【正文】 網(wǎng)絡(luò)是非常有用的。人工神經(jīng)網(wǎng)絡(luò)的最廣泛應(yīng)用是數(shù)值逼近（曲線擬和）。與傳統(tǒng)的數(shù)值插補(bǔ)比較，基于人工神經(jīng)網(wǎng)絡(luò)的插補(bǔ)提供低的插補(bǔ)誤差。在本文中，我們提出了基于人工神經(jīng)網(wǎng)絡(luò)方法的高精度溫度測量系統(tǒng)。校正數(shù)據(jù)是通過在人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試階段必須具有的調(diào)幅調(diào)頻信號源 9100 校正單元獲得的。系統(tǒng)的硬件和軟件部分被綜合在用于系統(tǒng)測量和校正的虛擬設(shè)備上。人工神經(jīng)網(wǎng)絡(luò)通過提供 一個理想的最終誤差來校正數(shù)據(jù)。這就是按照神經(jīng)元的結(jié)構(gòu)和層數(shù)和神經(jīng)元的數(shù)量通過軟件，將校正和人工神經(jīng)網(wǎng)絡(luò)仿真數(shù)據(jù)之間的均方誤差最小化。 2 系統(tǒng)硬件 熱電偶產(chǎn)生一和測量溫度點成比例的在 mV數(shù)量級的電壓值，而在零點的溫度值是一個常數(shù)。為了精確的測量，我們必須知道零點的溫度值。通過人工神經(jīng)網(wǎng)絡(luò)的操作階段，圖 1（ a）顯示了溫度測量系統(tǒng)模塊。它組成了放置在理想溫度條件下的熱電偶（ E型號），包括帶有 16位的模擬數(shù)字轉(zhuǎn)換器和接入到計算機(jī)的輸入輸接口卡的信號調(diào)節(jié)電路，設(shè)計的信號調(diào)節(jié)電路具有可設(shè)計增益的放（ PGA204BP）， 它的增益是 1， 10， 100， 1000倍， 16位的 A/D轉(zhuǎn)換器（ AD976A），帶有零點溫度補(bǔ)償?shù)?AD595單片電路熱電偶放大器，并把它作為攝氏溫度計的標(biāo)準(zhǔn)，用來選擇熱電偶和攝氏溫度計的輸出的 4路模擬多路器（ ADG529A）。 AD976A具有高速度、低功耗、 16位 A/D轉(zhuǎn)換器的特點，采用 5V工作電壓。這一部分提供連續(xù)的逼近，轉(zhuǎn)換電容 ADC，間隔的 。系統(tǒng)的精度直接依靠 ADC每步的大小。具有 10V? 的輸入， AD976A的 LSB是 305A? 。當(dāng)AD595作為攝氏溫度應(yīng)用時，熱電偶被忽略，微分的輸入被匯集到一起。在這種模式中， AD595產(chǎn)生一個比例因子為 10mV/176。C，它的輸出應(yīng)用在編寫軟件的零點溫度數(shù)據(jù)中。 AD595的一些重要特性如下：電壓范圍是 55176。C。到 125176。C。相對于溫度的穩(wěn)定性是 177。176。C/176。C；相對于溫度的敏感性是： 10mV/176。C。 PGA204BP的輸出信號通過 AD976A被數(shù)化； AD976A的輸出連接到 I/O接口卡并傳遞到個人計算機(jī)上，執(zhí)行數(shù)據(jù)的削減和優(yōu)化。 為了設(shè)定人工神經(jīng) 網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值和閾值，在校正階段（人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段），在 到 ，精確度為 177。%+ 9100校正單元，連接到模擬多路器的終端，用來產(chǎn)生如圖 1（ b）所示的熱電偶電壓。此電壓作為人工神經(jīng)網(wǎng)絡(luò)的輸入值，沒有零點溫度補(bǔ)償?shù)臒犭娕茧妷菏侨斯ど窠?jīng)網(wǎng)絡(luò)的輸出值。在操作階段（如圖 1a），為了實現(xiàn)零點溫度補(bǔ)償，我們使用了從攝氏溫度計輸出的數(shù)據(jù)值。人工神經(jīng)網(wǎng)絡(luò)的輸出值隨著由攝氏溫度計獲得的環(huán)境溫度值的變化而變化。然后這個值顯示在虛擬機(jī)上作為熱電偶的溫度值。虛擬機(jī)被用來獲得人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中的數(shù)據(jù)和顯示操作階段的計算溫度值。圖 2顯示了虛擬機(jī)的前端電路板。