RBF神經(jīng)網(wǎng)絡(luò)在智能傳感器模塊設(shè)計中的應(yīng)用

RBF神經(jīng)網(wǎng)絡(luò)Matlab源程序

RBF神經(jīng)網(wǎng)絡(luò)Matlab源程序如下：

clc

clear

close all %程序開始前，清屏，清除其它變量

%輸入原始數(shù)據(jù)，每一列為一個變量，行數(shù)為樣本的個數(shù)。原始標定數(shù)據(jù)的輸入，可以將數(shù)據(jù)直接輸入至程序中，也可以將數(shù)據(jù)先輸入至文件，然后在程序中讀入數(shù)據(jù)文件。數(shù)據(jù)中的P、Ut、Ui、Up均為維列向量， 為標定數(shù)據(jù)點的個數(shù)

raw_data=[P Ut Ui Up]； %學習（訓練）樣本

data_test=[P_test Ut_test Ui_test Up_test]； %測試樣本

%根據(jù)原始數(shù)據(jù)制作學習（訓練）樣本與測試樣本，學習樣本與測試樣本的數(shù)據(jù)格式相同

P=raw_data(: , 1); Ui=raw_data(: , 2); Ut=raw_data(: , 3); Up=raw_data(: , 4);

P_test=data_test(: , 1); Ui=data_test(: , 2); Ut=data_test(: , 3); Up=data_test(: , 4);

P1= ; [Up Ui Ut] %學習樣本輸入

T1= ; P' %學習樣本期望輸出

P2= ;[Up_test Ui _test Ut_t est]' %測試樣本輸入

T2=P_test' ； %測試樣本輸出

%將輸入數(shù)據(jù)進行歸一化

[PN1，Minp，maxp，TN1，mint，maxt]=premnmx(P1，T1)；

PN2=tramnmx(P2，minp，maxp)；

TN2=tramnmx(T2,mint,maxt);

%訓練

switch 2

case 1 %神經(jīng)元數(shù)是訓練樣本個數(shù)

spread=0.1； %此值越大，覆蓋的函數(shù)數(shù)值就越大（默認為1）

net=newrbe(PN1，TN1，spread)；

case 2 %神經(jīng)元數(shù)逐步增加，最多就是訓練樣本個數(shù)

goal=1e－8； %訓練誤差的平方和（默認為0）

spread=0.1； %此值越大，需要的神經(jīng)元就越少（默認為1）

MN=size(PN1,2)； %最大神經(jīng)元數(shù)（默認為訓練樣本個數(shù)）

DF=2； %顯示間隔（默認為25）

net=newrb(PN1，TN1，goal，spread，MN，DF);

case 3

spread=0.1； %此值越大，需要的神經(jīng)元就越少（默認為1）

net=newgrnn(PN1，TN1，spread);

end

%測試

YN1=sim(net，PN1)； %學習（訓練）樣本實際輸出

YN2=sim(net，PN2)； %測試樣本實際輸出

MSE1=mean((TN1－YN1).ˆ2 %學習（訓練）樣本實際輸出的均方誤差

%n1=length(TN1)；%e1=sum((TN1－YN1).ˆ2/n1

%e1與MSE1相等

MSETD1=std((TN1－YN1).ˆ2

MSE2=mean((TN2－YN2).ˆ2 %測試樣本實際輸出均方誤差

%n2=length(TN2)；%e2=sum((TN2－YN2).ˆ2/n2

%e2與MSE2相等

MSETD2=std((TN2－YN2).ˆ2

%反歸一化

Y1=postmnmx (YN1,mint,maxt)' %將歸一化的學習（訓練）輸出數(shù)據(jù)恢復(fù)為原始數(shù)據(jù)

E1=Y1－P %學習（訓練）輸出數(shù)據(jù)與標定值之間的偏差

Y2=postmnmx (YN2,mint,maxt)' %將歸一化的測試輸出數(shù)據(jù)恢復(fù)為原始數(shù)據(jù)

E2=Y2－P_test %測試輸出數(shù)據(jù)與標定值之間的偏差

max(E2)

min(E2)

