优化RBF神经网络在压力传感器中的应用

第３４卷第３期６月２０１２年０

压　电　与　声　光

ＰＩＥＺＯＥＬＥＣＴＲＩＣＳ　＆ＡＣＯＵＳＴＯＯＰＴＩＣＳ　

Ｖｏｌ．３４Ｎｏ．３Ｊｕｎｅ２０１２　

（）１００４２４７４２０１２０３０４１４０３－－－　　文章编号：

优化ＲＢＦ神经网络在压力传感器中的应用

彭继慎，程　英

（）辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛１２５１０５

针对压力传感器在应用中出现温度误差大这一缺点，提出了通过采用径向基函数（神经网络较ＲＢＦ）　　摘　要：

强的非线性逼近能力，实现其非线性校正和温度补偿的网络方法，并对该法进行改进。通过仿真可看出，改进方法校正的系统能自动补偿非线性误差，具有误差小，精度高等优点。因此，提出的改进的ＲＢＦ神经网络法对压力传感器的非线性补偿是可行的。

关键词：压力传感器；径向基函数神经网络；非线性补偿中图分类号：ＴＰ２１２．１　　　文献标识码：Ａ

ＴｈｅＡｌｉｃａｔｉｏｎｏｆＯｔｉｍｉｚｅｄＲＢＦＮｅｕｒａｌＮｅｔｗｏｒｋｔｏＰｒｅｓｓｕｒｅＴｒａｎｓｄｕｃｅｒ　　　　　　　　　ｐｐｐ

，ＰＥＮＧＪｉｓｈｅｎＣＨＥＮＧＹｉｎ　　ｇ

（，，Ｈ）ＦａｃｕｌｔｏｆＥｌｅｃｔｒｉｃａｌａｎｄＣｏｎｔｒｏｌＥｎｉｎｅｅｒｉｎＬｉａｏｎｉｎＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｕｌｕｄａｏ１２５１０５，Ｃｈｉｎａ　　　　　　ｙｇｇｇｙ　　

：Ａ，ｂｓｔｒａｃｔｉｍｉｎａｔｔｈｅｄｒａｗｂａｃｋｏｆｌａｒｅｔｅｍｅｒａｔｕｒｅｅｒｒｏｒｏｆｔｈｅｒｅｓｓｕｒｅｓｅｎｓｏｒａｎｅｔｗｏｒｋｍｅｔｈｏｄｍａｋｉｎ　　Ａ　　　　　　　　　　　　　ｐｇｇｐｇ　ｕｓｅｏｆｔｈｅｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ｎｅｕｒａｌｎｅｔｗｏｒｋｗｈｉｃｈｈａｓｔｈｅｓｔｒｏｎａｂｉｌｉｔｏｆｎｏｎｌｉｎｅａｒａｒｏｘｉｍａｔｉｏｎｗａｓ　　　　　　　　　　　－　　ｇｙｐｐ　　，ｒｏｏｓｅｄｔｏｒｅａｌｉｚｅｔｈｅｎｏｎｌｉｎｅａｒｃｏｒｒｅｃｔｉｏｎａｎｄｔｅｍｅｒａｔｕｒｅｃｏｍｅｎｓａｔｉｏｎａｎｄｔｈｅｍｅｔｈｏｄｗａｓａｌｓｏｉｍｒｏｖｅｄｉｎｔｈｉｓ　　　　－　　　　　　　　　　　ｐｐｐｐｐｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｎｏｎｌｉｎｅａｒｅｒｒｏｒｓｏｆｔｈｅｓｓｔｅｍｃｏｒｒｅｃｔｅｄｂｔｈｉｓｉｍｒｏｖｅｄｍｅｔｈｏｄｗｏｒｋ．Ｔｈｅ　　　　　　－　　　　　　　　ｙｙｐ　

，ｂｅｃｏｍｅｎｓａｔｅｄａｕｔｏｍａｔｉｃａｌｌ．ＴｈｅｉｍｒｏｖｅｄＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄｈａｓｔｈｅｆｅａｔｕｒｅｓｏｆｓｍａｌｌｅｒｒｏｒｈｉｈｃｏｕｌｄ　　　　　　　　　　　　　　ｐｙｐｇｒｅｃｉｓｉｏｎｒｅｓｓｕｒｅａｎｄｔｈｕｓｉｓｆｅａｓｉｂｌｅｔｏｃｏｍｅｎｓａｔｅｔｈｅｎｏｎｌｉｎｅａｒｅｒｒｏｒｔｈｅｓｅｎｓｏｒ．　　　　　　　　－　　　　ｐｐｐ

