【正文】 阻尼局部振蕩，為了滿足加快訓(xùn)練速度，避免陷入局部極小值等要求，提出了改進(jìn) BP算法的方法：①對(duì)每一權(quán)值使用不同的學(xué)習(xí)速率η，并采用指數(shù)衰減函數(shù)δ (k)表示。由于 BP神經(jīng)網(wǎng)絡(luò)的隱含層采用的傳遞函數(shù)為對(duì)數(shù)的 S型函數(shù)，它的輸出范圍為（ 0,1），由此由公式： m inm axm axinininin XX XXX ??? （ 7） )(m inm a xm in ????ininininin YY YYY （ 8） 將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，使得處理后的數(shù)值范圍在（ 0,1）之間。訓(xùn)練時(shí) ,把要交給網(wǎng)絡(luò)的信息作為網(wǎng)絡(luò)的輸入和要求的輸出 ,使網(wǎng)絡(luò)按前述訓(xùn)練算法調(diào)節(jié)各神經(jīng)元之間的連接值和神經(jīng)元閾值 ,直到加上給定輸入網(wǎng)絡(luò)能夠產(chǎn)生給定輸出 (在允許的誤差范圍內(nèi) )為止 ,這時(shí)網(wǎng)絡(luò)的訓(xùn)練即告完成。因?yàn)?BP 算法是以階梯下降法為基礎(chǔ)的，只具有先行收斂速度，雖通過(guò)引入“勢(shì)態(tài)項(xiàng)”增加了一定程度的二階信息，但對(duì)算法的性質(zhì)并無(wú)根本的改變。 另外 BP神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域的缺點(diǎn)還有是它的權(quán)值和偏置值矩陣占用的內(nèi)存太大，所以對(duì)單片機(jī)的內(nèi)存要求也高，成本相應(yīng)的也要增加。 在論文的過(guò)程中每一次遇到不懂的問(wèn)題趙老師都會(huì)認(rèn)真和耐心的為我講解，并且老師會(huì)經(jīng)常檢查論文的進(jìn)度情況，對(duì)論文中存在的問(wèn)題及時(shí)指出，為我的修改提供建議。)。 plot(n,hardlim(n),39。 通過(guò)上面的實(shí)驗(yàn)分析，因此在實(shí)際應(yīng)用中我們應(yīng)該根據(jù)實(shí)際的的需要選擇適當(dāng)?shù)难a(bǔ)償方法來(lái)實(shí)現(xiàn)溫度的補(bǔ)償過(guò)程。 （ 4）網(wǎng)絡(luò)隱層節(jié)點(diǎn)的個(gè)數(shù)的選擇尚無(wú)理論指導(dǎo)，一般是根據(jù)經(jīng)驗(yàn)選取的。采用 BP神經(jīng)網(wǎng)絡(luò)對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償，由于神經(jīng)網(wǎng)絡(luò)具有非線性特 性、自適應(yīng)和學(xué)習(xí)能力 ,只要能獲取傳感器的輸入和輸出數(shù)據(jù) ,通過(guò)適當(dāng)?shù)挠?xùn)練學(xué)習(xí) ,可以逼近其輸入輸出特性。 2 溫度誤差修正原理模型 RBF網(wǎng)絡(luò)是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)，它不像全局逼近神經(jīng)網(wǎng)絡(luò)那樣，對(duì)每個(gè)輸入輸出數(shù)據(jù)對(duì)、每一個(gè)權(quán)值均需要調(diào)整，而是調(diào)整對(duì)輸出有影響 的少量幾個(gè)權(quán)值，從而使局部逼近網(wǎng)絡(luò)在逼近能力和學(xué)習(xí)速度方面有明顯的優(yōu)勢(shì)?；?P39。根據(jù)插值算法的公式對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行溫度補(bǔ)償，由 MATLAB 得其中一組數(shù)據(jù)的補(bǔ)償圖像為： 0 20 40 60 80 100 120 1403 . 5 1 83 . 5 23 . 5 2 23 . 5 2 43 . 5 2 63 . 5 2 83 . 