插值多项式的方法。虽然理论上可以用解方程组那里m=n得到所求插值多项式，但遗憾的是方程组当n较大时往往是严重是病态的。故不能用解方程组的方法获得插值多项式。插值法包含的内容有：lagrange插值、newton插值、hermite插值，分段多项式插值

30、及样条插值等。本设计只应用了插值法中最简单的一种，即在区间上取若干个点，通过公式(X+Y)/2算出逼近点的值，从而得到f(x)的逼近函数。4.1.2 插值算法在压力传感器温度补偿中的应用本设计的实验中，压力范围040MPa ,温度范围17125,修正前实验数据见表1. 表1 不同温度和压力下传感器的频率输出 实际温度 17 50 75 100 125 温度读数Hz170040.129170294.653170499.942170711.340170956.228 实际压力MPa 0 压力读数Hz35293.110 35272.524 35251.718 35225.640 35195.407

31、535781.546 35760.583 35739.313 35713.524 35684.219 1036262.258 36241.105 36219.296 36194.032 36172.216 1536735.748 36713.635 36692.087 36667.300 36652.114 2037202.038 37178.813 37157.739 37133.427 37117.735 2537661.562 37638.348 37616.892 37592.919 37590.273 3038110.542 38091.029 38069.416 38045.751

32、 38055.295 3538553.090 38537.798 38515.639 38492.575 38503.846 4038990.887 38978.683 38956.138 38934.497 38943.270 可以看出:温度的变化对压力传感器的输出性能影响是非常明显的。在实际应用时,因为由于环境温度的变化比较大,所以必须进行适当的温度补偿。根据插值算法的公式对实验数据进行温度补偿，由MATLAB得其中一组数据的补偿图像为：实线表示插值算法补偿后的曲线虚线表示传感器的实际输出 图4 插值算法实现温度补偿的图形4.2 基于BP神经网络的压力传感器温度补偿算法的应用1 BP神经网

33、络的学习过程 BP神经网络的学习过程包括4个步骤: 输入模式由输入层经中间层向输出层正向传播输出；输出误差由输出层经中间层向输入层反向传播逐层修正连接权；正向传播和反向传播反复交替进行网络记忆训练；网络学习收敛。在学习过程中,标准BP算法对所有的权值使用一个统一的学习速度,每一步的长度与其方向斜率成比例,其权值更新的基本公式为7: 式中，为步长参数(学习速率)；Wij(n)为第n次权值修正量；为误差平方和对权值的负梯度。由于BP只用局部梯度信息，故值必须很小，从而使该算法跳过极小值，这导致学习收敛速度变慢，为了加快收敛速度，常用的方法是加入动量因子，其权值更新式为： 式中，是动量因子，用来阻尼

34、局部振荡，为了满足加快训练速度，避免陷入局部极小值等要求，提出了改进BP算法的方法：对每一权值使用不同的学习速率，并采用指数衰减函数(k)表示。这样可以使学习速率在较平坦的区域比在较陡的区域增加的快一些；在学习过程中，学习速率可根据误差函数E 的梯度信息，自适应地进行增益调整，以改善网络的概括能力，提高网络收敛性能；在算法中使用动量项，而且动量项和学习速率一样，也是变化的；为了避免学习速率或动量过大，设置上限值；采用参数和概率P控制网络学习过程的记忆和恢复，即如果误差的增加次数大于,则减小学习速率和动量系数,搜索到最佳点处重新进行学习,为避免波动,搜索以概率P的方式随机进行。2 温度误差修正原

35、理模型 利用人工神经网络进行温度补偿，就是利用神经网络的基本特性,使传感器具有复杂的非线性映射、自组织、自学习及推理的自适应能力。神经网络法不必建立包括待消除的非目标参量在内的函数解析式,而只需要训练样本,通过学习、训练便可以模拟出输入输出的内在联系。神经网络需要的学习样本,由多维标定实验数据提供,网络模块由软件编程来实现。神经网络修正压力传感器的原理框图如图3所示，传感器模块为:输入压力P和温度t,输出周期T和温度t；网络模块为:输入周期T和温度t,经过BP网络学习、训练,消除温度t的影响而输出T或P。TT 压力传感器神经网络ttT或P温度传感器图5 温度误差补偿原理图3 仿真研究与实验结果

36、本设计选择具有单隐层的BP神经网络,其结构图如图1所示,神经网络的训练和仿真是在MATLAB7.8环境下,通过神经网络工具箱,编制相应程序而实现的。由于BP神经网络的隐含层采用的传递函数为对数的S型函数，它的输出范围为（0,1），由此由公式： （7） （8）将实验数据进行归一化处理，使得处理后的数值范围在（0,1）之间。归一化处理后的神经网络的输入输出标准样本数据表为： 表2 神经网络的输入输出标准样本数据表 实际温度175075100 125 温度读数Hz00.2780.5020.7331.000 实际压力MPa 0.05 压力读数Hz10.789 0.5760.309 0 0.16310.

