神经模糊控制在SAW压力传感器温度补偿中的应用
发布时间:2008/5/29 0:00:00 访问次数:507
0 引 言
声表面波(saw)技术是一门新兴热门研究课题之一,国内外已有温度、压力、加速度等传感器的相关报道。saw压力传感器借助于它无以伦比的性能,诸如:1)数字号输出;2)高灵敏度、高分辨力、抗干扰能力强;3)易于大规模集成。正是由于这些自身的优越性,它有着广泛的应用领域。但美中不足的是saw压力传感器对环境的要求比较苛刻,saw振荡器输出频率信号随着压力、温度、磁场等外界因素变化而变化,特别是温度的影响是测量误差的主要来源,为保证saw压力传感器高准确度和高灵敏度测量,必须进行有效的温度补偿。本文将神经网络和模糊控制技术相结合,对saw压力传感器进行智能化温度补偿,通过此方法进行的改进,使saw压力传感器能更好地应用到工程领域。
1 温度补偿方案
在传统的温度补偿中,例如:硬件补偿和软件补偿2种方法。但存在着补偿电路漂移、局部最优、精度不够等缺点,无法满足saw压力传感器补偿要求。鉴于此种情况,本文采用了神经模糊控制方法,对saw压力传感器进行智能温度补偿。
神经模糊控制是一种用神经网络实现的模糊控制的方法。在形式结构上是用多点网络实现的模糊映射。而神经网络的非线性和可训练性说明它可以实现任何一种映射关系。因此,本文利用神经网络对知识的表达机理,通过学习训练,实现控制规则基记,从而实现模糊输入-模糊输出的映射。神经模糊控制对saw压力传感器温度-压力补偿模型见图1。
在saw压力传感器后面接神经模糊控制器,把传感温度t作为输入,则神经模糊控制器能直接输出被测量。
2 实现控制规则的神经网络
在一般情况下,模糊控制的推理功能是在隶属函数不变的条件下进行的。在实际运用当中是随时间的改变而改变的。为了弥补单一模糊控制技术这种不足,特采用神经网络的学习功能进行隶属度的调节,实现自动调节功能,以适应实际的需要。本文用含一个隐含层的三层前馈神经网络,模型如图2。
其中,p为输入矢量,r为输入矢量维数,s1为隐含层神经元个数,s2为输出层神经元个数,w1为隐含层神经元权值矩阵,w2为输出层权值矩阵,b1为隐含层神经元阀值,b2为隐含层神经元阀值,n1为隐含层输入节点,n2为输出层节点。f1为s型函数,f2为purelin型函数。神经网络算法是用于前馈多层网络的学习算法。如果输出不能得到期望的输出,则转入后向传播。通过误差的后向传播调整各层之间的权系数。反复输入样本序列,直至权系数不在改变为止,输出误差在规定的范围之内。算法采用如下改进:1)采用模拟退火法以克服局部最小;2)用奇函数作激励函数和传播过程中采用新误差传播因子完善该算法收敛性问题。
鉴于bp神经网络训练过程需要对所有权值和阀值进行修正,是一种全局逼近神经网络,但训练速度较慢,不适用实时性较强场合,故采取了局部逼近网络——径向基网络。算法训练关系式如下:
节点输出为
式中a1为节点输出;b为神经元阀值;wij为接点连接权值;f为传递函数。
权值修正
式中z为新学习因子;h为动量因子;ej为计算误差。
误差计算
式中tpi为i节点期望输出值;api为i节点计算输出值。
由于神经网络的神经元个数不确定性,经大量数据的实验验证,本文选取输入层有2个神经元,隐含层有4个神经元。输出层只有1个神经元。采用只有1个隐含层的三层网络对控制基进行学习记忆。把每条控制规则作为神经网络的样本进行训练学习,从而能实现这个规则基的神经网络权系数。
0 引 言
