智能传感器系统 刘君华第9章.pptVIP

图 9-12 采用非对称结构的A/D转换关系 9.4 神经网络在智能传感器中的应用 9.4.1 纸浆浓度传感器非线性估计和动态标定的神经网络实现 一、问题提出 实际上， 传感器在整个测量范围的非线性特性可用一幂级数多项式来描述： 式中： y——被测浓度； x——传感器输出值； Wi(i=0, 1, …, n)——传感器的特性参数。 (9-35) 二、 神经网络算法 对应每一个实际输入xi, 可得到一个非线性数据集｛1, x, x2, x3, …，xn｝这些可作为神经网络的输入模式， 图 9-13 权值训练原理示意图 三、 浓度传感器非线性估计及动态标定 浓度传感器的本质是非线性的。可将(9-35)式写成下列近似形式： 式中： y——被测浓度； f——传感器的输出频率值； fmax——传感器的最大输出频率值。 因此可用f/fmax表示传感器的输出特征。 四、 实例分析及结论 传感器1： 传感器2： 传感器3： 图 9-14 拟合曲线 表 9-1 传感器输出及对应浓度估计值 9.4.2 神经网络在监测材料损伤中的应用 一、 问题提出 具有传感、执行、信号处理、通信与控制等功能的结构称之为智能结构。这种结构不仅具有承受载荷的能力，还具有感知和响应内外环境的变化，实现自检测、自监控、自校正、自适应、自修复等功能。下面介绍利用人工神经网络和埋入偏振型光纤传感器阵列，实时适应监测复合材料损伤，并指示损伤位置的智能结构系统模型。 二、 智能结构系统简介 图 9-15 智能结构系统图 三、前向BP网络处理器 图 9-16 三层BP网络 图 9-17 BP算法流程 四、 实验结果 表 9-2 BP网络学习样本数据 表 9-3 在线仿真实验数及结果 9.4.3 神经网络滤波 一、问题提出 通常，由信号发生器产生的正弦波或三角波信号都不同程度地含有噪声干扰信号。 若我们将它作为精密测量供电信号或进行相位检测时，往往造成测量不精确等缺陷。消除噪声干扰的办法很多，下面提出一种采用神经网络学习记忆功能，实现对含噪正弦波或三角波信号的复原，即消除噪声干扰。 二、 自适应线性函数的最小二乘法(LMS)学习算法 为了简单起见，我们以输入矢量为二维的情况作为示例来进行讨论。 这时输入矢量X和权矢量W可以分别表示为 在采用线性函数的条件下，神经网络输出为 (9-42) 权值修正公式为 ε(k)为误差，即 式中，d(k)为期望输出；y(k)为实际输出。 (9-43) 三、 软件编程及说明 实现上述算法的软件编程如下(采用MATLAB语言)： disp(′*****欢迎使用*****′) disp(′请输入训练次数′) T=input(′ ′) disp(′请输入步长参数′) l=input(′ ′) disp(′请输入所加噪声方差参数′) m=input(′ ′) t=0∶1∶63 x=sin(t*2*pi/64) plot(t, x) grid x=［x, -1］ k=0 x1=0 for t=1∶1∶63 if (t＜=16) x1=［x1, t/16］ elseif (t＜=48) x1=［x1, 2-t/16］ else x1=［x1, -4+t/16］ end k=［k, t］; end plot(k, x1) x1=［x1, -1］ w=rand(1, 65) q=10000; q0=0; k=0 for i=0∶1∶T k=［k, i］; d=w*x′ e=1-d q2=q q=e*e′ w=w+(e*1)*x d1=w*x1′ e1=-d1 w=w+(e1*1)*x1 q=q+e1*e1 q0=［q0, q/2］ subplot(212) hh=plot(k,q0) if q2＜q break; end end i w*x′ w*x1′ xt=randn(1, 65) xt1=m*x1+x xt2=m*xt+x1 j=0∶64 subplot(211) h1=plot(j, x1) grid subplot(212) hh=plot(j,xt2) grid y1=w*xt1′ y2=w*xt2′ h=figure(1) set(h, ′color′, ［1, 1, 1］); h2=gca 1