壓力傳感器溫度補償技術分析

陳慧穎

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點以及外界因素的影響，傳感器的輸出結果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對傳感器的溫度補償就顯得尤為重要。文章對目前常用的溫度補償方法進行了分析，在此基礎上，提出了一種新的溫度補償方法，并對BP神經(jīng)網(wǎng)絡進行了改進，從研究結果來看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關鍵詞 壓力傳感器；溫度漂移；溫度補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）10-0038-02

壓力傳感器的輸出結果精度容易受到多種因素的影響，其中，唯獨是影響傳感器輸出精度的最主要因素。目前，國內(nèi)經(jīng)常使用硬件補償和軟件補償兩類方法對壓力傳感器進行溫度補償。硬件補償方法調(diào)試難度較高、精度低、通用性也較差，在實際工程中應用時，難以去得較好的效果；而軟件補償方法有效彌補了硬件補償?shù)娜秉c，其中BP神經(jīng)網(wǎng)絡補償在實際工程中運用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡補償法雖然精確度高，但是整個流程過于復雜、整個過程耗時較長，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡補償方法，希望對提高補償效率和準確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡補償原理分析

BP神經(jīng)網(wǎng)絡是目前研究中應用范圍最廣的神經(jīng)網(wǎng)絡模型之一，BP神經(jīng)網(wǎng)絡術語單向傳輸網(wǎng)絡結構，整個信息傳輸?shù)倪^程呈現(xiàn)出高度的非線性特點。典型的BP神經(jīng)網(wǎng)絡結構包括輸入層、隱含層和輸出層3層結構。通常情況下BP神經(jīng)網(wǎng)絡只有這3層結構，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡既可以完成從任意n維到m維的映射。其典型結構如下圖所示。

BP神經(jīng)網(wǎng)絡結構模型

BP算法設計到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進行表示：

其中：、分別代表了隱含層及輸出層的權值；

n0、n1分別對應了輸入節(jié)點數(shù)及隱含層節(jié)點數(shù)。

輸出層神經(jīng)元的激勵函數(shù)f1通常呈現(xiàn)出線性特點；而隱含層神經(jīng)元的激勵函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進行輸出：

由于BP神經(jīng)網(wǎng)絡隱含層采用的傳遞函數(shù)為對數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點在短時間之內(nèi)飽和而無法繼續(xù)進行訓練，需要在訓練開始之前利用下面公式對樣本數(shù)據(jù)進行預處理：

，

其中：Ui、Pi均為訓練數(shù)據(jù)的標定值；Uimin、Uimax分別表示輸出電壓的標定極值（最小和最大）；Pimin、Pimax分別表示壓力的標定極值（最小和最大）。

當目標矢量為T，信息通過正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結果無法達到要求的誤差范圍，則返回誤差信號并按照一定的權值對公式中的各層權值進行修正，直到輸出結果達到期望值。

在利用典型BP神經(jīng)網(wǎng)絡進行壓力傳感器溫度補償?shù)倪^程中，算法過于復雜，而且非常耗時，因此，需要對其進行改進，以提高補償效率。

2 BP神經(jīng)網(wǎng)絡法的改進

2.1 改進原理

基于典型的BP神經(jīng)網(wǎng)絡，利用以下方法進行改進。

1）利用小波神經(jīng)網(wǎng)絡的思想對神經(jīng)元的激勵函數(shù)進行改進，從而實現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡自學功能的充分結合，提高激勵函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號中包含了復值和相關信息，改進后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個輸入樣本和N個輸出節(jié)點，則可以利用下面的公式對第l個樣本的第n個節(jié)點的輸入進行表示：

其中：K表示神經(jīng)網(wǎng)絡隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡隱含層第k單元與輸出層第n單元的連接權值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號。

2）在計算過程中通過，附加動量法的應用可以有效改實現(xiàn)梯度方向的平滑過渡，使得計算結果更具穩(wěn)定性。該方法以BP法為基礎對權值進行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓練次數(shù)；η表示學習速率；σ表示動量因子；σΔωki（t）表示附加動量項，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡算法的實現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡數(shù)據(jù)預處理方法對樣本數(shù)據(jù)進行預處理。

