传感器动态误差高速并行修正方法及其FPGA实现

　　在动态测试系统中当传感器的工作频带窄于信号的频谱分布时，工作频带范围外的信号频率分量就会被“畸形化”，最终导致测量结果无法表征输入信号[1]，为此，人们不得不采取一些中间补偿和修正措施。在众多的补偿和修正措施中采用设计动态补偿器的方法最为简单直接可行。目前人工神经网络在动态补偿器的设计应用最为广泛，PSO 算法也有部分应用。神经网络虽然搜索速度快，但是其很容易陷入局部最小，而且在训练后期网络精度提升空间很小。PSO 算法虽是一种全局最优算法但是粒子的初始位置对PSO 算法的寻优结果有一定的影响[2]，基于此本文提出了一种改进PSO 算法，该方法首先利用自适应神经网络在较短的时间为粒子群中各粒子搜索出一个最优的初始值，而后利用改进PSO 算法继续寻优，最终得到全局最优值。

　　动态补偿器一般阶次较高，按照传统移位求和的编程思想很难完成对传感器动态误差的高速实时修正[3]。基于分布式算法的思想本文为动态补偿滤波器硬件实现提供了一种并行方法。该方法将运用改进PSO 算法得到的最优动态补偿滤波器系数按照分布式算法的思想转换成ROM 查找表操作，避免了乘法运算，查找表后的数据只需做简单的加法运算就可得到补偿结果，大大提高了运算速度，该方法为动态补偿器在在线实时测量中的应用提供了一条有效途径。

　　1 改进PSO 算法的动态误差修正法

　　1. 1 改进PSO 算法

　　PSO 算法是一种基于群体智能的全局优化算法，它利用m 个粒子组成的粒子群在D 维目标搜索空间中搜索最优解。在运用PSO 算法求解优化问题时，将潜在解抽象为粒子，各粒子按照式( 1) 、式( 2) 更新其速度和位置。

　　针对PSO 算法初始值的设定对寻优结果有一定的影响、而神经网络虽然易陷于局部最小，但是在训练初期有着搜索能力强收敛速度快的特点，本文首先运用自适应神经网络为PSO 算法中各个粒子设定初始值，而后利用改进PSO 算法寻优得到全局最优值。

　　1. 2 基于改进PSO 算法的传感器动态误差修正方法

　　图1 给出了基于改进PSO 算法的传感器动态误差修正的一般原理，其中y( k) 为传感器输出，r( k) 为参考模型输出，z( k) 为补偿输出，m 为补偿器的阶数。

　　由图1 可知算法的输入向量X( k) 可表达为:

　　在式( 10) 、式( 11) 中α 为学习因子，为了保证参数辨识的收敛性要求α 不宜过大，一般取0<α<1。整个自适应神经网络在训练过程当中我们以式( 8) 作为评判标准，当训练到均方误差和J 小于设定值或者训练次数达到设定值时所得到动态补偿器系数即为PSO 算法初始值[6]。