基于神经网络的传感器零点飘移补偿方法

　　0　引言

　　压力传感器广泛应用于工业生产的许多行业,由于目前的压阻式压力传感器一般是半导体材料制成,因此受环境温度变化的影响会出现零点漂移。

　　目前,对传感器的零点漂移补偿方法比较多。按照实现的条件可以分为用硬件电路补偿和在智能芯片或微机中以软件方法实现补偿。但用硬件电路进行校正大都存在电路复杂、调试困难、精度低、通用性差、成本高等缺点,不利于工程实际应用。软件补偿是将微处理器与压力传感器结合起来,充分利用丰富的软件功能、结合一定的补偿算法对传感器温度的附加误差进行修正。软件补偿的效果要比硬件补偿好,达到的精度更高,而且成本较低。

　　软件补偿的算法主要有①多项式拟合法,该方法算法较复杂,且拟合精度常常受限制。②人工神经网络法,该方法具有使用的样本数少,算法简单、具有任意函数逼近能力,应用前景良好。本文采用径向基函数(RadialBasis Function, RBF)神经网络法实现压力传感器零点漂移的补偿,取得了十分满意的效果。

　　1　基本原理

　　采用RBF神经网络进行传感器零点补偿的原理框图如图1所示。

　　图中,传感器数学模型为:

　　为了对传感器热零点飘移进行补偿,在其输出端串联一个补偿环节,如图1所示。补偿环节的特性函数为:

　　式中的y为补偿后的输出。显然,y等于被测量x,从而实现传感器热零点补偿。但f-1往往很复杂,难以准确求出,而RBF神经网络具有很强的非线性逼近能力,可以利用RBF网络学习并逼近f-1函数,实现传感器零点补偿。

　　2　径向基函数(RBF)神经网络及学习算法

　　RBF神经网络即径向基函数(Radial BasisFunction)神经网络,由三层组成,输入层节点只传递输入信号到隐层,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,而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,也就是说,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。

　　隐含层是由一组径向基函数构成,径向基函数有多种形式,一般取高斯函数。高斯函数的一般表达式为:

　　式中,x是n维输入向量;ci是第i个基函数的中心,与x具有相同维数的向量;σi是第i个感知的变量,它决定了该基函数围绕中心点的宽度;m是感知单元的个数。‖x-ci‖是向量x-ci的范数,它通常表示x和ci之间的距离,Ri(x)在ci处有一个唯一的最大值,随着‖x-ci‖的增大,Ri(x)迅速衰减到零。对于给定的输入x∈Rn,只有一小部分靠近x的中心被激活。