步驟2：利用主成分分析法對預處理后的樣本數(shù)據(jù)進行分析，降低輸入向量之間的影響，使各個輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡的輸入節(jié)點。

步驟3：對神經(jīng)網(wǎng)絡進行初始化，并對其中的部分關鍵變量進行設置。

步驟4：為神經(jīng)網(wǎng)絡選取一組學習樣本，以輸入節(jié)點作為網(wǎng)絡的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡參數(shù)計算網(wǎng)絡的實時輸出能力，當輸出誤差在允許范圍之內(nèi)時，停止訓練；而當輸出誤差超過允許范圍 ，則將誤差信息進行反向傳播，使權值沿誤差函數(shù)的負梯度方向發(fā)生變化，然后利用梯度下降法計算出變化后的網(wǎng)絡參數(shù)，然后再重復進行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡在訓練合格之后，對其進行樣本補償。

步驟7：對補償后的樣本進行反標準化處理，然后與實測數(shù)據(jù)進行誤差比較，判斷出網(wǎng)絡改進之后的變化。

2.3 壓力傳感器溫度補償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡算法實現(xiàn)步驟，可以利用Matlab編程語言來實現(xiàn)。在實現(xiàn)該算法之后，我們通過在壓力傳感器量程范圍內(nèi)確定n個壓力標定點，同時確定m個溫度標定點。標準值發(fā)生器會根據(jù)每個標定點的信息產(chǎn)生對應的標定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標值要求的±20%范圍進行選擇，然后以誤差目標小于10-3進行訓練，當達到誤差目標之后，網(wǎng)絡的收斂速度得到有效的提升。

3 結論

通過研究結果發(fā)現(xiàn)，利用主成分分析法對信息進行補償之后，再利用BP神經(jīng)網(wǎng)絡對這些信息進行訓練，其學習速度相對直接利用BP神經(jīng)網(wǎng)絡進行訓練更高。同時，通過改進典型的BP神經(jīng)網(wǎng)絡，利用小波函數(shù)作為激勵函數(shù)，并應用動量附加發(fā)對網(wǎng)絡敏感性進行控制，可以有效避免網(wǎng)絡發(fā)生局部極小問題。通過基于主成分的BP神經(jīng)網(wǎng)絡溫度補償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問題得到高效、精確的解決。

參考文獻

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計算機工程與應用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡的壓力傳感器數(shù)據(jù)融合[J].湖南工程學院學報，2011，21（1）：55-58.endprint

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點以及外界因素的影響，傳感器的輸出結果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對傳感器的溫度補償就顯得尤為重要。文章對目前常用的溫度補償方法進行了分析，在此基礎上，提出了一種新的溫度補償方法，并對BP神經(jīng)網(wǎng)絡進行了改進，從研究結果來看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關鍵詞 壓力傳感器；溫度漂移；溫度補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）10-0038-02

壓力傳感器的輸出結果精度容易受到多種因素的影響，其中，唯獨是影響傳感器輸出精度的最主要因素。目前，國內(nèi)經(jīng)常使用硬件補償和軟件補償兩類方法對壓力傳感器進行溫度補償。硬件補償方法調(diào)試難度較高、精度低、通用性也較差，在實際工程中應用時，難以去得較好的效果；而軟件補償方法有效彌補了硬件補償?shù)娜秉c，其中BP神經(jīng)網(wǎng)絡補償在實際工程中運用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡補償法雖然精確度高，但是整個流程過于復雜、整個過程耗時較長，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡補償方法，希望對提高補償效率和準確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡補償原理分析

BP神經(jīng)網(wǎng)絡是目前研究中應用范圍最廣的神經(jīng)網(wǎng)絡模型之一，BP神經(jīng)網(wǎng)絡術語單向傳輸網(wǎng)絡結構，整個信息傳輸?shù)倪^程呈現(xiàn)出高度的非線性特點。典型的BP神經(jīng)網(wǎng)絡結構包括輸入層、隱含層和輸出層3層結構。通常情況下BP神經(jīng)網(wǎng)絡只有這3層結構，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡既可以完成從任意n維到m維的映射。其典型結構如下圖所示。