声表面波(saw)技术是一门新兴热门研究课题之一,国内外已有温度、压力、加速度等传感器的相关报道。saw压力传感器借助于它无以伦比的性能,诸如:1)数字号输出;2)高灵敏度、高分辨力、抗干扰能力强;3)易于大规模集成。正是由于这些自身的优越性,它有着广泛的应用领域。但美中不足的是saw压力传感器对环境的要求比较苛刻,saw振荡器输出频率信号随着压力、温度、磁场等外界因素变化而变化,特别是温度的影响是测量误差的主要来源,为保证saw压力传感器高准确度和高灵敏度测量,必须进行有效的温度补偿。本文将神经网络和模糊控制技术相结合,对saw压力传感器进行智能化温度补偿,通过此方法进行的改进,使saw压力传感器能更好地应用到工程领域。
1 温度补偿方案
在传统的温度补偿中,例如:硬件补偿和软件补偿2种方法。但存在着补偿电路漂移、局部最优、精度不够等缺点,无法满足saw压力传感器补偿要求。鉴于此种情况,本文采用了神经模糊控制方法,对saw压力传感器进行智能温度补偿。
神经模糊控制是一种用神经网络实现的模糊控制的方法。在形式结构上是用多点网络实现的模糊映射。而神经网络的非线性和可训练性说明它可以实现任何一种映射关系。因此,本文利用神经网络对知识的表达机理,通过学习训练,实现控制规则基记,从而实现模糊输入-模糊输出的映射。神经模糊控制对saw压力传感器温度-压力补偿模型见图1。
在saw压力传感器后面接神经模糊控制器,把传感温度t作为输入,则神经模糊控制器能直接输出被测量。
2 实现控制规则的神经网络
在一般情况下,模糊控制的推理功能是在隶属函数不变的条件下进行的。在实际运用当中是随时间的改变而改变的。为了弥补单一模糊控制技术这种不足,特采用神经网络的学习功能进行隶属度的调节,实现自动调节功能,以适应实际的需要。本文用含一个隐含层的三层前馈神经网络,模型如图2。
其中,p为输入矢量,r为输入矢量维数,s1为隐含层神经元个数,s2为输出层神经元个数,w1为隐含层神经元权值矩阵,w2为输出层权值矩阵,b1为隐含层神经元阀值,b2为隐含层神经元阀值,n1为隐含层输入节点,n2为输出层节点。f1为s型函数,f2为purelin型函数。神经网络算法是用于前馈多层网络的学习算法。如果输出不能得到期望的输出,则转入后向传播。通过误差的后向传播调整各层之间的权系数。反复输入样本序列,直至权系数不在改变为止,输出误差在规定的范围之内。算法采用如下改进:1)采用模拟退火法以克服局部最小;2)用奇函数作激励函数和传播过程中采用新误差传播因子完善该算法收敛性问题。
鉴于bp神经网络训练过程需要对所有权值和阀值进行修正,是一种全局逼近神经网络,但训练速度较慢,不适用实时性较强场合,故采取了局部逼近网络——径向基网络。算法训练关系式如下:
节点输出为
式中a1为节点输出;b为神经元阀值;wij为接点连接权值;f为传递函数。
权值修正
式中z为新学习因子;h为动量因子;ej为计算误差。
误差计算
式中tpi为i节点期望输出值;api为i节点计算输出值。
由于神经网络的神经元个数不确定性,经大量数据的实验验证,本文选取输入层有2个神经元,隐含层有4个神经元。输出层只有1个神经元。采用只有1个隐含层的三层网络对控制基进行学习记忆。把每条控制规则作为神经网络的样本进行训练学习,从而能实现这个规则基的神经网络权系数。
上一篇:意法推出新型双轴加速传感器
深圳服务热线:13751165337 13692101218
粤ICP备09112631号-6(miitbeian.gov.cn)

深圳市碧威特网络技术有限公司
付款方式