《基于人工神经网络的压力传感器的温度补偿办法》.ppt

程序 net.trainParam.epochs=1000; %训练的最大步数 net.trainParam.goal=0.000001; %确定训练的预期误差为0.001 net=train(net,p,t); %网络进行训练 net.iw{1} %显示初始后的权值 net.b{1} %显示初始后的阀值 y=sim(net,p) %对网络进行仿真，y为仿真输出结果。 %对网络进行仿真，y为仿真输出结果。 第三十页，共三十二页。 黑龙江大学校级课题答辩基于人工神经网络的压力传感器的温度补偿 学生姓名：平昊 张天博 黄卓然 指导教师： 王璐 第一页，共三十二页。 1.1 压力传感器 1.2 压力传感器的温度补偿办法 1.3 国内现状 1.4 本课题目的 第一章 绪论 第二页，共三十二页。 1.1 压力传感器 压力传感器是工业实践中最为常用的一种传感器。一般普通压力传感器的输出为模拟信号。我们通常使用的压力传感器主要是利用压电效应制造。 第三页，共三十二页。 压力传感器的温度范围分为补偿温度范围和工作温度范围。补偿温度范围是由于施加了温度补偿，精度进入额定范围内的温度范围。工作温度范围是保证压力传感器能正常工作的温度范围。 压力传感器的温度范围 第四页，共三十二页。 1.2 压力传感器的温度补偿办法 硬件补偿 软件补偿 第五页，共三十二页。 硬件补偿 软件补偿 软件补偿可以分为数值分析法和人工智能法专家系统、神经网络、遗传算法和模糊系统 硬件补偿主要采用硬件电路来消除其影响, 但难以做到全额补偿, 且存在补偿电路硬件漂移等问题。 第六页，共三十二页。 基于数值分析的温度补偿法，最常采用的是最小二乘曲线拟合法或多段折线逼近法. 最小二乘法是基于梯度变化量的计算来求最优解的, 是一种局部搜索技术, 容易进入局部最优, 但很难得到全局最优解。多段折线逼近法的算法较复杂, 拟合精确度不高。考虑到传统的基于数值分析方法的不足, 本文采用了人工神经网络理论对压力传感器进行温度补偿。人工神经网络有很强的非线性建模能力, 能完成复杂的非线性映射功能, 同时, 神经网络具有自组织、自学习及推理的自适应能力。 第七页，共三十二页。 1.3 国内现状 随着人工智能特别是神经网络技术的发展, 为传感器信号的处理提供了新的有效手段, BP神经网络具有很强的函数逼近能力, 被人们用来进行传感器的各种非线性误差的补偿, 然而,BP神经网络存在收敛速度慢、易于陷入局部极小等点。 第八页，共三十二页。 由于人工神经网络具有独特的非线性映射能力、很强的环境适应能力。目前, 人工神经网络已在语音识别, 模式分类, 图像处理和自动控制等领域获得了比较成功的应用, 并已成为解决一批工程实际问题的有效工具之一。人工神经网络在一些领域的成功应用,促使人们开展人工神经网络在传感器非线性领域中的应用研究。利用人工神经网络所具有独特的非线性映射能力, 实现传感器非线性静态校正。 第九页，共三十二页。 1.4 本课程目的 新的人工神经网络计算方法对压力传感器进行了温度补偿. 由于神经网络具有非线性特性、自适应和学习能力, 只要能获取传感器的输入和输出数据, 通过人工神经网络融合, 可以逼近其输入输出特性. 融合结果表明, 其拟合精度较高, 实现了压力传感器的温度补偿。 第十页，共三十二页。 第二章基于BP神经网络的压力传感器温度补偿 第十一页，共三十二页。 目录 2.1 神经网络的发展历史及其现状 2.3 BP神经网络 2.2 神经网络结构 2.5 BP神经网络在实例中的应用 2.4 BP网络的优点及其局限性 2.6 BP神经网络在压力传感器温度补偿方面的应用 第十二页，共三十二页。 2.1神经网络的发展历史及其现状 人工神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。 第十三页，共三十二页。 神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。 MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件MATLAB，提供了现成的神经网络工具箱 第十四页，共三十二页。 解决实际问题中，应用MATLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。