BP神經(jīng)網(wǎng)絡結構模型

BP算法設計到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進行表示：

其中：、分別代表了隱含層及輸出層的權值；

n0、n1分別對應了輸入節(jié)點數(shù)及隱含層節(jié)點數(shù)。

輸出層神經(jīng)元的激勵函數(shù)f1通常呈現(xiàn)出線性特點；而隱含層神經(jīng)元的激勵函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進行輸出：

由于BP神經(jīng)網(wǎng)絡隱含層采用的傳遞函數(shù)為對數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點在短時間之內(nèi)飽和而無法繼續(xù)進行訓練，需要在訓練開始之前利用下面公式對樣本數(shù)據(jù)進行預處理：

，

其中：Ui、Pi均為訓練數(shù)據(jù)的標定值；Uimin、Uimax分別表示輸出電壓的標定極值（最小和最大）；Pimin、Pimax分別表示壓力的標定極值（最小和最大）。

當目標矢量為T，信息通過正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結果無法達到要求的誤差范圍，則返回誤差信號并按照一定的權值對公式中的各層權值進行修正，直到輸出結果達到期望值。

在利用典型BP神經(jīng)網(wǎng)絡進行壓力傳感器溫度補償?shù)倪^程中，算法過于復雜，而且非常耗時，因此，需要對其進行改進，以提高補償效率。

2 BP神經(jīng)網(wǎng)絡法的改進

2.1 改進原理

基于典型的BP神經(jīng)網(wǎng)絡，利用以下方法進行改進。

1）利用小波神經(jīng)網(wǎng)絡的思想對神經(jīng)元的激勵函數(shù)進行改進，從而實現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡自學功能的充分結合，提高激勵函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號中包含了復值和相關信息，改進后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個輸入樣本和N個輸出節(jié)點，則可以利用下面的公式對第l個樣本的第n個節(jié)點的輸入進行表示：

其中：K表示神經(jīng)網(wǎng)絡隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡隱含層第k單元與輸出層第n單元的連接權值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號。

2）在計算過程中通過，附加動量法的應用可以有效改實現(xiàn)梯度方向的平滑過渡，使得計算結果更具穩(wěn)定性。該方法以BP法為基礎對權值進行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓練次數(shù)；η表示學習速率；σ表示動量因子；σΔωki（t）表示附加動量項，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡算法的實現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡數(shù)據(jù)預處理方法對樣本數(shù)據(jù)進行預處理。

步驟2：利用主成分分析法對預處理后的樣本數(shù)據(jù)進行分析，降低輸入向量之間的影響，使各個輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡的輸入節(jié)點。

步驟3：對神經(jīng)網(wǎng)絡進行初始化，并對其中的部分關鍵變量進行設置。

步驟4：為神經(jīng)網(wǎng)絡選取一組學習樣本，以輸入節(jié)點作為網(wǎng)絡的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡參數(shù)計算網(wǎng)絡的實時輸出能力，當輸出誤差在允許范圍之內(nèi)時，停止訓練；而當輸出誤差超過允許范圍 ，則將誤差信息進行反向傳播，使權值沿誤差函數(shù)的負梯度方向發(fā)生變化，然后利用梯度下降法計算出變化后的網(wǎng)絡參數(shù)，然后再重復進行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡在訓練合格之后，對其進行樣本補償。

步驟7：對補償后的樣本進行反標準化處理，然后與實測數(shù)據(jù)進行誤差比較，判斷出網(wǎng)絡改進之后的變化。

2.3 壓力傳感器溫度補償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡算法實現(xiàn)步驟，可以利用Matlab編程語言來實現(xiàn)。在實現(xiàn)該算法之后，我們通過在壓力傳感器量程范圍內(nèi)確定n個壓力標定點，同時確定m個溫度標定點。標準值發(fā)生器會根據(jù)每個標定點的信息產(chǎn)生對應的標定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標值要求的±20%范圍進行選擇，然后以誤差目標小于10-3進行訓練，當達到誤差目標之后，網(wǎng)絡的收斂速度得到有效的提升。