5 3x 1 04x （度）p（Hz） 圖 4 插值算法實(shí)現(xiàn)溫度補(bǔ)償?shù)膱D形 實(shí)際溫度 ℃ 17 50 75 100 125 溫度讀數(shù) Hz 實(shí)際壓力MPa 0 壓力讀數(shù)Hz 5 10 15 20 25 30 35 40 實(shí)線 表示插值算法補(bǔ)償后的曲線 虛線 表示傳感器的實(shí)際輸出 10 基于 BP 神經(jīng)網(wǎng)絡(luò)的壓力傳感器溫度補(bǔ)償算法的應(yīng)用 1 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括 4個(gè)步驟 : ①輸入模式由輸入層經(jīng)中間層向輸出層正向傳播輸出；②輸出誤差由輸出層經(jīng)中間層 向輸入層反向傳播逐層修正連接權(quán)；③正向傳播和反向傳播反復(fù)交替進(jìn)行網(wǎng)絡(luò)記憶訓(xùn)練；④網(wǎng)絡(luò)學(xué)習(xí)收斂。 插值法是函數(shù)逼近的一種重要方法 ， 是數(shù)值計(jì)算的基本課題 。 圖 3 是 RBF 網(wǎng)絡(luò)的構(gòu)成圖 ,圖中輸入向量不需要通過(guò)權(quán)連接 ,直接映射到隱層空間 ,即輸入層只是傳遞輸入信號(hào)到隱層。 為輸出層神經(jīng)元輸出矢量； 1b 為隱含層神經(jīng)元的閾值； 2b 為輸出層神經(jīng)元的閾值； 1n 隱含層節(jié)點(diǎn)的輸入； 2n 為輸出層節(jié)點(diǎn)的輸入； f1為 S型傳遞函數(shù)； f2為 purelin型傳遞函數(shù)。同樣在壓力傳感器溫度補(bǔ)償方面神經(jīng)網(wǎng)絡(luò)法也被應(yīng)用，如 BP神經(jīng)網(wǎng)絡(luò)、 RBF 神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)等。 3 神經(jīng)網(wǎng)絡(luò)的分類 6 神經(jīng)網(wǎng)絡(luò)是有大量的神經(jīng)元廣泛連接成的網(wǎng)絡(luò)。受適當(dāng)訓(xùn)練的網(wǎng)絡(luò)有能力泛化，即當(dāng)輸入出現(xiàn)訓(xùn)練中未提供的數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也有能力進(jìn)行辨識(shí)。神經(jīng)網(wǎng)絡(luò)在理論上可以去逼近任何非線性的映射。 1 神經(jīng)網(wǎng)絡(luò)的概念 神經(jīng)網(wǎng)絡(luò) (Neural Network)是指 :神經(jīng) 網(wǎng)絡(luò) (Neural Network)是一個(gè)人造或生物神經(jīng)的互連組。一直以來(lái)用來(lái)進(jìn)行壓力傳感器溫度補(bǔ)償?shù)姆椒ê芏啵绕涫侨斯ぶ悄芗夹g(shù)的發(fā)展推動(dòng)了神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償?shù)姆椒ㄔ絹?lái)越多的被 應(yīng)用于實(shí)踐中，并且隨著科學(xué)技術(shù)的不斷進(jìn)步，基于神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫度補(bǔ)償算法會(huì)越來(lái)越進(jìn)步，越來(lái)越先進(jìn)，越來(lái)越被廣泛的應(yīng)用。目前，從工業(yè)生產(chǎn)、宇宙探索、海洋開(kāi)發(fā)、環(huán)境保護(hù)、資源調(diào)查、醫(yī)學(xué)診斷、文物保護(hù)、災(zāi)情預(yù)報(bào)到包括生命科學(xué)在內(nèi)的每一項(xiàng)現(xiàn)代科學(xué)技術(shù)的研究以及人民 群眾的日常生活，幾乎無(wú)一不與傳感器和傳感器技術(shù)緊密聯(lián)系著。 若 y和 t均為 x的單值函數(shù)，則式（ 1）的反函數(shù)存在。目前主流的軟件補(bǔ)償有多維回歸、神經(jīng)網(wǎng)絡(luò)法 [2]（如 :雙線性插值、樣條插值函數(shù)、 BP神經(jīng)網(wǎng)絡(luò)、 RBF 神經(jīng)網(wǎng)絡(luò)、小波等）。 2 壓力傳感器溫度補(bǔ)償?shù)姆椒? 2 （ 1）壓力傳感器 壓力是工業(yè)生產(chǎn)中常見(jiàn)的一個(gè)重要參數(shù)，在冶金、化工、制藥、航空、航天、國(guó)防等領(lǐng)域壓力測(cè)試一般是必不可少的?，F(xiàn)在非電量的測(cè)量大部分是用電測(cè)量的方法去完成的，其中的關(guān)鍵技術(shù)就是如何將非電量轉(zhuǎn)換成電量，即傳感器技術(shù)。 