智能传感器系统神经网络技术及其在智能传感器系统中的应用演示课件.ppt

如果任意设置网络初始权值，那么对每个输入模式p, 网络输出与期望输出一般总有误差。定义网络误差为 式中，dpj表示对第p个输入模式输出单元j的期望输出。δ学习规则的实质是利用梯度最速下降法，使权值沿误差函数的负梯度方向改变。 若权值Wji的变化量记为ΔWji, 则 好好的 而 这里，令 于是 这就是通常所说的δ学习规则。 好好的 当Opj表示输出层单元的输出时，其误差 好好的 当Opj表示隐单元输出时，其误差 好好的 故 至此，BP算法权值修正公式可统一表示为 对于输出单元 对于隐单元 (6-26) 好好的 在实际应用中，考虑到学习过程的收敛性，通常为了使学习因子η取值足够大，又不致于产生振荡，在权值修正公式(6-29)中再加一个势态项， 得 式中，α是常数，称势态因子，它决定上一次学习权值对本次权值更新的影响程度。 一般地， BP网络学习算法步骤描述如下： (1) 初始化网络及学习参数，如设置网络初始矩阵、学习因子η、 参数α等； (2) 提供训练样本，训练网络，直到满足要求； (3) 前向传播过程：对给定训练模式输入，计算网络的输出模式， 并与期望模式输出比较，若有误差，则执行(4)，否则，返回(2)； 好好的 (4) 后向传播过程： ① 计算同一层单元的误差δpj。 ② 修正权值和阈值 阈值即为i=0时的连接权值。 ③ 返回(2)。 用网络的均方根值(RMS)误差来定量反映学习性能。其定义为 好好的 6.4.2 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。 好好的 二、 智能结构系统简介 图 6-15 智能结构系统图 好好的 三、前向BP网络处理器 图 6-16 三层BP网络 好好的 图 6-17 BP算法流程 好好的 6.4.6 基于神经网络的三传感器数据融合处理法 (消除两个非目标参量的影响) 1. 概述 传感器静态特性不仅受某一个环境参量的影响，即不只受一个非目标参量的影响，有时甚至受多个非目标参量的影响。如一个压力传感器， 在输入压力P数值不变的情况下，当工作温度T变化以及供电电源波动γ都将引起传感器输出电压U发生变化， 则该压力传感器受两个非目标参量(T，γ)的影响。为了提高传感器的稳定性， 消除两个非目标参量对传感器输入—输出特性的影响，可采用多种智能化技术，如多维回归分析法与神经网络法， 这是两种有效的融合处理方法。 好好的 2. 基于神经网络法的三传感器数据融合原理 图 6-25 采用神经网络进行三传感器数据融合的智能压力传感器系统框图 好好的 图 6-26 传感器模块电路原理图 好好的 (1) 压力传感器：这里的压力传感器采用的是CYJ-101型压阻式压力传感器，对应被测压力P(目标参量)输出电压U。一个理想的压力传感器，其输出U应为输入P的一元单值函数，即 U = f(P) 其反函数为 P = f-1(U) 但是，该传感器受工作温度T与供电电源波动γ的影响， 其输出电压U将发生变化，实际上是一个三元函数，即 U = f(P, T, γ) 好好的 (2) 温度传感器：温度传感器将工作温度T转换为电压信号Ut, 如图6-26。采用恒流源供电的压力传感器，其供电端(AC两端)电压UAC即为Ut。 (3) 电流传感器：电流传感器将电流信号I转换为电压信号UI, 如图6-26。采用标准恒定电阻RN与压力传感器相串联，RN两端电压UI为 UI = IRN 则供电电源波动γ为 好好的 2) 神经网络模块 神经网络模块是由软件编程实现的一种BP网络算法。其三个输入量X1、X2、X3分别为U、Ut、γ，输出量为P′。P′亦是智能压力传感器系统的总输出量。总输出量P′有两个特点： (1) P′仅为被测压力P的单值函数，这样就消除了工作温度和供电电源波动两个非目标参量的影响。 (2) 在工作温度和供电电源同时波动情况下，要求系统输出P′以某个允许偏差逼