3 結論

通過研究結果發(fā)現(xiàn)，利用主成分分析法對信息進行補償之后，再利用BP神經(jīng)網(wǎng)絡對這些信息進行訓練，其學習速度相對直接利用BP神經(jīng)網(wǎng)絡進行訓練更高。同時，通過改進典型的BP神經(jīng)網(wǎng)絡，利用小波函數(shù)作為激勵函數(shù)，并應用動量附加發(fā)對網(wǎng)絡敏感性進行控制，可以有效避免網(wǎng)絡發(fā)生局部極小問題。通過基于主成分的BP神經(jīng)網(wǎng)絡溫度補償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問題得到高效、精確的解決。

參考文獻

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計算機工程與應用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡的壓力傳感器數(shù)據(jù)融合[J].湖南工程學院學報，2011，21（1）：55-58.endprint

摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點以及外界因素的影響，傳感器的輸出結果容易產(chǎn)生誤差，其中溫度的影響最大，因此，對傳感器的溫度補償就顯得尤為重要。文章對目前常用的溫度補償方法進行了分析，在此基礎上，提出了一種新的溫度補償方法，并對BP神經(jīng)網(wǎng)絡進行了改進，從研究結果來看，該方法有效提高了傳感器的穩(wěn)定性及精度。

關鍵詞 壓力傳感器；溫度漂移；溫度補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）10-0038-02

壓力傳感器的輸出結果精度容易受到多種因素的影響，其中，唯獨是影響傳感器輸出精度的最主要因素。目前，國內(nèi)經(jīng)常使用硬件補償和軟件補償兩類方法對壓力傳感器進行溫度補償。硬件補償方法調(diào)試難度較高、精度低、通用性也較差，在實際工程中應用時，難以去得較好的效果；而軟件補償方法有效彌補了硬件補償?shù)娜秉c，其中BP神經(jīng)網(wǎng)絡補償在實際工程中運用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡補償法雖然精確度高，但是整個流程過于復雜、整個過程耗時較長，因此，本文提出了一種基于主成分分析的BP神經(jīng)網(wǎng)絡補償方法，希望對提高補償效率和準確性起到一定的作用。

1 典型BP神經(jīng)網(wǎng)絡補償原理分析

BP神經(jīng)網(wǎng)絡是目前研究中應用范圍最廣的神經(jīng)網(wǎng)絡模型之一，BP神經(jīng)網(wǎng)絡術語單向傳輸網(wǎng)絡結構，整個信息傳輸?shù)倪^程呈現(xiàn)出高度的非線性特點。典型的BP神經(jīng)網(wǎng)絡結構包括輸入層、隱含層和輸出層3層結構。通常情況下BP神經(jīng)網(wǎng)絡只有這3層結構，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡既可以完成從任意n維到m維的映射。其典型結構如下圖所示。

BP神經(jīng)網(wǎng)絡結構模型

BP算法設計到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經(jīng)過隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進行表示：

其中：、分別代表了隱含層及輸出層的權值；

n0、n1分別對應了輸入節(jié)點數(shù)及隱含層節(jié)點數(shù)。

輸出層神經(jīng)元的激勵函數(shù)f1通常呈現(xiàn)出線性特點；而隱含層神經(jīng)元的激勵函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進行輸出：

由于BP神經(jīng)網(wǎng)絡隱含層采用的傳遞函數(shù)為對數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點在短時間之內(nèi)飽和而無法繼續(xù)進行訓練，需要在訓練開始之前利用下面公式對樣本數(shù)據(jù)進行預處理：

，

其中：Ui、Pi均為訓練數(shù)據(jù)的標定值；Uimin、Uimax分別表示輸出電壓的標定極值（最小和最大）；Pimin、Pimax分別表示壓力的標定極值（最小和最大）。

當目標矢量為T，信息通過正向傳遞，可以得到誤差函數(shù)，具體如下所示：

如果輸出結果無法達到要求的誤差范圍，則返回誤差信號并按照一定的權值對公式中的各層權值進行修正，直到輸出結果達到期望值。

在利用典型BP神經(jīng)網(wǎng)絡進行壓力傳感器溫度補償?shù)倪^程中，算法過于復雜，而且非常耗時，因此，需要對其進行改進，以提高補償效率。

2 BP神經(jīng)網(wǎng)絡法的改進

2.1 改進原理

基于典型的BP神經(jīng)網(wǎng)絡，利用以下方法進行改進。

1）利用小波神經(jīng)網(wǎng)絡的思想對神經(jīng)元的激勵函數(shù)進行改進，從而實現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡自學功能的充分結合，提高激勵函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號中包含了復值和相關信息，改進后的函數(shù)具體如下所示：

