一种用RBF神经网络改善传感器测量精度的新方法

化时，将前一个时刻（k-1时刻）的网络参数变化也包括进去。其具体算法如下：

javascript:window.open(this.src);" style="cursor:pointer;"/>

其中，J为误差函数，Y(k)代表希望的输出，Y(W，k)为网络的实际输出，W是网络的所有权值组成的向量。

隐层一输出层连接权值矩阵的调整算法为：

javascript:window.open(this.src);" style="cursor:pointer;"/>

其中，μ(k)为学习率，α(k)为动量因子，也称为遗忘因子，又称动量项或阻尼项。将其称为遗忘因子可从对于新旧信息的学习与遗忘的角度来理解；称为动量项或阻尼项是因为在网络的学习训练中，此项相当于阻尼力，当训练误差迅速增大时，它使网络发散得越来越慢。总之，它使网络的变化趋于稳定，有利于网络的收敛。

3 测试方法及推广应用分析

实验中以测量压力为例，采用Honeywell的24PCG—FAlG型压力传感器。将传感器测量值和DSl8B20的输出值作为网络输入层节点的输入，与其对应的压力是网络输出层节点的输出。采用的RBF神经网络为三层网络结构，其中，输入层有2个节点，隐含层有8个节点，输出层有1个节点。基于上一节中提到的网络参数调整算法，通过调整RBF网络中的可调参数(隐层节点数、学习速率、遗忘因子和网络权值、隐层标准偏差等)进行网络的训练和测试，并采用均方根(RMS)计算其训练精度和测试精度。共采集样本数据120组，其中72组作为网络训练样本，48组作为网络测试样本，在环境温度变化范围为-5℃～75℃时，最佳RBF的神经网络的训练精度为0．048％，测试精度为0．062％。同时基于获得的实验数据，采用最小二乘拟合方法建立的数学模型，其拟合精度为0．170％；用单片机直接预存线性插值补偿的方法，测试精度为0．280％。
javascript:window.open(this.src);" style="cursor:pointer;"/>
    对于其它参数的检测，如流量、浓度或温度本身，也可采用增加温度或其它辅助传感器来实现补偿的方法。对于同时存在温、湿度漂移的测量场合，可以采用温湿度一体化传感器进行补偿。在本文图3所示的神经网络中增加一个X3输入代表湿度，只是会增加具体计算的复杂性。

DSl8B20测温已普遍应用，且有着价格低廉、同基于单片机的智能仪器或测控系统接口简单的突出优点，本文将其引入作辅助测量传感器，在传感器温度补偿领域是一种有益的尝试。RBF网络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。将带遗忘因子的梯度下降算法应用于RBF神经网络的参数调整，该算法具有良好的非线性映射能力、自学习和泛化能力，鲁棒性好、收敛较快，特别适用于传感器数学模型的建立。论文采用软硬件相结合的方法实现了高精度的温度补偿。与最小二乘拟合方法及线性插值补偿方法相比，其精度提高了2～5倍。

上一页  [1] [2]