利用ＲＢＦ神經網絡提高溫度測量精度

摘要：本文介紹在壓力測量時，為提高測量精度，利用徑向基函數神經網絡（RBF）和智能溫度傳感器DS1822進行溫度補償，改善其測量精度的新方法。RBF網絡具有良好的非線性映射能力，自學習和泛化能力，采集樣本數據訓練構成具有雙端輸入、單端輸出網絡模型，采用改進的算法實現測量精度。

關鍵詞：溫度補償；徑向基函數神經網絡；DS1822；一線芯片

溫度檢測和補償對工、農業及國防建設等各領域都有著十分重要的意義，在工業自動化測控現場，環境溫度變化是無常的，大多數傳感器對溫度有較高的靈敏度，因此，環境溫度的變化會導致傳感器零點和靈敏度受到影響而產生測量誤差，所以，溫度檢測和補償問題是工業自動控制系統中的重要環節。

隨著科學技術的發展，溫度檢測和補償趨于智能化，并且對各種傳感器具有較高的溫度補償要求。

本文論述利用數字溫度傳感器對AK-4型壓力傳感器進行溫度測量和補償，并且采用徑向基函數組成神經網絡，從而達到更高精度的測量。

數字溫度傳感器是DS1822是一種基于單總線技術的數字溫度傳感器芯片，也就是利用一根信號線與一根返回線來實現互聯通信的集成電路。用它來構成微型局域網系統，其特點是建網速度快，成本低。適合現場實施使用。

1數字式傳感器DS1822的原理及總線接口

DS1822數字傳感器將所測溫度直接轉換為頻率，然后采用時鐘計數測溫法，計數時鐘是由溫度系數很低的振蕩器產生，工作狀態穩定，而計數閘門周期又是溫度系數很高的振蕩器決定。閘門打開期間為計數狀態，當計數值達到0時，溫度寄存器加1，同時還要對時鐘計數，脈沖進行非線性校正，從而獲得較高的溫度測量分辨力。也改變相對于測溫量化級的計數量大小，可獲得不同的分辨力。DS1822總線接口電路如圖1所示。

DS1822 總線接口電路工作電流為1.5mA，不需外接元件，本實驗為了確保測量精度和可靠采用外接電源的方法。

2RBF神經網絡

RBF是徑向基函數神經網絡，其結構如圖2所示。

它非常容易的擴展到多輸出點的情形，在此考慮一個輸出量的情況。RBF是具有一個輸入層，一個隱含層，一個輸出層的最簡模式，是一種性能良好的前向網絡，具有最佳逼近能力的神經網絡。結構上具有輸出一權直線性關系，訓練方法快速易行，不存在局部最優問題的特點。考慮當前時刻的狀態變化，將前一個時刻k-1的網絡參數包括進去。設網絡的輸入節點數為 ，隱層節點為m，輸出節點數為1，算法如下：

其中，?滋(k)為學習率，?琢(k)為動量因子，動量因子在網絡的學習中訓練中，相當于阻尼力，訓練誤差迅速增加時，它使網絡發散越來越慢，最后它使網絡的變化趨于穩定，有利于網絡的收斂。

3 訓練方法

在實驗中以AK-4型壓力傳感器為例，將壓力傳感器測量值和DS1822的輸出值作為網絡輸入節點的輸入端，與其對應的壓力是網絡輸出層節點輸出。

采用的RBF神經網絡為三層網絡結構，其中，輸入層有2個節點，隱含層有8個節點，輸出層有1個節點。通過調整RBF網絡中的可調參數進行網絡的訓練和測試，采用RMS（均方根）計算其訓練精度和測試精度。采集樣本數據為120組，其中有48組作為網絡樣本測試，72組作為網絡訓練樣本。在環境溫度變化范圍為-5℃～75℃時，根據獲得的實驗室數據，最佳RBF神經網絡的訓練精度為0.046%，測試精度小于0.063%。

4 結束語

在壓力訓練測試系統中，將數字式溫度傳感器DS1822只作為輔助測量傳感器，僅起溫度補償作用，由于單總線技術其線路簡單，硬件成本低，軟件設計簡單等優點，DS1822 在未來的測溫領域中必將有著無可比擬的應用前景，廣泛的應用到各個領域中。

RBF神經網絡參數調整，是利用帶遺忘因子的梯度下降算法。這種算法具有良好的非線性映射能力，自學習和泛化能力，魯棒性好，收斂較快，適合傳感器建立數學模型，測量精度比最小二乘擬合法和單片機插值補償法相比，精度提高了3-5倍，實現高精度測量。

參考文獻

[1]黃賢武.傳感器原理及應用.西安：西安電子科技大學出版社，1999

[2]王化祥.傳感器原理及應用.西安：天津： 天津大學出版社，1999

[3]鐘義信.潘新安. 楊義先. 智能理論與技術--人工智能與神經網絡. 北京: 人民郵電出版社， 1992

作者簡介：孫慧蓮 畢業于吉林大學（原吉林工業大學工業自動化專業），現在長春理工大學副教授，主要從事傳感器技術的研究。