：；；Ｋｅｗｏｒｄｓｒｅｓｓｕｒｅｓｅｎｓｏｒｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｎｏｎｌｉｎｅａｒｉｔｃｏｍｅｎｓａｔｉｏｎ　　　　　－ｐｙｐｙ　　　

０　引言

传感器是测量系统中的重要部件，作为传感器

］１２－

，世界中使用最频繁的压力传感器［在实际生产有

着广泛的应用前景。目前压力测量中使用最多的是压阻式压力传感器，它具有灵敏系数高，结构尺寸小，压力分辨率高等优点，但由于压阻式压力传感器由半导体材料制成，其输入、输出间存在非线性关系，且参数会随着温度的变化而漂移，影响其正常工作，必须对其进行非线性补偿。为了降低传感器对非目标参量波动引起的不稳

］３４－

，定性，提高传感器的智能化程度［神经网络已被

当前国内外传感器领域的研究人员用于传感器的非线性补偿中，通常用反向传播（神经网络进行非ＢＰ）

］５７－

，线性补偿［但Ｂ逼近能Ｐ神经网络在收敛速度、

网络性能的好坏；因此，文中提出基于蚁群算法的同时采用逆向建模方法，ＲＢＦ神经网络优化算法，在有温度变化和电源波动的环境下估计传感器的施加压力。通过估计压力融合值进行传感器的非线性校正，从而提高了压力传感器的测量精度，扩大了压力传感器的使用范围。

１　ＲＢＦ神经网络

具有结构ＲＢＦ神经网络是一种前馈神经网络，

简单，训练简洁且收敛速度快，能逼近任意非线性函

］８９－

。Ｒ数的特点［输入层、ＢＦ神经网络有３层结构：

隐层和输出层。信号由输入层传递到隐层，隐层节点由像高斯函数那样的辐射状作用函数（即基函数）构成；输出层节点通常是简单的线性函数，基函数对输入信号将在局部产生响应，即当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出这种网络具有局部逼近能力。ＲＢＦ神经网络结构如图１所示。

力等方面比径向基函数（神经网络差。该文利ＲＢＦ）用Ｒ对压ＢＦ神经网络能逼近任意非线性这一特点，阻式压力传感器非线性进行补偿。ＲＢＦ网络中心点的确定是个关键问题，其很大程度上决定了ＲＢＦ

２０１１０５２３　　收稿日期：－－

）辽宁教育厅优秀人才计划基金资助项目（２００８ＲＣ２５　　基金项目：

：（），，，，，９６９　　作者简介彭继慎１－男辽宁省阜新人教授博士主要从事电力传动系统的计算机控制技术与仿真的研究。

　第３期彭继慎等：优化ＲＢＦ神经网络在压力传感器中的应用

４１５　

２．２　蚁群优化算法确定ＲＢＦ神经网络中心

蚁群算法是意大利学者ＭａｒｃｏＤｏｒｉｏ等于２０　ｇ世纪９通过模拟自然界中蚂蚁集体０年代初期提出，觅食的行为提出了一种基于种群的启发式仿生进化算法。该算法不依赖于具体的数学模型，基本原理简单易懂，具有全局优化能力，可用来解决各种不同

图１　ＲＢＦ神经网络结构图

的组合优化问题。

近年来许多学者针对如何确定ＲＢＦ网络中心的问题作了深入研究与探索。本文利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法，提出一种新的聚类算法来确定ＲＢＦ神经网络中的基函数。与传统的聚类算法相比，其具有速度快，不易陷入局部最优解等优点。具体的聚类过程如下：

）初始化基本参数：样本个数Ｎ，聚类半径ｒ。１

）采用距离公式计算任意２个样本间距２

，…，）ｘｉ２，Ｎ（６　　ｄ＝‖ｘｊ＝１，ｉ－２　　　ｊ‖

）路径上的信息初始化：３

０　　　ｄｒｉｊ＞）计算ｘ４ｉ聚类到ｘｊ的概率为

ｎ

通常采用高斯公式作为基函数，则ＲＢＦ神经网络高斯型表达式为

２

ｘｃｉ－ｉ（）（）ｅｘ１　　Ｒｐ－ｉｘｉ＝２

２σｉ

…，式中：ｉ为第ｉ个隐含神经元，ｉ＝１，２，ｎ；ｘｉ为网

络的输入向量；ｃｉ为第ｉ个隐层元素的高斯分布曲

［］

线的作用中心；σｉ为第ｉ个隐层节点的宽度。整个网络的输出方程为

ｘ）ｙ＝ＷＲ（

式中Ｗ为权值向量。

（）２

用高斯型表达式作为ＲＢＦ网络隐含层的基函数，这样可将输入值直接映射到隐含层。当ＲＢＦ神

经网络的中心点确定后，映射关 …… 此处隐藏：3784字，全部文档内容请下载后查看。喜欢就下载吧 ……