基于人工神经网络的压力传感器的温补偿答辩章

1、会计学1基于人工神经网络的压力传感器的温补基于人工神经网络的压力传感器的温补偿答辩章偿答辩章第1页/共38页压力传感器压力传感器 1.2 1.2 压力传感器的温度补偿办法压力传感器的温度补偿办法 1.3 1.3 国内现状国内现状 1.4 1.4 本课题目的本课题目的 第1页/共37页第2页/共38页第2页/共37页第3页/共38页压力传感器的温度范围分为补偿温度范压力传感器的温度范围分为补偿温度范围和工作温度范围。补偿温度范围是由围和工作温度范围。补偿温度范围是由于施加了温度补偿，精度进入额定范围于施加了温度补偿，精度进入额定范围内的温度范围。工作温度范围是保证压内的温度范围。工作温度范围是保

2、证压力传感器能正常工作的温度范围。力传感器能正常工作的温度范围。压力传感器的温度范围压力传感器的温度范围第3页/共37页第4页/共38页硬件补偿硬件补偿软件补偿软件补偿第4页/共37页第5页/共38页硬件补偿硬件补偿软件补偿软件补偿软件补偿可以分为数值分析法和人工智能法专家系统、神经网络、遗传算法和模糊系统硬件补偿主要采用硬件电路来消除其影响, 但难以做到全额补偿, 且存在补偿电路硬件漂移等问题。第5页/共37页第6页/共38页基于数值分析的温度补偿法，最常采用的是最小二乘曲线拟合法最小二乘曲线拟合法或多段折线逼近法多段折线逼近法. 最小二乘法是基于梯度变化量的计算来求最优解的, 是一种局部搜

3、索技术, 容易进入局部最优, 但很难得到全局最优解。多段折线逼近法的算法较复杂, 拟合精确度不高。考虑到传统的基于数值分析方法的不足, 本文采用了人工神经网络理论对压力传感器进行温度补偿本文采用了人工神经网络理论对压力传感器进行温度补偿。人工神经网络有很强的非线性建模能力, 能完成复杂的非线性映射功能, 同时, 神经网络具有自组织、自学习及推理的自适应能力。第6页/共37页第7页/共38页随着人工智能特别是神经网络技术的发展, 为传感器信号的处理提供了新的有效手段, BP神经网络具有很强的函数逼近能力, 被人们用来进行传感器的各种非线性误差的补偿, 然而,BP神经网络存在收敛速度慢、易于陷入局

4、部极小等点。 第7页/共37页第8页/共38页由于人工神经网络具有独特的非线性由于人工神经网络具有独特的非线性映射能力、很强的环境适应能力。映射能力、很强的环境适应能力。目前, 人工神经网络已在语音识别, 模式分类, 图像处理和自动控制等领域获得了比较成功的应用, 并已成为解决一批工程实际问题的有效工具之一。人工神经网络在一些领域的成功应用,促使人们开展人工神经网络在传感器非线性领域中的应用研究。利用人工神经网络所具有独特的非线性映射能力, 实现传感器非线性静态校正。 第8页/共37页第9页/共38页新的人工神经网络计算方法对压力传新的人工神经网络计算方法对压力传感器进行了温度补偿感器进行了温

5、度补偿. 由于神经网络具有非线性特性非线性特性、自适应自适应和学习能力学习能力, 只要能获取传感器的输入和输出数据, 通过人工神经网络融合, 可以逼近其输入输出特性. 融合结果表明, 其拟拟合精度较高合精度较高, 实现了压力传感器的温度补偿。第9页/共37页第10页/共38页第10页/共37页第11页/共38页神经网络的发展历史及其现状神经网络的发展历史及其现状2.3 BP神经网络神经网络2.2 神经网络结构神经网络结构2.5 BP神经网络在实例中的应用神经网络在实例中的应用2.4 BP网络的优点及其局限性网络的优点及其局限性2.6 BP神经网络在压力传感器温度补偿方面的应用神经网络在压力传感

