基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器數(shù)據(jù)融合

章 慧

(淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院,淮安 223003)

基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器數(shù)據(jù)融合

章 慧

(淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院,淮安 223003)

多傳感器數(shù)據(jù)融合問(wèn)題已經(jīng)引起許多學(xué)者的廣泛關(guān)注.通常,壓力傳感器都存在交叉靈敏度,其主要表現(xiàn)在傳感器靜態(tài)特性不僅受目標(biāo)參量的影響還受多個(gè)非目標(biāo)參量的影響.由于傳感器的輸出受多個(gè)參量的變化的影響,導(dǎo)致其性能不穩(wěn)定,測(cè)量精度降低.針對(duì)溫度、噪聲、電源波動(dòng)等多種環(huán)境因素影響壓力傳感器輸出電壓值這一問(wèn)題,在閱讀了大量的參考文獻(xiàn)資料后,經(jīng)過(guò)研究,本文提出了基于電壓門(mén)限值,通過(guò)對(duì)傳感器輸出電壓值進(jìn)行預(yù)處理,然后再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行融合補(bǔ)償?shù)姆椒?提高其魯棒性、容錯(cuò)性、實(shí)時(shí)性.

數(shù)據(jù)融合;BP神經(jīng)網(wǎng)絡(luò);壓力傳感器

0 引 言

傳感器的應(yīng)用遍及工農(nóng)業(yè)、交通、醫(yī)療衛(wèi)生等各個(gè)領(lǐng)域和部門(mén),已經(jīng)成為生產(chǎn)自動(dòng)化、計(jì)量、科學(xué)測(cè)試和檢測(cè)診斷等系統(tǒng)不可缺少的基礎(chǔ)環(huán)節(jié).作為信息數(shù)據(jù)獲取的工具,傳感器特性的好壞、輸出信息是否準(zhǔn)確可靠對(duì)衡量系統(tǒng)的質(zhì)量的好壞至關(guān)重要.但在實(shí)際生產(chǎn)中,通常傳感器都存在交叉靈敏度,輸出特性很容易受溫度、噪聲和電源波動(dòng)等多種環(huán)境因素的影響,其靜態(tài)特性不僅受某一個(gè)環(huán)境參量的影響,有時(shí)甚至受多個(gè)非目標(biāo)參量的影響,造成傳感器性能不穩(wěn)定,測(cè)量準(zhǔn)確度低.因此為了改善傳感器的輸出特性,從而提高系統(tǒng)的性能,必須消除各種非目標(biāo)參量的影響.

針對(duì)溫度、噪聲和電源波動(dòng)等多種環(huán)境因素對(duì)壓力傳感器輸出電壓值的影響這一問(wèn)題,為了提高壓力傳感器的穩(wěn)定性,消除溫度、噪聲對(duì)傳感器輸入-輸出特性的影響,本文提出了一種基于電壓門(mén)限值的方法,對(duì)傳感器輸出電壓值進(jìn)行預(yù)處理,然后采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)數(shù)據(jù)進(jìn)行融合處理.并用對(duì)比試驗(yàn)結(jié)果表明,此方法能有效的提高壓力傳感器的檢測(cè)性能.

1 數(shù)據(jù)融合數(shù)據(jù)結(jié)構(gòu)

影響壓力傳感器的交叉靈敏度的主要因素是溫度,本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多傳感器的數(shù)據(jù)融合來(lái)減小溫度對(duì)壓力傳感器的影響.此系統(tǒng)由傳感器部分、數(shù)據(jù)預(yù)處理部分和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合部分三大部分組成.

圖1給出了基于BP神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫度補(bǔ)償模型圖,首先壓力傳感器和溫度傳感器獲得的數(shù)據(jù)將會(huì)被送到預(yù)處理模塊進(jìn)行數(shù)據(jù)預(yù)處理,最后預(yù)處理后的數(shù)據(jù)將會(huì)通過(guò)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)融合操作,從而得到最佳結(jié)果.

