【文章內(nèi)容簡(jiǎn)介】 存儲(chǔ)到RAM中，在應(yīng)用中首先將數(shù)據(jù)與所采集參數(shù)進(jìn)行比對(duì)，判斷其落入到何區(qū)域，然后根據(jù)其所在的區(qū)域找出其溫度點(diǎn)下的直線方程，按照線性函數(shù)對(duì)應(yīng)找出標(biāo)定結(jié)果。就是將被測(cè)量數(shù)據(jù)按照量程分為若干段，然后將相鄰兩分段點(diǎn)用直線連起來(lái)，再用直線來(lái)描述數(shù)據(jù)曲線。插值法優(yōu)點(diǎn)在于根據(jù)采集的數(shù)據(jù)比對(duì)處理速度快，算法簡(jiǎn)單，缺點(diǎn)為如果選擇的插值數(shù)據(jù)多則需要占用很大的存儲(chǔ)空間，若插值基點(diǎn)少則精度不夠。 曲線擬合法[19]的數(shù)據(jù)擬合步驟如下所示。(1)對(duì)標(biāo)定壓力P的數(shù)據(jù)擬合方程利用所采集到的實(shí)驗(yàn)數(shù)據(jù)將不同工作溫度條件下所對(duì)應(yīng)的的輸入與輸出可以用一維多項(xiàng)式方程表示如式23所示。溫度t1: 溫度t2: （23） 溫度ti: 根據(jù)所測(cè)量得到的數(shù)據(jù)，利用個(gè)溫度點(diǎn)下所輸出值U，計(jì)算其1次方，二次方到5次方，標(biāo)定壓力為，此方程輸出根就可以確定。故首先由輸出壓力和輸出壓力找出其多項(xiàng)式系數(shù).（2）對(duì)系數(shù)k的曲線擬合方程對(duì)于上式中各個(gè)系數(shù)k隨溫度變化的規(guī)律通常不是線性的，這里也用一位多項(xiàng)式進(jìn)行數(shù)據(jù)擬合，式方程表示為如式24：常數(shù)項(xiàng)系數(shù)一次項(xiàng)系數(shù) （24） 五次項(xiàng)系數(shù)在標(biāo)定試驗(yàn)中，可以求解出上式式中各個(gè)系數(shù):A0，…A5。B0，…B5。C0，…C5。D0，…D5。E0，…E5。從而方程組(24)就被確定。（3）確立工作溫度T時(shí)的UP特性的曲線擬合方程通過(guò)不同溫度點(diǎn)標(biāo)出各項(xiàng)系數(shù)～，這樣就確定了壓力傳感器的標(biāo)定多項(xiàng)式如式25： （25）根據(jù)上式可以根據(jù)輸出的壓力傳感器的電壓值找到輸出的標(biāo)定值Pt，設(shè)計(jì)的方法簡(jiǎn)單，比較容易實(shí)現(xiàn)，并且精度很高。曲面擬合方法相對(duì)于最小二乘法在二維空間上的一個(gè)擴(kuò)展。對(duì)于壓力傳感器的輸入電壓U和標(biāo)定壓力P，如果簡(jiǎn)單的看成一維形式的線性曲線來(lái)直接進(jìn)行數(shù)據(jù)擬合，就會(huì)有很大的誤差，實(shí)質(zhì)上壓力輸出值不是壓力信號(hào)的一元函數(shù)，而是二元函數(shù)，即式26： （26）在數(shù)據(jù)擬合的過(guò)程，可以看做輸出壓力關(guān)于U與Ut,基本公式如式27： （27）這樣，我們就可以把標(biāo)定電壓值視為輸出電壓值和相應(yīng)溫度值的二維函數(shù)?？梢杂枚S回歸方程來(lái)擬合這個(gè)函數(shù)關(guān)系: ，具體表述如式28： （28）對(duì)于曲面擬合，如若擬合的次數(shù)太低，則會(huì)出現(xiàn)誤差下降，擬合精度較差，不能夠滿足精度要求，如果擬合的次數(shù)較大，則精度會(huì)相對(duì)提高，但同時(shí)則會(huì)出現(xiàn)計(jì)算量大的情況，但是根據(jù)數(shù)據(jù)分析已經(jīng)有一些函數(shù)可以實(shí)現(xiàn)這種數(shù)據(jù)擬合。 人工神經(jīng)網(wǎng)絡(luò)算法隨著人工智能的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)[20～23]作為一門新興的學(xué)科得到了長(zhǎng)足發(fā)展。人工神經(jīng)網(wǎng)絡(luò)是由大量具有非線形映射能力的神經(jīng)元廣泛連接而成的非線形動(dòng)力學(xué)系統(tǒng)，能完成復(fù)雜的非線性映射功能,同時(shí)神經(jīng)網(wǎng)絡(luò)具有自組織，自學(xué)習(xí)及推理的自適應(yīng)能力。