37、785 0.5660.301 0 0.2751 0.765 0.5230.242 0 0.38610.7360.478 0.1820 0.50010.725 0.4750.1860 0.61310.6740.373 0.0370 0.7251 0.6990.3650 0.147 0.8381 0.7470.3810 0.186 0.9501 0.7830.384 00.156 在基于BP神经网络的温度补偿实验中，输入向量的维数为，目标向量的维数为，训练误差为0.005，训练次数为5000次，通过实验程序得到训练后的权值和阈值，从而获得BP神经网络温度补偿的模型。仿真后得到的数据为： 表3 仿真

38、后得到的数据表 实际温度175075100125 温度读数Hz00.2780.5020.7331.000 实际压力MPa0.386压力读数Hz1.03920.7129 0.52070.2015 -0.03410.5000.93920.7302 0.51010.2533 -0.11430.6130.96590.7375 0.46030.0733 0.02060.7250.94240.7142 0.48240.0450-0.37160.8380.93830.7839 0.48880.0792-0.0587补偿仿真曲线为：虚线为补偿前的曲线,实线为补偿后曲线 图5 BP神经网络实现温度补偿的图形4.

39、3 基于RBF神经网络的压力传感器温度补偿算法的应用1 RBF网络算法 RBF网络算法是一种性能良好的前向网络,它不仅有全局逼近性质,而且具有最佳逼近性能。径向基函数神经网络(RBF)是一种三层前馈网络,与BP网络不同,RBF网络最显著的特点是隐节点的基函数采用距离函数(如欧氏距离),而激活函数采用径向基函数(如高斯函数)。径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,这种“局部特性”使得RBF网络成为一种局部响应神经网络。2 温度误差修正原理模型 RBF网络是一种典型的局部逼近神经网络，它不像全局逼近神经网络那样，对每个输入输出数据对、每一个权值均需要调整，而是调整对输出有影

40、响的少量几个权值，从而使局部逼近网络在逼近能力和学习速度方面有明显的优势。RBF网络的操作有两个过程:训练学习和正常操作或称回忆。训练时,把要交给网络的信息作为网络的输入和要求的输出,使网络按前述训练算法调节各神经元之间的连接值和神经元阈值,直到加上给定输入网络能够产生给定输出(在允许的误差范围内)为止,这时网络的训练即告完成。正常操作,就是对网络进行校验,给训练好的网络输入一个信号,它应该正确回忆出相应的输出。3仿真研究与实验结果 由前面所述的RBF神经网络模型，在基于RBF神经网络的温度补偿实验中，为了实现实验的对比效果仍取输入向量的维数为，目标向量的维数为，训练误差为0.005，训练次数

41、为5000次，通过实验程序得到训练后的权值和阈值，从而获得RBF神经网络温度补偿的模型。4.4 三种温度补偿算法的对比及结论 三种算法的对比 (一）(x+y)/2的线性插值算法在实现温度的补偿过程中公式简单，使用方便；但由于在实现温度补偿的过程中使用的是两个测量点之间的平均值所实现的补偿过程的误差比较大，因此只能用在误差要求不高的情况下。 (二)BP神经网络算法准确度高，它基本消除了温度对压力传感器输出信号的影响，实现了压力传感器的温度补偿，提高了压力传感器的精确度和可靠性。利用BP人工神经网络对压力传感器静态输出特性进行修正的新方法由计算机仿真和试验结果表明:该方法能够有效改善传感器的输出特

42、性,并且速度快、精度高、鲁棒性强,便于用硬件实现,具有较高的推广应用价值。采用BP神经网络对压力传感器进行温度补偿，由于神经网络具有非线性特性、自适应和学习能力,只要能获取传感器的输入和输出数据,通过适当的训练学习,可以逼近其输入输出特性。但是，BP神经网络存在以下问题9： （1）学习算法的收敛速度很慢。因为BP算法是以阶梯下降法为基础的，只具有先行收敛速度，虽通过引入“势态项”增加了一定程度的二阶信息，但对算法的性质并无根本的改变。 （2）学习因子和记忆因子没有一定的选择的规则，选的过大会使训练的过程引起振荡，选的过小会使训练的过程更加缓慢。 （3）网络对初始值很敏感。同一BP网络不同的初值会使网络的收敛速度差异很差。若初始权值离极小点很近，则收敛速度较快；若初始值权值远离极小点，则收敛速度极慢。另外，若输入初始值不合适，则训练起始段就会出现振荡。（4）网络隐层节点的个数的选择尚无理论指导，一般是根据经验选取的。（5）从数学上看BP算法一个非线性的优化问题，这就不可避免的存在局部极小问题。 另外B