performances,but it easily suffer from the factor of temperature.,and then cause the drop of the precision of the sensors39。隨著人工智能特別是神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，為傳感器溫度補(bǔ)償?shù)乃惴ㄌ峁┝诵碌挠行侄?，?duì)于不同的算法，都具有自己的優(yōu)缺點(diǎn)。Temperature Compensation。毫不夸張地說(shuō)，未來(lái)的社會(huì)是傳感器的社會(huì)。壓力傳感器是壓力測(cè)試的關(guān)鍵之一。而隨著人工智能技術(shù)特別是神經(jīng)網(wǎng)絡(luò)的發(fā)展，神經(jīng)網(wǎng)絡(luò)法，具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自調(diào)整能力。在信息時(shí)代，人們的社會(huì)活動(dòng)將主要依靠對(duì)信息資源的開(kāi)發(fā)及獲取、傳輸與處理。因此可以說(shuō)，沒(méi)有眾多優(yōu)良的傳感器，現(xiàn)代化生產(chǎn)也就失去了基礎(chǔ)。目前 ,人工神經(jīng)網(wǎng)絡(luò)方法已經(jīng)廣泛地應(yīng)用于誤差補(bǔ)償 ,這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)有很強(qiáng)的環(huán)境適應(yīng)能力、學(xué)習(xí)能 力、容錯(cuò)能力和并行處理能力 ,使信號(hào)處理過(guò)程更接近于人類的思維活動(dòng)。 2 神經(jīng)網(wǎng)絡(luò)的特性 人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似。 神經(jīng)網(wǎng)絡(luò)具有高度平行的結(jié)構(gòu)，這是其本身可平行實(shí)現(xiàn)，故較其他常規(guī)方法有更大程度的容錯(cuò)能力。神經(jīng)網(wǎng)絡(luò)可以同時(shí)對(duì)定性、定量的數(shù)據(jù)進(jìn)行操作。隱層可以有若干層，每一層的神經(jīng)元只接受前一層的神經(jīng)元的輸出。 2 BP 神經(jīng)網(wǎng)絡(luò)原理 BP 神經(jīng)網(wǎng)絡(luò)由多個(gè)網(wǎng)絡(luò)層構(gòu)成 ,其中 ,包括一個(gè)輸入層、一個(gè)或幾個(gè)隱含層、一個(gè)輸出層 ,層與層之間采用全互連接 ,同層神經(jīng)元之間不存在相互連接 .隱含層神經(jīng)元通常采用 S型傳遞函數(shù) ,輸出層采用 purelin 型傳遞函數(shù)。式 (1)表示對(duì)隱含層與 i為第 i個(gè)輸出層神經(jīng)元相連接的隱含層神經(jīng)元求和 ,即對(duì) j求和。從總體來(lái)說(shuō) ,RBF 神經(jīng)網(wǎng)絡(luò)的輸入到輸出的映射是非線性的，可以實(shí)現(xiàn)從 Rn 到 Rm 的非線性映射 ,而網(wǎng)絡(luò)輸出對(duì)可調(diào)整參數(shù)而言卻又是線性的。故不能用解方程組的方法獲得插值多項(xiàng)式。這樣可以使學(xué)習(xí)速率η在較平坦的區(qū)域比在較陡的區(qū)域增加的快一些；②在學(xué)習(xí)過(guò)程中，學(xué)習(xí)速率可根據(jù)誤差函數(shù) E 的梯度信息，自適應(yīng)地進(jìn)行增益調(diào)整，以改善網(wǎng)絡(luò)的概括能力，提高網(wǎng)絡(luò)收斂性能；③在算法中使用動(dòng)量項(xiàng)，而且動(dòng)量項(xiàng)和學(xué)習(xí)速率一樣，也是變化的；④為了避免學(xué)習(xí)速率或動(dòng)量過(guò)大，設(shè)置上限值； ⑤采用參數(shù) λ 和概率 P控制網(wǎng)絡(luò)學(xué)習(xí)過(guò)程的記憶和恢復(fù)，即如果誤差的增加次數(shù)大于λ ,則減小學(xué)習(xí)速率和動(dòng)量系數(shù) ,搜索到最佳點(diǎn)處重新進(jìn)行學(xué)習(xí) ,為避免波動(dòng) ,搜索以概率 P的方式隨機(jī)進(jìn)行。