其應(yīng)用的基本思想是通過(guò)訓(xùn)練樣本的輸入與輸出對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練來(lái)實(shí)現(xiàn)的，利用神經(jīng)網(wǎng)絡(luò)的自身修正實(shí)現(xiàn)輸入數(shù)據(jù)到輸出數(shù)據(jù)的映射，BP網(wǎng)絡(luò)自身修正是基于最小二乘法實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)的運(yùn)用主要是BP(BackPorpgaatino)網(wǎng)絡(luò)和徑向基函數(shù)RBF(rdaial BasiS Function)神經(jīng)網(wǎng)絡(luò)，其中80%以上主要是BP網(wǎng)絡(luò)算法對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償?shù)?。這種方法準(zhǔn)確度高，具有較高的收斂性，其突出的優(yōu)點(diǎn)是可以通過(guò)訓(xùn)練數(shù)據(jù)的增減來(lái)改善BP網(wǎng)絡(luò)的映射特性，由于BP網(wǎng)絡(luò)的數(shù)據(jù)擬合是一種動(dòng)態(tài)的，并且是通過(guò)輸入的訓(xùn)練樣本和目標(biāo)樣本是BP網(wǎng)絡(luò)向最小的誤差方向逼近，又BP網(wǎng)絡(luò)具有泛化能力，所以補(bǔ)償精度也較高。在本設(shè)計(jì)中的主要應(yīng)用是BP網(wǎng)絡(luò)算法，所以對(duì)此進(jìn)行詳細(xì)介紹。 BP網(wǎng)絡(luò)算法在壓力傳感器溫度補(bǔ)償中的應(yīng)用壓力傳感器模型圖如圖22所示，氣壓或液壓作用在前端壓力傳感器上，壓力傳感器將壓力和溫度的電壓信號(hào)輸入到放大器，通過(guò)放大器信號(hào)放大輸入到MSP430單片機(jī)的A/D轉(zhuǎn)換通道，MSP430單片機(jī)將壓力和溫度的電壓信號(hào)轉(zhuǎn)換成數(shù)字量進(jìn)行處理后通過(guò)LED顯示出來(lái)，并通過(guò)RS485通訊接口將數(shù)據(jù)傳送給上位機(jī)，實(shí)現(xiàn)數(shù)據(jù)的輸出。由于壓力傳感器的溫度漂移使不能夠?qū)崿F(xiàn)現(xiàn)行輸出，存在線性誤差與溫度誤差，這里選擇BP網(wǎng)絡(luò)數(shù)據(jù)擬合算法進(jìn)行溫度補(bǔ)償，則上式反函數(shù)為。通過(guò)標(biāo)定壓力實(shí)現(xiàn)不同溫度點(diǎn)下壓力和溫度信號(hào)獲取完成BP網(wǎng)絡(luò)訓(xùn)練樣本采集，利用BP網(wǎng)絡(luò)可以通過(guò)訓(xùn)練數(shù)據(jù)完成權(quán)值與閾值的修正，使其輸出值無(wú)限接近于真實(shí)輸出值，利用BP網(wǎng)絡(luò)的泛化能力實(shí)現(xiàn)整個(gè)量程內(nèi)近似線性輸出。信號(hào)調(diào)理壓力傳感器溫度信號(hào)BP網(wǎng)絡(luò)數(shù)據(jù)處理數(shù)據(jù)輸出圖22 系統(tǒng)溫度補(bǔ)償模型圖 Temperature pensation system model diagram BP網(wǎng)絡(luò)介紹BP神經(jīng)網(wǎng)絡(luò)模型[24,25]是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，它分為輸入層、隱含層和輸出層三層，一把來(lái)說(shuō)輸入層輸出層使用一層，而隱含層可以擴(kuò)展，層與層之間多是采用全互連方式的，同一層單元之間不存在相互的連接。BP神經(jīng)網(wǎng)絡(luò)模型用數(shù)據(jù)的訓(xùn)練是由信息的正向傳播和誤差的反向傳播動(dòng)態(tài)組成的，在正向傳播的輸入模式是從輸入層經(jīng)隱層逐層處理并傳向輸出層，如果輸出層和期望目標(biāo)值進(jìn)行比較沒有得到期望的誤差，則將誤差信號(hào)沿原來(lái)的通路返回并修改各層的權(quán)值轉(zhuǎn)為反相傳播，然后在逐次運(yùn)算，直到誤差最小,最終達(dá)到期望的目標(biāo)值。