磁力仪温度误差的径向基神经网络补偿模型

　　1 引 言

　　在常温环境下，磁通门磁力仪在弱磁检测和磁场矢量测量运用广泛[1-2]，但其测量精度受温度环境制约，刻度因子和零偏等参数随温度变化而改变。从机理上消除温度误差难度大、成本高，而温度误差建模补偿是一种简单、快捷的解决方法。其他类型传感器的建模方法有线性回归模型、神经网络模型等，前者结构简单，对复杂的非线性关系无能为力，多项式拟合无法对传感器零漂特性进行逼近; 后者具有良好的逼近复杂非线性函数的能力。然而，BP 神经网络存在训练速度慢、权值意义不明确等缺点，易陷入局部最优，导致精度和重复性不高[3]。

　　国内对磁通门磁力仪温度补偿研究几乎空白，国外提及到对磁通门磁力仪温度特性进行测试。Primdahl 等人提出从材料和电路参数方面补偿温度误差[4]， Kubik 等对常温下刻度因子的频响进行了研究[5]，Tipek 等人提出通过电路板改进温度特性[6]。文献[7]介绍了三轴磁通门梯度计的长期温度漂移补偿; 文献[8]介绍了罗盘中三轴传感器的误差补偿; 文献[9]对球形反馈线圈的三轴磁通门磁力仪进行了温度测试; 文献[10]定量分析了温度对传感器参数影响。但是，上述文献没有建立磁通门磁力仪参数的温度补偿模型，难以解决实际情况中温度对磁通门磁力仪参数的影响，在工程使用中，需要建立与测量值和温度相关的通用性温度补偿模型。借鉴其他传感器的温度误差补偿和非线性校正方法，文献[11]提出基于二维回归分析法的霍尔电流传感器温度补偿; 文献[12]对高精度车载航位推算温度补偿进行了研究，利用最小二乘法标定模型系数; 文献[13]提出基于径向基神经网络的压力传感器温度漂移补偿; 文献[14]提出基于径向基神经网络的热敏电阻温度传感器非线性补偿方法; 径向基神经网络还被运用于柴油机排气温度智能检测[15]。与 BP 神经网络相比，径向基神经网络具有逼近精度高、速度快、一致性好等特点[16]。

　　本文主要目的在于对磁通门磁力仪零漂和刻度因子的温度特性进行逼近，并建立两者的通用温度补偿模型。提出利用径向基神经网络出色的函数逼近能力和学习能力，建立了温度误差补偿模型。结果表明，磁力仪温度误差降低一个数量级，而且模型通用性良好。

　　2 零漂补偿仿真结果

　　磁通门磁力仪零偏输出值受到温度影响，在环境温度波动情况下出现零漂。采用径向基神经网络对零漂进行补偿，磁力仪零漂输出值仿真数据如图 1 中 B1 所示。由图可知，传感器零漂值波动明显，且在采集过程中包含噪声，波动值达到 7.105 5 nT。为了比较 BP 神经网络和径向基神经网络对零漂的补偿效果，2 种网络的神经元个数、散步常数和目标误差等设置参数均相同。