智能传感器系统第7章智能技术在传感器系统中的应用.pptVIP

2）部分并行方式：在某一时刻，部分神经元的状态发生变化 3）全并行（同步）方式：在某一时刻，所有神经元状态均发生变化。 连续状态Hopfield神经网络 指神经元的输出不再是离散值0和1，而可以在某一区间连续变化。 为第i个神经元的传递函数，通常取连续、有界和单调增长的函数。 应用领域：信号分解、自适应滤波、谱估计、A/D变换等。 见下图 §7.2.4 神经网络技术在智能传感器中的应用 在上一节里我们主要介绍了神经网络技术的一些基本知识，通过学习，我们知道了神经元的基本特征，它是神经网络的构成元素，神经元之间的关系由作用函数来建立。应用神经网络技术来解决实际问题，一般按以下几个步骤进行： 1）根据处理对象选择神经网络结构和模型（或称作用函数）； 2）确定权值修正算法，那么这里有相关学习法（Hebb学习律）、误差 修正学习法（δ学习律），还有δ规则的推广形式：BP算法。 3）提供一定量的标准样本进行网络的样本训练，以确定最终权值。那么在整个训练过程中，一个要注意训练方法，再者判定训练的结果是否符合要求。 神经网络技术在智能传感器中所能解决的问题： 1）非线性修正和在线标定； 2）信号滤波，实现对噪声干扰信号的抑制； 3）信号的分解与提取，亦即从强的背景噪声中提取微弱有用 信号； 4）静态误差的综合修正； 5）通过传感器的信息融合消除交叉灵敏度的影响； 6）进行传感器的故障诊断和信号恢复。 下面我们对前面涉及到神经网络的部分内容重新认识一下： 1、（§6.2） 多传感器信息融合技术中的传感器阵列信息融合之例三： 功能：自动识别未知气体的类别和混合气体的浓度 1）硬件结构 a）阵列由四个单元组成，每一个单元含有一个气敏电阻，一个加热电阻和一个测温电阻。 b）信号调理电路：使每个单元都在最佳温度状态下工作。 c）微处理器系统：信号采集、温度控制、数据融合。 2）人工神经网络技术 采用三层BP网络结构，作用函数选用S型，具体过程与我们前面讲的内容完全一致。 3）识别效果 可以达到一般的信息处理方法所不能做的效果，若增加在线标定功能，可以大大降低对气体传感器本身选择性及时间稳定性的要求。 4）存在的问题 a）如何进一步提高精度； b）如何进一步提高对环境的适应性，也就是使之更“聪明”。 这就相当于一个小学生，教会他的题型他可能会做，但是题型有所变化，聪明的孩子可能还会做，一般的孩子可能就一筹莫展了。 2、（§6.5）自诊断中§6.5.3人工神经网络方法 应用神经网络方法进行传感器系统的故障诊断和信号恢复是基于人工神经网络技术如下方面的优越性。 I）具有强的非线性拟合能力 非线性可以用高阶多项式来拟合，而高阶多项式的每一项均可作为神经网络的输入项，这样一来，不仅仅解决了非线性的问题，而且取得串行计算变换为并行计算的效果。 II）它可以是一个多输入多输出系统，因此输出信息是可以根据需要设定，亦即确定相应的网络结构和输出模式。因此它具有分类和细化能力。 III）实时性效果比较好，可以进行在线监测。 IV）具有自学习能力，以适应环境变化引起系统参数时变和未知干扰输入信号的影响。 V）信号的分解功能。利用它具有信号分解的功能，再利用多传感器信息融合的能力，可以将故障传感器的输出信号恢复出来（前提：该故障传感器输出信号所包含的信息必须存在于其它传感器之中）。 1）人工神经网络的结构 采用了多层前馈神经网络，亦即BP网络 优点：能够很好地近似非线性映射；能够任意精度一致地逼近子集上的实连续函数。 2）人工神经网络方法的故障诊断和信号恢复的步骤 a）故障诊断的方法：与我们前面讲的方法基本一致 ⅰ）确定神经网络的输入输出量 输入量：关键传感器的输出；输出量：根据需要确定，一般来说是指最能反映传感器是否存在故障的最敏感的特征量。 比如说科大目前衡量一个职工对科大贡献的大小：文章（级别、数量），科研项目（经费数、获奖级别），创收等。 ⅱ）选择合适类型和结构的神经网络。 ⅲ）选择样本数据进行样本训练，确定权值和阀值。 ⅳ）进行在线分析，给出诊断结果，判断分析是否满足实际需要。 b）信号恢复的方法 ⅰ）确定神经网络的输入输出量 输入量：故障传感器的输出数据；输