這里BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用在神經(jīng)網(wǎng)絡(luò)工具箱中變步長(zhǎng)和帶動(dòng)量因子的算法，即LM算法,既可以加快網(wǎng)絡(luò)訓(xùn)練速度,又可以防止網(wǎng)絡(luò)限于局部極小點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下圖23：圖23 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig23 BP neural network structure diagram 在圖23所示中，P為輸入向量，R為輸入維數(shù)，SI為輸入各個(gè)神經(jīng)元個(gè)數(shù)，WI神經(jīng)元層數(shù)，ni為輸入節(jié)點(diǎn)，ai為節(jié)點(diǎn)輸出，wij為各個(gè)神經(jīng)元連接權(quán)值，fi為激勵(lì)函數(shù)，bi為神經(jīng)元閾值。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特征，BP網(wǎng)絡(luò)的計(jì)算關(guān)系式如下：每個(gè)節(jié)點(diǎn)的輸出如式29： （29）對(duì)于每個(gè)輸入模式p網(wǎng)絡(luò)誤差如式210： （210）上式中為節(jié)點(diǎn)上的實(shí)際輸出值，為節(jié)點(diǎn)上期望輸出值。求誤差之和如式211： （211）權(quán)值修正如式212： （212）式中為k時(shí)刻的誤差之和負(fù)梯度，為k1時(shí)刻的誤差之和的負(fù)梯度，∈[0,1]是動(dòng)量因子，加入動(dòng)量因子可以減少訓(xùn)練過(guò)程的振蕩趨勢(shì)，為學(xué)習(xí)率，可以改變訓(xùn)練時(shí)間。 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱介紹MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱是面向人工神經(jīng)網(wǎng)絡(luò)的創(chuàng)建，仿真在內(nèi)的GUI界面，其直觀操作方便，一般利用的是創(chuàng)建BP網(wǎng)絡(luò)，這里對(duì)于BP網(wǎng)絡(luò)的仿真進(jìn)行介紹。1）神經(jīng)網(wǎng)絡(luò)工具箱打開在MATLAB的主界面上輸入nntool，按enter鍵或者在左下角start上找toolboxs找到nntool打開即進(jìn)入神經(jīng)網(wǎng)絡(luò)仿真主界面，主界面如圖24所示。圖24 神經(jīng)網(wǎng)絡(luò)工具箱主界面 Fig24 Neural network toolbox main interface如上圖所示，對(duì)此主界面的具體介紹如下：input表示輸入的數(shù)據(jù)顯示，target表示目標(biāo)樣本顯示，input delay status表示輸入延遲狀態(tài)，這里一般不用，network表示創(chuàng)建的網(wǎng)絡(luò)顯示，outputs是仿真的輸出值，errors表示仿真輸出的誤差值。 點(diǎn)擊help可以查看幫助，new data用來(lái)創(chuàng)建新的數(shù)據(jù)，New network可以創(chuàng)建一個(gè)新的網(wǎng)絡(luò)，import表示導(dǎo)入保存過(guò)的數(shù)據(jù)或者網(wǎng)絡(luò)，Export表示導(dǎo)出或保存一個(gè)數(shù)據(jù)或者網(wǎng)絡(luò)，點(diǎn)擊view可以查看輸入輸出的數(shù)據(jù)，查看網(wǎng)絡(luò)特征，仿真輸出值等，Delet可以用來(lái)刪除數(shù)據(jù)或者一個(gè)創(chuàng)建好的網(wǎng)絡(luò)Networks only里面initiate可以用來(lái)初始化創(chuàng)建好的網(wǎng)絡(luò)權(quán)值，simulate可以用來(lái)仿真,train用來(lái)訓(xùn)練網(wǎng)絡(luò)，點(diǎn)擊Adapt可以對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行自適應(yīng)訓(xùn)練。2）訓(xùn)練樣本的創(chuàng)建數(shù)據(jù)的創(chuàng)建理論上有兩種方式。