智能传感器Micr0s0ftW0rd文档.docVIP

5、（50分）已知压力传感器在不同温度状态下的压力静态标定数据如下表所示。 采用神经网络方法或回归分析方法（任选一）完成传感器的自补偿： （1）在Matlab环境下采用BP神经网络模型法实现温度自补偿智能化模块的设计。 要求：设计一个具有温度补偿功能的BP神经网络；网络训练完毕后，输入压力传感器量程范围内的任何输出电压值与其工作环境温度传感器的输出电压值，补偿模块可给出对应的压力值，该压力值在消除温度影响的同时也进行了零点及非线性补偿。 （2）基于回归分析模型法降低一个干扰量影响的智能化软件模块设计。 要求：基于回归分析模型法设计一个数据融合软件模块，使压阻式压力传感器具有温度自补偿功能，可提高抗一个干扰量(温度)的稳定性；综合评价该压力传感器在配备了温度自补偿模块融合前、后的性能；写出数据融合模块逆模型的编程代码。 设计步骤：1、二维标定试验 在工作温度范围内选定多个不同的温度状态对被补偿的压力传感器进行标定试验，表1列出了在21.5—70度间6个温度状态的静态标定数据，在压力传感器量程范围内，选了6个标定值，总计有36个表定点，可获得6个温度状态对应的6条压力传感器的输入（P)输出（U)静态特性，也称这些标定值为样 本数据。 2、.神经网络样本文件的制作 神经网络文件样本有两种，分别用以对神经网络进行训练或检验用的神经网络训练文件和检验样本文件。 1）样本数据对 由二维标定试验中的36个标定点，获得36组试验标定数据或说获得36组样本数据对，如表6-2所示，样本数据对由对应输入量与对应输出量两部分组成，表中每个序号样本对含有三个输入量，对应输出量为p, 2）样本文件的制作 通常将标定试验获得的样本数据总对中的一部分用作神经网络的训练形成的训练样本文件，形成网络结构及权值；再用剩下部分的样本数据对形成检验样本文件，进行神经网络的检验。 训练样本文件。训练样本文件由b1.txt与b2.txt两个文件组成，装入了除了表6-2中除了1，8，15，18，9，22，29，35，8组样本对以外的其余28组样本对，形成28列3行，训练用输入样本文件b1.txt，装载的是神经网络的输入数据。b2.tx文件存有一行28列数据，是与输入样本数据对应的神经网络的期望输出值。两个文件的每列是一组样本数据对。文件中每行的样本数据要求等间隔排列，以便程序能够正确读取样本文件数据： 检验样本文件。 由b3.txt,b4.txt两个文件组成，装载了表2中1，8，15，18，19，22，29，36，8个样本数对。 样本文件的归一化处理 4 在MATLAB 环境下的BPNN的设计流程 根据流程设计以下程序， （1）程序初始化 （2）输入4个样本文件数据 （3）4个样本文件归一化 设置网路参数，创建BPNN 使用该函数首先要设置隐层与输出层神经元数数量以及相应的传递函数，确定训练函数，学习函数以及功能函数。 代入训练样本文件，设置网络参数，训练已创建的BPNN, 输出BPNN模型结构参数，用函数获得输入层及隐层间的权值及隐层与输出层的权值。 带入检验样本文件，用已经训练好的BPNN计算检验样本的输出结果。 检验结果评价，计算检验结果的绝对偏差或者应用误差，判断结果能否满足实用要求， 训练检验 条件，输入节点3，隐层节点6，输出层节点1，训练迭代次数1000。 （2）训练与测试， 运行编好的程序，程序将自动输入网络训练与检验所需要的4个样本文件，并进行1000次训练与检验。1000次???练检验结束后，检验样本的网络输出如表所示，通过与期望输出的对比，可以看到检验结果与期望输出结果的误差很小。 PNN模型结构参数。 训练检验好的BPNN模型结构参数 隐层的6个阈值； 隐层与输出层的6个连接权值； 输出层的一个阈值；14.。4767775 采用BPNN消除压力传感器交叉敏感的效果评价 BPNN融合压力传感器的静态特性，将表2中36组数据样本同时作为训练与检验样本进行BPNN融合，融合后的压力值如表4所示。 （2）最小二乘法线性度的计算。 （3）温度稳定性参数的计算