基于RBF网络超声波测距非线行误差校正.docx

?

?

基于RBF网络超声波测距非线行误差校正

?

?

基于RBF网络超声波测距非线行误差校正

摘要：针对现在的超声波测距易受温度和一些非线性误差的影响，提出用神经网络的良好的学习、泛化和非线性逼近能力来对超声波测距的非线性误差进行校正和温度补偿。通过理论分析和用matlab仿真，显示出RBF网络对超声波传感器的温度补偿和非线性校正的效果良好，充分表明了应用RBF网络在提高超声波测距精度方面是一种行之有效的方法。

关键词：超声波测距，RBF网络，非线行误差校正

1、引言

超声波测距具有信息处理简单、快速和价格低，易于实时控制等许多优势，它被广泛的应用在各种距离测试的设备中。但超声波传感器在实际应用中也有一定的局限性。在超声波测距中，由于超声波传感器本身的结构和受外界温度等因素的干扰，其输入输出特性呈明显的非线性，靠硬件或软件补偿修正的方法对提高其测距精度的效果不大。所以，本文提出了基于径向基函数神经网络实现超声波传感器的建模，对超声波测距进行温度补偿和非线性误差校正的方法。

2、用RBF神经网络改善超声波测距的精度

２.１神经网络实现非线性误差校正的原理

设超声波传感器要测量的实际距离为d，实际距离d决定t2-t1，环境温度为T，超声波传感器测量输出的结果为h，经RBF网络校正后的距离为Dr，则超声波传感器测距系统可以表示为h=f(d，T)，由于传感器产生的非线性误差和温度的影响，使得f(d，T)呈现非线性特性。校正的目的是根据测的h求未知的d，即d＝g(h，T)，也就是需要建立超声波传感器的模型其原理可以表示为图1所示。

超声波传感器输出Dr通过一个补偿模型，该模型的特性函数为Dr=g(h，T)，其中Dr为非线性补偿后的输出，g(h，T)显然是一个非线性函数。通常非线性函数的表达式很难准确求解，但可以利用神经网络能很好地逼近非线性函数的特点，通过建立神经网络模型来逼近该非线性函数。本文选取RBF神经网络模型。

２.２RBF神经网络

RBF网络是一种局部逼近网络。它对于每个输入输出数据对,只有少量的权值需要进行调整。它采用一组正交归一化的基函数——径向基函数的线性组合来逼近任意函数。

常用径向基函数有高斯函数、多二次函数、薄板样条函数等。由于输入矢量直接映射到隐层空间,RBF的中心确定后,这种非线性映射关系也就确定,因此RBF的学习算法首先要确定径向基函数的中心,本文径向基函数的中心采用高斯函数（Radbas(n)=e-n2）,其隐含层的输入输出模型如图２。

对于本文的超声波传感器逆模型的RBF网络模型，输入为h和T，训练后的实际输出为Dr，期望输出为d。超声波传感器非线性校正逆模型采用RBF网络，输入层2个节点，输出层1个节点，扩展系数为0.5（实

验结果表明扩展常数为0.5时对应隐含层神经元个数适中，故扩展常数选为0.5），通过测量获取了50组数据集作训练样本，将输入量作归一化处理后，按照上述的RBF神经网络的学习方法学习。神经网络的训练和仿真是在Matlab6.5环境下，通过神经网络工具箱，编制相应的程序而实现。

在matlab上应用RBF神经网络进行仿真温度补偿和非线性误差校正后，系统的测距精度大大提高，表1所示为未经神经网络处理和神经网络处理后的测距比较。

比较结果表明，神经网络处理后的结果与实际距离很接近，精度大大提高了。

3、结束语

实际应用中，超声波测距易受温度等多种因素的影响，利用RBF神经网络良好的非线性逼近特性、自适应能力学习能力，可优化超声波的输出特性，而且网络结构简单，便于单片机实现或固化在硬件中。仿真结果表明，利用RBF神经网络能很好地逼近非线性函数，实现了超声波传感器建模，对传感器进行非线性误差校正，效果相当明显，大大提高了超声波测距的精度，使其测距误差控制在毫米级以内，这是采用其它校正方法是无法达到的。

参考文献：

[1]谭超，许泽宏，李维一，付小红，王健．基于小波神经网络建立虚拟仪器非线性较正型[J]．微计算机信息，2005．12（1）P157-159．

[2]田社平．基于神经网络模型的传感器非线性校正．（英文）光学精密工程．2006

[3]BinchiniM，FrasconiP，GoriM.Learningwithoutlocalminimainradialbasisfunctionnetworks.IEEETrans.onNeuralNetworks,1995，6(3)：749～755）

[4]XianzhongDai，MingYin，QinWang．Artificialneur