课件：神经网络应用补.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 三、综合修正方法 图 7-23 综合修正原理框图 神经网络误差修正方法的步骤描述如下： (1) 取传感器原始实验输入输出和相应环境参量。 (2) 将这些原始数据进行归一化处理， 使输入样本在［0, 1］之内。 (3) 初始化网络， 如确定输入、 输出层单元数， 修正因子η， 惯性系数α等。 (4) 训练网络，直至满足要求为止。 四、 实例分析 表7-4 实 验 数 据 图 7-24 修正后x、 t、 z关系 7.4.6 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。 2. 基于神经网络法的三传感器数据融合原理 图 7-25 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 图 7-26 传感器模块电路原理图 (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) (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7-26。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7-26。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 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′以某个允许偏差逼近被测目标参量P， 从而实现了系统测量目标参量P的目的。要实现上述要求，需对神经网络进行训练，网络训练样本由三维标定实验数据来提供。 3. 样本库的建立 1) 三维标定实验 在不同工作温度T(=21.5 ℃, 44.0 ℃, 70.0 ℃), 令电源电流波动分别为 =3%,-1 %, -3 %条件下，对CYJ-101型压力传感器的静态输入(P)—输出(U)特性进行标定。实验标定数据列于表7-5。 表 7-5 不同工作温度及供电电源波动下传感器输入输出标定值 2) 神经网络训练样本数据的归一化 表 7-6 神经网络输入输出标准样本库 式中: ——第m个样本神经网络输入、输出归一化值； Xim、Pm——第m个样本第i个传感器的输入、输出标定值； Ximax、Ximin——第i个传感器输出最大、 最小标定值。 (7-53) (7-52) 如T=21.5 ℃且当i=1时，X1max=Umax=100.12 mV, X1min=0； 当i=2时，X2max=Utmax=290.5 mV, X2min=184.4 mV;  又如T=70.0 ℃且当i=1时，X1max=Umax=78.57mV, X1min=0； 当i=2时，X2