一种用RBF神经网络改善传感器测量精度的新方法

1、    一种用RBF神经网络改善传感器测量精度的新方法        赵望达 刘勇求 贺 毅 时间:2008年07月31日     字 体: 大 中 小        关键词:        ? 摘?要:关键词: 传感器精度? 温度补偿? 径向基函数神经网络? 温度传感器DS18

2、B20?1。本文采用DS18B20智能温度传感器和RBF神经网络相结合的温度补偿新方法来实现传感器高精度温度补偿。本文介绍的方法将DS18B20测量值作为温度补偿输入，将传感器本身的测量值作为另一输入，用RBF神经网络构成双输入单输出的补偿模型，输出即为补偿后的测量值。RBF神经网络主要用于传感器的数据处理，以改善传感器测量精度。1.1 DS18B20的特性? DS18B20是美国DALLAS公司继DS1820之后推出的增强型单总线数字温度传感器，它在测温精度、转换时间、传输距离、分辨率等方面较DS1820有了很大的改进，这给用户带来了更方便的使用和更令人满意的效果。其特点如下：? (1)单线

3、接口：仅需一根口线与单片机连接；? (2)由总线提供电源，也可用数据线供电，电压范围：3.05.5V；? (3)测温范围为：-55+125，在-10+85 时，精度为0.5；? (4)可编程的分辨率为912位，对应的分辨率为0.50.0625；? (5)用户可编程的温度报警设置；? (6)12位分辨率时最多在750ms内把温度值转换为数字量。1.2 DS1820引脚功能说明? DS1820的PR-35封装形式见图1，其外表看起来像三极管。另外还有8脚SOIC封装形式，只用3、4和5脚，其余为空脚或不需连接引脚。不过最常见的形式是PR-35封装，其引脚说明如表1所示。?1.3 DS1820温度数

4、据格式? 在DS1820中，转换温度值是以9位二进制形式表示的，而输出温度则是以16位符号扩展的二进制补码读数形式提供。采用的办法是将低八位用补码表示，第九位以符号扩展形式扩展至其它七位。具体温度表示格式见表2。? 在实际应用中，测量温度往往在0°C以上，此时可只取16位二进制温度输出的低8位，即1个字节，这样将使计算和编程工作更为便利。1.4 DS18B20的测温原理2。DS18B20同AT89C52单片机的接口电路如图2所示。这种接口方式只需占用单片机一根口线，与智能仪器或智能测控系统中的其它单片机或DSP的接口也可采用类似的方式。?2 RBF神经网络及学习算法? RBF神经网络

5、即径向基函数（Radial Basis Function）神经网络34，其结构如图3所示。它很容易扩展到多输出节点的情形，在此只考虑一个输出变量Y的情况。RBFNN包括一个输入层、一个隐含层和一个输出层的最简模式。隐含层由一组径向基函数构成，与每个隐含层节点相关的参数向量为Ci（即中心）和i（即宽度）。径向基函数有多种形式，一般取高斯函数5。具体如下：? ? 上式中,m是隐含层结点数；|·|是欧几里德范数；X,CiRn, i? RBF神经网络是一种性能良好的前向网络，它具有最佳逼近性能，在结构上具有输出权值线性关系、训练方法快速易行、不存在局部最优问题的特点。该网络的学习算法有很多种

6、，本文将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整6，即在考虑当前时刻（k时刻）的网络状态的变化时，将前一个时刻（k1时刻）的网络参数变化也包括进去。其具体算法如下：? 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。? 隐层输出层连接权值矩阵的调整算法为：? 隐层中心值矩阵的调整算法为：? 隐层标准偏差矩阵的调整算法为：其中，（k）为学习率，（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

7、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24PCGFA1G型压力传感器。将传感器测量值和DS18B20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12

8、0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-575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。? 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。? DS18B20测温已普遍应用，且有着价格低廉

9、、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25倍。参考文献1 樊尚春,彭春荣.硅压阻式传感器的温度特性及其补偿J.微纳电子技术,2003(7):4844882 赵望达.DS18

10、B20数字温度传感器在机械设备温度监测控制中的应用J.制造业自动化,2001;23(5):52543 Monica Bianchini. Learning without Local Minim in Radial?Basis Function NetworksJ. IEEE Trans. On Neural Networks,1995;6(3):7497554 Yao Xin. Evolving Artificial Neural NetworksJ. Proceedings?of the IEEE,1999;87(9):143214475 Catelsni M, Fort A. Fault Diagnosis of Electronic Analog?Circuit U