Elman神經網絡多傳感器融合技術的研究與應用

劉 勇 張 民 劉西秀

(青島理工大學自動化工程學院，山東 青島 266033)

0 引言

傳感器是電子衡器中最重要的檢測元件之一。然而由于其器件本身的原因，導致其在溫度變化較大的環境中輸出非線性信號，誤差較大。

國內外學者對傳感器的補償問題進行了大量的研究，得出了很多方法[1－5]。其中一種方法是采用電阻網絡等硬件措施來抑制非目標參量的影響，但由于電阻本身也受溫度等環境參量的影響，補償效果不佳;另一種方法是利用軟件補償，多采用神經網絡法。一些前饋神經網絡(如BP、RBF等)能簡單方便地實現傳感器的非線性靜態補償，但這些前饋神經網絡一般不具有動態信息處理能力，在很多場合不能滿足要求。反饋型網絡增加了層間或層內的反饋連接，對動態系統的辨識精度和網絡結構都較前饋網絡有了較大的改善，因此在許多場合獲得了廣泛的應用。

本文采用Elman反饋型神經網絡實現傳感器的非線性校正，對采樣數據進行訓練，學習速率快，且取得了很好的補償效果。

1 信息融合基礎

多傳感器信息融合技術(multi-sensor information fusion，MSIF)是指對來自多個傳感器的數據進行多級別、多方面、多層次處理，以產生新信息的技術。這種新信息是任何單一傳感器所無法獲得的。MSIF是新興的多學科交叉的研究領域，涉及信號處理、概率統計、信息論、模式識別、人工智能、模糊數學等多種理論，是人類模仿自身信息處理能力的結果[6－9]。

信息融合方法可以分為數據級融合(也稱像素級融合)、特征級融合和決策級融合三級。本文采用數據級融合技術，其原理圖如圖1所示。

圖1 數據級融合技術原理圖Fig.1 Principle of data fusion technology

數據級融合是對來自同等量級的傳感器原始數據的直接融合，是在各種傳感器的原始測試數據未經預處理之前就進行的綜合與分析。這是最低層次的融合。該融合的主要優點是能保持盡可能多的現場數據，能提供其他融合層次所不能提供的細微信息[1－2]。

2 Elman神經網絡結構及學習算法

Elman網絡是一種典型的反饋網絡，最初由Elman在1990年提出。該模型是在BP網絡的隱含層中增加一個承接層，這種結構使隱含層的輸出不僅作為輸出層的輸入，而且還連接隱含層內的另外一些神經元。Elman神經網絡自身含有動態環節，這不僅使系統具有適應時變特性的能力、能直接反映動態過程系統的特性，而且減少了較多的系統狀態作為輸入，節省了輸入層單元數。Elman神經網絡結構如圖2所示。

圖2 Elman神經網絡結構圖Fig.2 Structure of Elman neural network

圖2中：i為輸入層神經元下標變元(i=1，2，…，h)，j為隱含層神經元下標變元(j=1，2，…，m)，l為承接層神經元下標變元(l=1，2，…，m)，k為輸出層神經元下標變元(k=1，2，…，n);f(1)(·)、f(2)(·)和 f(3)(·)分別表示輸入層、隱含層、輸出層的激發函數，上標(1)、(2)分別表示相應的層數;wji為輸入層第i個神經元到隱含層第j個神經元的連接權值;wjl為結構層到隱含層的連接權值;wkj為隱含層第j個神經元到輸出層第k個神經元的連接權值。

網絡的誤差函數為：

式中：ydk為輸出層各節點的期望值;P為樣本數。

第p(p=1，2，…，P)個樣本的輸入輸出關系如下。

輸入層輸入為：

輸入層輸出為：

隱含層輸入為：

隱含層輸出為：

承接層輸入為：

承接層輸出為：

輸出層輸入為：

輸出層輸出為：

3 Elman神經網絡融合

Elman神經網絡融合憑借Elman神經網絡優異的非線性和時變性處理能力，建立反映復雜非線性關系的網絡擬合模型，不斷逼近網絡的實際輸出值。Elman神經網絡融合的主要工作包括以下幾方面的內容。

①在可能的工作環境下采集相應的傳感器數據;

②提取有用數據并歸一化處理;