采用經(jīng)過數(shù)據(jù)歸一化處理的程序

神經(jīng)網(wǎng)絡(luò)采用Matlab中的newrb()函數(shù)，neurons=252。學習樣本經(jīng)RBF神經(jīng)網(wǎng)絡(luò)訓練后的輸出值與相應(yīng)的壓力標定值之間的最大誤差絕對值為1.0396e－011，均方誤差MSE1=5.6613e－023，均方誤差的標準差MSETD1=2.4666e－022。這里省略學習樣本的預(yù)測輸出表?？梢?，采用RBF神經(jīng)網(wǎng)絡(luò)對學習樣本的輸出已經(jīng)消除了壓力傳感器的交叉敏感影響（在誤差允許的范圍內(nèi)）。

檢驗樣本經(jīng)RBF神經(jīng)網(wǎng)絡(luò)的輸出值與相應(yīng)的壓力標定值之間最大偏差絕對值為max=0.0113，均方誤差MSE2=3.8568e－005，均方誤差的標準差MSETD2=2.1727e－004。輸出樣本的詳細情況見表5（只列出部分數(shù)據(jù)）。

數(shù)據(jù)融合效果評價

降低溫度與電源波動兩個干擾量的影響，傳感器系統(tǒng)穩(wěn)定性的改善程度分別用融合前后的零位、靈敏度溫度系數(shù)以及電流影響系數(shù)來評價。

由于學習（訓練）樣本的網(wǎng)絡(luò)輸出值與標定值之間的偏差很?。ň∮?.0e－011），如果根據(jù)這些數(shù)據(jù)來計算融合后的效果，可以認為已經(jīng)完全消除交叉敏感。通過表5可知，本例中檢驗樣本的網(wǎng)絡(luò)輸出值與標定值之間的偏差與學習樣本的偏差相比，偏差較大，故按檢驗樣本計算出數(shù)值來評價數(shù)據(jù)融合效果。

表5 輸出樣本

注：表中T表示工作溫度，I表示工作電流，P表示壓力標定值，表示壓力計算值，偏差，單位都是V。

融合前：滿量程輸出值UFS=4.928V，當溫度的變化范圍為=39℃（由25℃至64℃），電流由6mA至11mA，變動時，零點值的最大變化范圍=0.356V（由0.328V至-0.028V），滿量程輸出值由4.928V下降到2.710V，輸出變化范圍=-2.218V。

（1）零位溫度系數(shù)

（2）靈敏度溫度系數(shù)

（3）電流影響系數(shù)

利用檢驗樣本計算的融合后的零位溫度系數(shù)、靈敏度溫度系數(shù)以及電流影響系數(shù)如下：

在=39℃，變化范圍內(nèi)，零點融合計算值的最大偏差 =0.0113MPa；滿量程壓力PFS=0.5MPa，其融合計算值的最大偏差量=0.0007MPa，則有

將融合前和RBF神經(jīng)網(wǎng)絡(luò)融合后的各參數(shù)列于表6中。

表6 融合前和RBF神經(jīng)網(wǎng)絡(luò)融合后的各參數(shù)

從表6可見，經(jīng)RBF神經(jīng)網(wǎng)絡(luò)融合后，零位溫度系數(shù)降低到融合前的1/3，靈敏度溫度系數(shù)降低約3個數(shù)量級，電流影響系數(shù)降低約2個數(shù)量級

結(jié)束語

由于半導(dǎo)體的特性參數(shù)易受溫度、電流的影響而變化，壓阻式傳感器將會產(chǎn)生很大的零位溫度漂移、靈敏度溫度漂移和電流影響漂移，這是壓阻式傳感器最大的弱點。因此，研究改善壓阻式壓力傳感器的溫度穩(wěn)定性與恒流源供電電流的穩(wěn)定性，在生產(chǎn)實踐中很有意義。采用RBF神經(jīng)網(wǎng)絡(luò)法，設(shè)計了抗兩個干擾量影響的智能化軟件模塊，對壓阻式壓力傳感器穩(wěn)定性進行改善，取得了很好的效果。該方法簡單易行，精度較高，將壓阻式壓力傳感器輸出精度控制在0.01%以內(nèi)。