此設(shè)備的主要特征是：顯示測量的溫度值和從調(diào)理電路輸出的相應(yīng)電壓值，調(diào)理電路是用來收集在校正階段的數(shù)據(jù)值和在操作階段具有零點溫度補(bǔ)償?shù)膶嶋H電壓值。此系統(tǒng)是由校正和操作階段編寫的軟件來控制的。 3 人工神經(jīng)網(wǎng)絡(luò) 人工神 經(jīng)網(wǎng)絡(luò)是基于生物機(jī)理的人腦的模擬。人工神經(jīng)網(wǎng)絡(luò)是前向反饋網(wǎng)絡(luò)和全局逼近網(wǎng)絡(luò)。它是通過經(jīng)驗而不是程序來訓(xùn)練和學(xué)習(xí)的。它們是通過簡單的進(jìn)程元素相互連接而形成的，或是可調(diào)節(jié)的閾值相互連接而形成的，閾值組成神經(jīng)的結(jié)構(gòu)組成層。每一個人工神經(jīng)都有閾值輸入，求和單元、功能函數(shù)和輸出。整個人工神經(jīng)網(wǎng)絡(luò)的特性依靠所提及的人工神經(jīng)元、學(xué)習(xí)算法和網(wǎng)絡(luò)的構(gòu)造。在訓(xùn)練的過程中，神經(jīng)元之間的閾值可以通過一些標(biāo)準(zhǔn)（對于所有的訓(xùn)練集目標(biāo)輸出值和測量值之間的均方誤差達(dá)到預(yù)先設(shè)定好的極限值）進(jìn)行調(diào)整，或達(dá)到最大的允許步數(shù)。雖然訓(xùn)練過程非常耗費 時間，但這能提前完成，并能脫機(jī)運行。訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)用來測試數(shù)據(jù)但這一過程是看不見的。機(jī)器語言程序是構(gòu)建神經(jīng)網(wǎng)絡(luò)中最簡單的和應(yīng)用最廣泛的。機(jī)器語言程序由輸入、輸出、事先定義好神經(jīng)元的數(shù)量的一層或多個隱層。輸入層的神經(jīng)元只是作為緩沖器，用來運輸輸入信號 ix 到神經(jīng)元的隱層。在應(yīng)用分別的連接強(qiáng)度 ijw 對輸入信號進(jìn)行加權(quán)后，隱層的每一個神經(jīng)元 j 加和他的輸入信號 ix ,有求和函數(shù)計算輸出值，可以表示為 此式中f 是人工神經(jīng)網(wǎng)絡(luò)的功能函數(shù)之一。訓(xùn)練的神經(jīng)網(wǎng)絡(luò)由應(yīng)用不同的學(xué)習(xí)算法可調(diào)整的閾值構(gòu)成。學(xué)習(xí)算法給出了 ??jiwt? 在時間 t內(nèi)神經(jīng)元 i與 j之間閾值的連接強(qiáng)度。閾值的遞推公式如下：有許多應(yīng)用學(xué)習(xí)算法的文字描述。在我們的學(xué)習(xí)過程中應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法 有 LM算法， BFGS算法， BR算法， CGF算法，和 RP算法 。再此文章中，多層感知器神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的線性化電路。這涉及的技術(shù)包括應(yīng)用神經(jīng)網(wǎng)絡(luò)估算熱電偶溫度值（神經(jīng)網(wǎng)絡(luò)的輸出值），此時給出的熱電偶輸出電壓作為輸入值。應(yīng)用之前所提及的學(xué)習(xí)算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，進(jìn)而估算應(yīng)用不同的輸入值和相應(yīng)的測量值而訓(xùn)練出的網(wǎng)絡(luò)的溫度輸出值。人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出值和實際輸出值之間的差別通過學(xué)習(xí)算法悲劇算出來，并應(yīng)用方程式 1和 2調(diào)整網(wǎng)絡(luò)閾值。我們應(yīng)用從熱電偶數(shù)據(jù)表得到的實驗數(shù)據(jù)進(jìn)行實驗。這些數(shù)據(jù)表是相對于特殊的溫度點而言的（通常是零攝氏度）。人工神經(jīng)網(wǎng)絡(luò)是應(yīng)用熱電偶的80個溫度點進(jìn) 行訓(xùn)練的，這 80個溫度點分布在 200176。C 到 1000176。