在本次研究中，我們選取了R個輸入樣本和N個輸出節(jié)點，則可以利用下面的公式對第l個樣本的第n個節(jié)點的輸入進行表示：

其中：K表示神經(jīng)網(wǎng)絡隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡隱含層第k單元與輸出層第n單元的連接權值；ak-小波伸縮因子；bk-平移因子；Sl（xm）—輸入信號。

2）在計算過程中通過，附加動量法的應用可以有效改實現(xiàn)梯度方向的平滑過渡，使得計算結果更具穩(wěn)定性。該方法以BP法為基礎對權值進行調(diào)節(jié)，具體公式如下：

其中：t表示樣本的訓練次數(shù)；η表示學習速率；σ表示動量因子；σΔωki（t）表示附加動量項，它能夠有效降低不同神經(jīng)元之間的影響，提高網(wǎng)絡的收斂速度。

2.2 主成分BP神經(jīng)網(wǎng)絡算法的實現(xiàn)

步驟1：按照典型BP神經(jīng)網(wǎng)絡數(shù)據(jù)預處理方法對樣本數(shù)據(jù)進行預處理。

步驟2：利用主成分分析法對預處理后的樣本數(shù)據(jù)進行分析，降低輸入向量之間的影響，使各個輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡的輸入節(jié)點。

步驟3：對神經(jīng)網(wǎng)絡進行初始化，并對其中的部分關鍵變量進行設置。

步驟4：為神經(jīng)網(wǎng)絡選取一組學習樣本，以輸入節(jié)點作為網(wǎng)絡的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。

步驟5：利用輸入的網(wǎng)絡參數(shù)計算網(wǎng)絡的實時輸出能力，當輸出誤差在允許范圍之內(nèi)時，停止訓練；而當輸出誤差超過允許范圍 ，則將誤差信息進行反向傳播，使權值沿誤差函數(shù)的負梯度方向發(fā)生變化，然后利用梯度下降法計算出變化后的網(wǎng)絡參數(shù)，然后再重復進行第4步的操作。

步驟6：BP神經(jīng)網(wǎng)絡在訓練合格之后，對其進行樣本補償。

步驟7：對補償后的樣本進行反標準化處理，然后與實測數(shù)據(jù)進行誤差比較，判斷出網(wǎng)絡改進之后的變化。

2.3 壓力傳感器溫度補償

根據(jù)前文提供的BP神經(jīng)網(wǎng)絡算法實現(xiàn)步驟，可以利用Matlab編程語言來實現(xiàn)。在實現(xiàn)該算法之后，我們通過在壓力傳感器量程范圍內(nèi)確定n個壓力標定點，同時確定m個溫度標定點。標準值發(fā)生器會根據(jù)每個標定點的信息產(chǎn)生對應的標定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)按照目標值要求的±20%范圍進行選擇，然后以誤差目標小于10-3進行訓練，當達到誤差目標之后，網(wǎng)絡的收斂速度得到有效的提升。

3 結論

通過研究結果發(fā)現(xiàn)，利用主成分分析法對信息進行補償之后，再利用BP神經(jīng)網(wǎng)絡對這些信息進行訓練，其學習速度相對直接利用BP神經(jīng)網(wǎng)絡進行訓練更高。同時，通過改進典型的BP神經(jīng)網(wǎng)絡，利用小波函數(shù)作為激勵函數(shù)，并應用動量附加發(fā)對網(wǎng)絡敏感性進行控制，可以有效避免網(wǎng)絡發(fā)生局部極小問題。通過基于主成分的BP神經(jīng)網(wǎng)絡溫度補償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問題得到高效、精確的解決。

參考文獻

[1]董九英.多傳感器數(shù)據(jù)融合的主成分方法研究[J].計算機工程與應用，2009，45（33）：111-113.

[2]章慧.基于BP神經(jīng)網(wǎng)絡的壓力傳感器數(shù)據(jù)融合[J].湖南工程學院學報，2011，21（1）：55-58.endprint