第一種方式就是直接在工具箱中創(chuàng)建，如圖25為點(diǎn)擊New data進(jìn)入創(chuàng)建新數(shù)據(jù)界面，如圖所示，在這里我們可以在name中改寫數(shù)據(jù)的名稱，在value中改寫數(shù)據(jù)的值，還可以選擇數(shù)據(jù)的類型，一般都是選擇inputs（輸入樣本），target(目標(biāo)樣本)，輸入好后點(diǎn)擊creat就可以創(chuàng)建完成。第二種方式就是從MATLAB的COMMAND WINDOW界面導(dǎo)入數(shù)據(jù)，輸入一個(gè)數(shù)據(jù)sustdata2＝[ ]。然后我們?cè)谏窠?jīng)網(wǎng)絡(luò)工具箱主界面進(jìn)行導(dǎo)入，點(diǎn)擊import，就會(huì)發(fā)現(xiàn)中間import a varible 中sustdata2出現(xiàn)，可以選擇導(dǎo)入。這樣數(shù)據(jù)就會(huì)在神經(jīng)網(wǎng)絡(luò)工具箱主界面出現(xiàn)。圖25 創(chuàng)建數(shù)據(jù)界面Fig25 Create a data interface3）BP網(wǎng)絡(luò)的創(chuàng)建在神經(jīng)網(wǎng)絡(luò)GUI主界面中，點(diǎn)擊New Network 進(jìn)入創(chuàng)建神經(jīng)網(wǎng)絡(luò)工具欄，如圖26所示，在這里我們可以在Network Name更改神經(jīng)網(wǎng)絡(luò)的名稱，在Network Type選擇神經(jīng)網(wǎng)絡(luò)的類型，一般我們選擇BP網(wǎng)絡(luò)，如圖27，在input ranges選擇輸入的數(shù)據(jù)取值范圍，在training function中選擇訓(xùn)練函數(shù)，一般選擇TRAINLM，在Adaption learning function選擇自適應(yīng)學(xué)習(xí)函數(shù)，一般選擇默認(rèn)值TRAINGDM，表示帶附加動(dòng)量因子，performance function 選擇網(wǎng)絡(luò)特性函數(shù)，一般選擇默認(rèn)值MSE，表示神經(jīng)網(wǎng)絡(luò)計(jì)算誤差為均方差，在number of layer 中選擇神經(jīng)網(wǎng)絡(luò)層數(shù)，一般默認(rèn)為2，我們改為3按enter鍵表示輸入，然后我們可以更改properities for 選項(xiàng)可以為每一層神經(jīng)元更改屬性，在Number of neurons 選擇改層神經(jīng)元的個(gè)數(shù)，在TRANSFER FUNCTION 選擇該層神經(jīng)元激勵(lì)函數(shù)。當(dāng)把參數(shù)設(shè)置好后我們就可以點(diǎn)擊creat 創(chuàng)建好網(wǎng)絡(luò)。如圖28為顯示我們創(chuàng)建好的網(wǎng)絡(luò)。圖26 創(chuàng)建神經(jīng)網(wǎng)絡(luò)的界面Fig26 Create a neural network interface圖27 更改神經(jīng)網(wǎng)絡(luò)的類型圖Fig27 To change the type of neural network graph圖28 創(chuàng)建好的網(wǎng)絡(luò)在工具箱中顯示圖Fig28 Create a good network in the toolbox to display map4）BP神經(jīng)網(wǎng)絡(luò)仿真當(dāng)我們?cè)诠ぞ呦渲鹘缑纥c(diǎn)擊自己創(chuàng)建的神經(jīng)網(wǎng)絡(luò)sust example的時(shí)候，我們可以看到Network only一欄的字體顏色由暗色變成白色，我們點(diǎn)擊initiate 可以對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化，要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的訓(xùn)練，點(diǎn)擊Train按鈕進(jìn)入神經(jīng)網(wǎng)絡(luò)訓(xùn)練的界面，如圖29所示。在這里我們可以點(diǎn)擊Train按鈕并排的其他按鈕進(jìn)入到其他功能的切換，從左往右面依次是view::初始化權(quán)值，simulink:神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，train: 訓(xùn)練網(wǎng)絡(luò) adapt:對(duì)網(wǎng)絡(luò)自適應(yīng)訓(xùn)練 weight:權(quán)值屬性.