神经网络在标准热电偶测温中的应用

　　1　引　言

　　热电偶是目前工业测温中广泛使用的一种温度传感器。与其他测温传感器相比,他具有测温范围广、测温点小、准确度高、动态响应快、可作远距离测量、器件已标准化等优点。但因为热电偶的温度和热电势之间呈非线性关系,实际使用中需要采用标准化热电偶来测温,并根据测得的热电势查标准热电偶分度表来得到实际测试温度。由于热电偶测温范围很大,所以分度表中包含了大量的浮点型数据,如果在测温程序中采用查表方式就需要存储大量已知数据,并且查表的精度只能达到1℃。另一方面,热电偶在使用了一段时间(尤其是在有害气体中或高温环境下)或经维修以后,由于其热电特性要发生变化,往往需要对其进行检验甚至重新标定。此时,如果再逐步进行标定是很困难的。为此,如果能找出一种根据已知热电势数据经函数逼近后直接计算温度值的方法就可以使工作简化。

　　人工神经网络模拟人脑的认知特点,借助训练对专家的经验或外界环境进行学习,训练完成后就可根据已学习到的知识解决未知问题。其自学习、自适应、信息分散存储、高度并行处理并具有泛化能力的特点使他能够解决许多其他方法很难解决或解决不好的复杂问题。神经网络计算方法不但能够处理任意类型的数据,并且克服了传统分析过程的复杂性及选择适当模型函数形式的困难,他是一种自然的非线性建模过程,不需分清变量间存在何种非线性关系,也不要求变量间相互独立,给建模与分析带来极大的方便。目前,他已经成功应用于预测、计算、评估、优化、模式识别、控制、人工智能、故障诊断、信息处理、管理决策等许多方面。

　　神经网络的结构类型和训练算法很多,利用多层前向神经网络的函数逼近功能和BP算法就可解决前面提到的热电偶温度计算问题。

　　2　多层前向神经网络、BP算法及改进

　　一个具有3层的多层前向神经网络结构如图1所示。这样的网络克服了单层网络只能解决线性可分问题的局限性,在层数和每层神经元个数足够多时,可用于解决任何复杂的模式分类或函数逼近问题。同时,因为只有信号的前向传递,网络的结构比较简单,运算速度很快。对于这种网络,一种常用的学习算法就是BP (BackPropagation)算法。BP算法通过将网络输出端的误差反向传播到输入端来调整网络权值,使网络的性能在学习中不断优化。就图1而言,基于BP算法的权值和偏置值更新公式如下[1]:

　　由于BP算法收敛速度很慢,而且容易陷入局部极小,难以确定隐层和隐节点的个数,因此实际中经常采用BP算法的改进形式或其他标准的数值优化技术来提高收敛速度,比较常用的有快速BP算法和LevenbergMarquardt算法。快速BP算法结合了动量方法和自适应学习速度方法的优点,可以在找到更优解的同时缩短训练时间。Levenberg Marquardt算法是牛顿法的变形,非常适合于性能指数是均方误差的神经网络训练,对于中等数量的网络参数,他是最快的神经网络训练算法[2]。