C 的范圍內(nèi)，是在校正階段獲得的。然而，對于可能的輸入值，由訓(xùn)練得到的最終神經(jīng)網(wǎng)絡(luò)的特性并不是無偏差的。在訓(xùn)練之后，我們必須應(yīng)用獨立的測試系統(tǒng)來估計訓(xùn)練后網(wǎng)絡(luò)的特性。因此，熱電偶的分布在 200176。C 到 1000176。C 的范圍內(nèi)其他 20個數(shù)據(jù)被用來測試。在訓(xùn)練之前，在 ，輸入與輸出數(shù)據(jù)組被標(biāo)準(zhǔn)化。在采用不同的學(xué)習(xí)算法和和不同的網(wǎng)絡(luò)構(gòu)造后，我們發(fā)現(xiàn)最適合的網(wǎng)絡(luò)構(gòu)造是 1 X7 X 3 X 1。 采用 LM算法。也就是說第一隱層神經(jīng)元的數(shù)量是 7，第二隱 層神經(jīng)元的數(shù)量是 3。輸入和輸出層采用線性函數(shù)。隱層采用雙曲線正切，對數(shù)的功能函數(shù)。訓(xùn)練的最大步數(shù)是 1000步。對于與許多因素有關(guān)的、過大或過小的隱層神經(jīng)元數(shù)量，標(biāo)注這些標(biāo)準(zhǔn)是很重要的，像人工神經(jīng)網(wǎng)絡(luò)的類型，訓(xùn)練數(shù)集的特性和應(yīng)用的類型，如今，人工智能研究更加關(guān)注人工神經(jīng)網(wǎng)絡(luò)。 4 結(jié)果和結(jié)論 人工神經(jīng)網(wǎng)絡(luò)模型可以通過不同的學(xué)習(xí)算法如 LM算法， BR算法， CGF算法，BP算法， BFGS算法進(jìn)行訓(xùn)練和測試，簡單的結(jié)構(gòu)就可以獲得更高的特性和更快的收斂速度。對于以上所提及的相同的網(wǎng)絡(luò)構(gòu)造，表 1顯示了應(yīng)用學(xué)習(xí)算法進(jìn)行分析的誤差。當(dāng)我們將神經(jīng)模型的性質(zhì)相互進(jìn)行比較時，我們發(fā)現(xiàn)應(yīng)用 LM算法訓(xùn)練的模型可以獲得最好的實驗結(jié)果。采用 LM算法進(jìn)行訓(xùn)練的網(wǎng)絡(luò)他的訓(xùn)練和測試誤差（最小均方誤差）分別為 10?? 和 10?? 。從表 1我們可以清楚地看到，更接近 LM的解可以從 BR算法得到。在所提及的神經(jīng)網(wǎng)絡(luò)模型中，對于特殊應(yīng)用的 RP的實驗效果最差。他所強(qiáng)調(diào)的學(xué)習(xí)算法的精確度依靠寓所選擇恰當(dāng)?shù)膶W(xué)習(xí)參數(shù)、網(wǎng)絡(luò)的構(gòu)造和初始化值。圖 3代表了對于 E類型的熱電偶采用 LM算法訓(xùn)練網(wǎng)絡(luò)的誤差百比。從圖 3可以看出，誤差的最大百分比低于 %。在 200176。C 到200176。C 之間的誤差百分比大于 %，這就是在此溫度范圍內(nèi)熱電偶非線性的原因。然而， 200176。C ~200176。C 溫度范圍內(nèi)，得到好的擬和曲線顯然要增加訓(xùn)練的數(shù)據(jù)數(shù)量。訓(xùn)練步數(shù)為 1000步的學(xué)習(xí)算法仿真神經(jīng)模型，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，最小化最小均方誤差。隨著學(xué)習(xí)的進(jìn)程，最小均方誤差逐漸減少，最終穩(wěn)定在某一個最小值如圖 4所示。結(jié)論，本論文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的高精度溫度測量技術(shù)。應(yīng)用 LM算法人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 過程成功地完成，與其他的算法相比，應(yīng)用此種算法可以獲得更好的實驗值。由于應(yīng)用了人工神經(jīng)網(wǎng)絡(luò)，調(diào)理電路的增益和誤差補(bǔ)償自動取消。所闡述的方法在所有基于測量系統(tǒng)的傳感器中應(yīng)用比較廣泛，測量系統(tǒng)的非線性是傳感器的主要考慮因素。此技術(shù)在機(jī)械設(shè)備和測量領(lǐng)域具有潛在的應(yīng)用潛力。