歸一化處理后的神經(jīng)網(wǎng)絡(luò)的輸入輸出標(biāo)準(zhǔn)樣本數(shù)據(jù)表為： 表 2 神經(jīng)網(wǎng)絡(luò)的輸入輸出標(biāo)準(zhǔn) 樣本數(shù)據(jù)表 在基于 BP神經(jīng)網(wǎng)絡(luò)的溫度補(bǔ)償實(shí)驗(yàn)中，輸入向量的維數(shù)為 52? ，目標(biāo)向量的維 實(shí)際溫度 ℃ 17 50 75 100 125 溫度讀數(shù) Hz 0 實(shí)際壓力MPa 壓力讀數(shù)Hz 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 T T 壓力傳感器 神經(jīng) 網(wǎng)絡(luò) t t T39。正常操作 ,就是對(duì)網(wǎng)絡(luò)進(jìn)行校驗(yàn) ,給訓(xùn)練好的網(wǎng)絡(luò)輸入一個(gè)信號(hào) ,它應(yīng)該正確回憶出相應(yīng)的輸出。 （ 2）學(xué)習(xí)因子和記憶因子沒(méi)有一定的選擇的規(guī)則，選的過(guò)大會(huì)使訓(xùn)練的過(guò)程引起振蕩，選的過(guò)小會(huì)使訓(xùn)練的過(guò)程更加緩慢。 （三） RBF 網(wǎng)絡(luò)算法是一種性能良好的前向網(wǎng)絡(luò) ,它不僅有全局逼近性質(zhì) ,而且具有最佳逼近性能。論文的這段時(shí)間正因?yàn)槭抢蠋煹膰?yán)格要求以及鼓勵(lì)與促進(jìn)作用讓我在這段時(shí)間學(xué)到了一些東西。 It produces a plot of the function hardlim over the range 5 to +5. All of the mathematical transfer functions in the toolbox can be realized with a function having the same name. The linear transfer function is shown below. 19 Neurons of this type are used as linear approximators in “Linear Filters” in Chapter 4. The sigmoid transfer function shown below takes the input, which may have any value between plus and minus infinity, and squashes the output into the range 0 to 1. This transfer function is monly used in backpropagation works, in part because it is symbol in the square to the right of each transfer function graph shownabove represents the associated transfer function. These icons will replace the general f in the boxes of work diagrams to show the particular transfer function being used. 3 Neuron with Vector Input A neuron with a single Relement input vector is shown below. Here the individual element inputs p1, p2,... pR are multiplied by weights w1, 1, w1, 2, ... w1, R and the weighted values are fed to the summing junction. Their sum is simply Wp, the dot product of the (single row) matrix W and the vector p. 20 The neuron has a bias b, which is summed with the weighted inputs to form the input n. This sum, n, is the argument of the transfer function f. n = w1, 1p1 + w1, 2p2 + ... + w1, RpR + b This expression can,