圖29 神經(jīng)網(wǎng)絡(luò)訓(xùn)練主界面 Fig29 The main interface of neural network training圖29第二排的三個(gè)選項(xiàng)分別是和神經(jīng)網(wǎng)絡(luò)訓(xùn)練相關(guān)的參數(shù)設(shè)置，最主要的是Train information 和Training Parameters 兩個(gè)選項(xiàng)，如圖210為點(diǎn)擊Train information后出現(xiàn)的界面，在這里主要是進(jìn)行數(shù)據(jù)的輸入的，主要是訓(xùn)練輸入樣本的數(shù)據(jù)和目標(biāo)樣本的數(shù)據(jù)。我們可以把我們以前建立的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)輸入進(jìn)去。如圖210為點(diǎn)擊Train information后出現(xiàn)的界面，在這里我們主要是用來(lái)選擇神經(jīng)網(wǎng)絡(luò)訓(xùn)練各種參數(shù)的，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是不斷的迭代調(diào)整權(quán)值和閾值，從而使網(wǎng)絡(luò)的輸出達(dá)到我們預(yù)想目標(biāo)的過(guò)程，在選項(xiàng)中epochs表示最大訓(xùn)練步數(shù)，如果網(wǎng)絡(luò)訓(xùn)練的步數(shù)超過(guò)這個(gè)數(shù)值，那么神經(jīng)網(wǎng)絡(luò)就停止訓(xùn)練。Goal表示訓(xùn)練目標(biāo)，表示如果網(wǎng)絡(luò)訓(xùn)練達(dá)到或者超過(guò)這個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)就停止訓(xùn)練，默認(rèn)值為0，max_fail表示曲線擬合的關(guān)系，如果訓(xùn)練過(guò)程的插值次數(shù)超過(guò)這個(gè)數(shù)值，就停止插值，避免網(wǎng)絡(luò)出現(xiàn)過(guò)渡插值，mem_reduc的值越大訓(xùn)練過(guò)程所需要的內(nèi)存就越少，訓(xùn)練時(shí)間就越長(zhǎng)，min_grad表示如果特性訓(xùn)練的梯度已經(jīng)小于此值，則停止訓(xùn)練，show 表示神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程顯示時(shí)，每隔的步數(shù)。Time表示訓(xùn)練時(shí)候的時(shí)間設(shè)置，如果訓(xùn)練時(shí)間超過(guò)這個(gè)數(shù)值，那么就停止訓(xùn)練。圖210訓(xùn)練神經(jīng)網(wǎng)絡(luò)設(shè)置界面Fig210 Training neural network settings interface5）其他選項(xiàng)板設(shè)置圖211點(diǎn)擊View 查看創(chuàng)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。圖212初始化權(quán)值界面 點(diǎn)擊initiate可以隨機(jī)初始化權(quán)值。圖213訓(xùn)練好的網(wǎng)絡(luò)仿真界面，點(diǎn)擊input輸入要仿真的輸入數(shù)據(jù)。圖214自適應(yīng)選項(xiàng)卡。圖215權(quán)值選項(xiàng)卡，在這里可以查看每一層神經(jīng)網(wǎng)絡(luò)的權(quán)值以及閾值。圖216 神經(jīng)網(wǎng)絡(luò)訓(xùn)練界面圖。圖211查看創(chuàng)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig211 View created neural network structure diagram 圖212 初始化權(quán)值界面Fig212 Weight initialization interface圖213 BP網(wǎng)絡(luò)仿真界面