③將處理的數據分成訓練集和測試集兩部分，采用Elman神經網進行學習和建模;

④測試測試集是否合適。

數據融合流程如圖3所示。

圖3 數據融合流程圖Fig.3 Flowchart of data fusion

4 仿真試驗及結果分析

本試驗樣本包括訓練樣本和測試樣本共7個不同溫度點試驗數據。選取其中的4個溫度點的數據作為訓練樣本，另外3個溫度點數據作為測試樣本，每個樣本點數據為14個，當溫度分別為0℃、20℃、40℃時，具體試驗數據如表1所示。

表1 傳感器采樣數據值Tab.1 Sensor sampling data values

在神經網絡信息融合之前，進行樣本數據歸一化。訓練樣本的處理是一項重要內容，因為原始數據的分支可能相差很大，神經網絡對于輸入網絡的數據有著較為嚴格的要求，輸入的數據過小或過大都會影響網絡算法的收斂。直接采集的樣本數據不能直接用于Elman神經網絡的學習，必須對它們進行歸一化處理。本文采用線性函數進行歸一化處理[10]：

式中：x為轉換前的樣本數值;y為轉換后的樣本數值;Vmin為樣本數據集的最小值;Vmax為樣本數據集的最大值。

采用Matlab仿真得到訓練過程如圖4所示。

圖4 Elman神經網絡訓練過程Fig.4 Elman neural network training process

數據融合測試樣本曲線如圖5所示。

圖5 數據融合測試樣本曲線Fig.5 Data fusion test sample curves

Elman神經網絡校正補償后的幾組數據結果都明顯接近目標值，且由于工作環境溫度變化產生的傳感器輸出電壓的相對波動值明顯變小。傳感器輸出電壓相對波動值如式(11)所示：

式中：δp為重力傳感器輸出電壓波動的相對值;max|Δp|為傳感器輸出電壓的最大絕對波動值;pFS為傳感器滿量程輸出電壓值。

采用Elman神經網絡得到的被測壓力融合值，部分數據融合結果如表2所示。

表2 數據融合結果分析Tab.2 Data fusion result analysis

5 結束語

Elman及其改進的神經網絡模型與其他神經網絡模型一樣，具有輸入層、隱層和輸出層，具有學習期和工作期，因此，其具有自組織、自學習的特征。另外，由于在Elman神經網絡模型中增加了隱層及輸出層節點的反饋，更進一步地增強了網絡學習的精確性、容錯性以及動態學習能力。

通過本文的實際應用結果可知，Elman動態遞歸網絡可以映射動態特征，處理時變對象具有較好的應用前景。它具有較強的魯棒性、通用性和客觀性，充分體現了反饋神經網絡方法的優越性和合理性。這種神經網絡方法在其他領域預測和評價方面將具有較好的實際應用價值。

[1]周春光.計算智能：人工神經網絡·模糊系統·進化計算[M].吉林：吉林大學出版社，2009.

[2]劉君華.智能傳感器系統[M].西安：西安電子科技大學出版社，2004：388 －406.

[3]聞新，周露，李翔，等.Matlab神經網絡仿真及應用[M].北京：科學出版社，2003：147 －160.

[4]叢爽.面向Matlab工具箱的神經網絡理論與應用[M].合肥：中國科學技術大學出版社，2003.

[5]孟令啟，孟夢.Elman神經網絡在中厚板軋機寬展預測中的應用[J].吉林大學學報：工學版，2008，38(1)：193 －196.

[6]韓旭明，祝明，紀澍琴，等.OIF Elman神經網絡在股市預測中的應用[J].長春工業大學學報：工學版，2006，27(2)：135 －138.

[7]王秀芳，句莉莉，魏春明，等.基于Elman神經網絡的傳感器補償算法研究[J].科學技術與工程，2009(20)：5987 －5990.

[8]耿華，張濤，連小珉，等.北斗衛星與車載傳感器融合的車輛定位[J].汽車工程，2007，29(11)：929 －933.

[9]湯永花.制絲線電子皮帶秤動態稱重系統的設計研究[D].西安：西安科技大學，2006.

[10]鄒永祥.基于神經網絡的信息融合與應用[D].成都：成都理工大學，2008.