6、器温度补偿方面的应用第11页/共37页第12页/共38页人工神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。 第12页/共37页第13页/共38页 神经网络具有非线性自适应的信息处理能神经网络具有非线性自适应的信息处理能力力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用领域得到成功应用。 MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作

7、量和编程计算工作量问题，目前工程领域中较为流行的软件MATLAB，提供了现成的神经网络工具箱 第13页/共37页第14页/共38页解决实际问题中，应用MATLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。第14页/共37页第15页/共38页人工神经网络是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由若干简单（通常是自适应的）元件

8、及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。第15页/共37页第16页/共38页人工神经元（感知器）示意图 第16页/共37页第17页/共38页若干神经元连接成网络，其中的一个若干神经元连接成网络，其中的一个神经元可以接受多个输入信号，按照神经元可以接受多个输入信号，按照一定的规则转换为输出信号。一定的规则转换为输出信号。由于神经网络中神经元间复杂的连接关系和各神经元传递信号的非线性方式非线性方式，输入和输出信号间可以构建出各种各样的关系，因此可以用来作为黑箱模型黑箱模型

9、，表达表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确确定性的或模糊性的规律定性的或模糊性的规律。 第17页/共37页第18页/共38页BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层输入层、中间层中间层、输出层输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网

10、络的全局误差趋向给定的极小值，即完成学习的过程。 第18页/共37页第19页/共38页BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的的神经元构成。这些神经元如同人的神经细胞一样是互相关联的。 第19页/共37页第20页/共38页BP神经网络最主要的优点是具有极强的非线极强的非线性映射能力性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力联想记忆的能力。这是因为它采用了分布并行的信息处理方式，对信息的提取

11、必须采用联想的方式，才能将相关神经元全部调动起来。 缺点：学习效率低，速度慢学习效率低，速度慢。第20页/共37页第21页/共38页 神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数。最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。对于各种不同的网络模型， 神经网络工具箱集成了多种学习算法，为用户提供了极大的方便。Matlab R2007神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表所示第21页/共37页第22页/共38

12、页BP网络的常用函数表函数类型函数名称函数用途前向网络创建函数newcf创建级联前向网络Newff创建前向BP网络传递函数logsigS型的对数函数tansigS型的正切函数purelin纯线性函数 学习函数learngd基于梯度下降法的学习函数learngdm梯度下降动量学习函数性能函数 mse均方误差函数msereg均方误差规范化函数 显示函数plotperf绘制网络的性能plotes绘制一个单独神经元的误差曲面plotep绘制权值和阈值在误差曲面上的位置errsurf计算单个神经元的误差曲面第22页/共37页第23页/共38页welcome to use these PowerPoint

13、 templates, New Content design, 10 years experience步骤使用误差反向运算在工具箱中的训练函数来训练反馈神经网络去解决温度补偿的问题。训练的过程大概分为四步：1. 训练数据的集合；2. 创建神经网络模型；3. 训练神经网络；4. 对神经网络的新输入的响应仿真。第23页/共37页第24页/共38页原始数据神经网络的压力传感器的实际输出电压值压力压力P P（KpaKpa）不同温度下的压力传感器的实际输出电压值不同温度下的压力传感器的实际输出电压值-20020400-0.070.050.020.12010.8311.0610.737.814023.15

14、22.7222.8216.536036.235.2935.2125.598049.7448.3648.3634.9410063.9661.9461.7544.6112078.575.9275.6354.8114093.3190.2289.5165.02160107.25104.39103.4174.75第24页/共37页第25页/共38页由于由于BP神经网络隐含层采用的传递函数为对散神经网络隐含层采用的传递函数为对散S型函数和双曲线正切型函数和双曲线正切S型函数，它们的输出范围分别在（型函数，它们的输出范围分别在（0,1）和（）和（-1,1）之间。由此可知归一化处理后的数值范围，即在）之间。由

15、此可知归一化处理后的数值范围，即在-1和和l之同。为此，依据下面两个公式；之同。为此，依据下面两个公式； minmaxmaxininininXXXXT05. 0)(9 . 0minmaxminininininYYYYP 第25页/共37页第26页/共38页welcome to use these PowerPoint templates, New Content design, 10 years experience归一化后数据神经网络的压力传感器的标准样本数据值压力压力PmPm（标（标准值）准值）不同温度下的压力传感器的标准电压值不同温度下的压力传感器的标准电压值-20020400.0500

16、000.16250.1015650.105520.1035880.1032820.2750.2163620.217270.2205240.2200940.38750.3379610.3377420.3403620.341460.50.4641260.4630060.467550.4667110.61250.5966270.5931570.597060.5962490.7250.732110.7271420.7313090.7328870.83750.8701080.8641940.8655580.8696580.951111第26页/共37页第27页/共38页程序p=0 0.101565 0.

17、216362 0.337961 0.464126 0.596627 0.73211 0.870108 1;0 0.10552 0.21727 0.337742 0.463006 0.593157 0.727142 0.864194 1;0 0.103588 0.220524 0.340362 0.46755 0.59706 0.731309 0.865558 1;0 0.103282 0.220094 0.34146 0.466711 0.596249 0.732887 0.869658 1;%输入矩阵t=0.05 0.1625 0.275 0.3875 0.5 0.6125 0.725 0.

18、8375 0.95;%目标矩阵第27页/共37页第28页/共38页程序new=newff(minmax(p),1 11 1,tansig,tansig,purelin,trainlm);%创建前向BP神经网络，输入层1个神经元，隐层有11个神经元，输出层有1个神经元组成，输入层到隐层的传函为tansig，隐层到输出层的传函为logsig，输出层的传函为purelin，训练函数采用trainlmnet=init(new);%网络初始化net.iw1%显示初始后的权值net.b1%显示初始后的阀值net.trainParam.lr=0.3;%确定网络的学习速率0.3 第28页/共37页第29页/共

19、38页程序net.trainParam.epochs=1000;%训练的最大步数net.trainParam.goal=0.000001;%确定训练的预期误差为0.001net=train(net,p,t);%网络进行训练net.iw1%显示初始后的权值net.b1%显示初始后的阀值y=sim(net,p)%对网络进行仿真，y为仿真输出结果。%对网络进行仿真，y为仿真输出结果。第29页/共37页第30页/共38页结果处理BP神经网络仿真结果y =0.0500 0.1627 0.2754 0.3871 0.5005 0.6115 0.7248 0.8373 0.9492实验结果数据分析由仿真的数

20、据进行反归一化，得到融合值如下表所示：融合数据最大偏差为0.178，均方差为0.0876融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据最大偏差为0.178，均方差为0.0876融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据融合值020.035400715992880088

21、99822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876最大偏差为0.178，均方差为0.0876融合数据融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方

22、差0.0876第30页/共37页第31页/共38页新的人工神经网络计算方法对压力传新的人工神经网络计算方法对压力传感器进行了温度补偿感器进行了温度补偿. 由于神经网络具有非线性特性非线性特性、自适应自适应和学习能力学习能力, 只要能获取传感器的输入和输出数据, 通过人工神经网络融合, 可以逼近其输入输出特性. 融合结果表明, 其拟拟合精度较高合精度较高, 实现了压力传感器的温度补偿。第31页/共37页第32页/共38页人工神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。 第32页/共37页第3

23、3页/共38页BP神经网络最主要的优点是具有极强的非线极强的非线性映射能力性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力联想记忆的能力。这是因为它采用了分布并行的信息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。 缺点：学习效率低，速度慢学习效率低，速度慢。第33页/共37页第34页/共38页原始数据神经网络的压力传感器的实际输出电压值压力压力P P（KpaKpa）不同温度下的压力传感器的实际输出电压值不同温度下的压力传感器的实际输出电压值-20020400-0.070.050.020.12010.8311.0610.737.814023.1522.7222.8216.536036.235.2935.2125.598049.7448.3648.3634.9410063.9661.9461.7544.6112078.575.9275.6354.8114093.3190.228