圖1 溫度補(bǔ)償模型圖

2 數(shù)據(jù)融合傳感器部分

數(shù)據(jù)融合系統(tǒng)的傳感器部分由若干組壓力傳感器與溫度傳感器兩類傳感器組成,輸出電壓信號(hào)分別U和Ut,其中U為目標(biāo)參量被測(cè)壓力p的檢測(cè)電壓輸出信號(hào);Ut為非目標(biāo)參量溫度的檢測(cè)電壓輸出信號(hào).

系統(tǒng)使用的壓力傳感器將被測(cè)壓力p轉(zhuǎn)換為輸出電壓U.在理想的狀態(tài)下,壓力傳感器的輸出U應(yīng)為輸入p的一元單值函數(shù):即U=f(p);但是這里的傳感器會(huì)受工作溫度 T的影響,因此其輸出電壓U產(chǎn)生變化,實(shí)際上是一個(gè)二元函數(shù):即U=f(p,T).系統(tǒng)中的溫度傳感器將工作溫度T轉(zhuǎn)換為電壓信號(hào)Ut.

3 傳感器輸出數(shù)據(jù)的預(yù)處理

對(duì)傳感器的輸出數(shù)據(jù)進(jìn)行預(yù)處理可以濾除數(shù)據(jù)采集過(guò)程中所引入的干擾與噪聲,提高信噪比;也可以消除輸出信號(hào)的模糊與失真,人為地增強(qiáng)有用信號(hào).因此,在用神經(jīng)網(wǎng)絡(luò)對(duì)采集數(shù)據(jù)進(jìn)行融合之前,需要將傳感器采集的數(shù)據(jù)進(jìn)行一定的預(yù)處理,能使識(shí)別復(fù)雜度降低,使誤差減小,從而提高數(shù)據(jù)融合系統(tǒng)的測(cè)量性能.目前,數(shù)據(jù)預(yù)處理的方法有很多種,我們?cè)谶@里采用基于門(mén)限預(yù)處理與歸一化方法進(jìn)行數(shù)據(jù)預(yù)處理.

將溫度傳感器和壓力傳感器安裝在檢測(cè)樣品的相同位置,以獲得傳感器的實(shí)時(shí)溫度信息.采樣對(duì)象為溫度傳感器的溫度電壓和壓力傳感器的輸出電壓.由于溫度變化是一個(gè)慢過(guò)程,所以實(shí)驗(yàn)中采樣周期設(shè)置為0.2 s,并假設(shè)在這個(gè)時(shí)間內(nèi)溫度是不發(fā)生變化的.假設(shè)整個(gè)測(cè)試的過(guò)程為5 min,那我們將得到1500個(gè)不同溫度點(diǎn)的采樣數(shù)據(jù).對(duì)這些采樣數(shù)據(jù)可用下面的矩陣進(jìn)行描述.

其中am n表示第m個(gè)溫度采樣點(diǎn)時(shí)所對(duì)應(yīng)的第n個(gè)壓力傳感器的輸出電壓值.

3.1 基于輸出電壓門(mén)限的預(yù)處理

首先選擇采樣數(shù)據(jù)的最大值:

那么定義電壓門(mén)限值為:

其中η為確信系數(shù),可根據(jù)信噪比來(lái)定,一般可選擇0.7～0.9左右.

一般來(lái)說(shuō),大的η值增加壓力傳感器的誤報(bào)率,小的η值降低了壓力傳感器反應(yīng)的精度.不過(guò),在初始的時(shí)候一般選擇低的誤報(bào)率,所以選擇較小的η值.

將采樣數(shù)據(jù)矩陣 Amn與門(mén)限T進(jìn)行比較,并記錄超過(guò)門(mén)限的采樣值的序號(hào):

其中,Ii代表amn的信息,則定義:

如果將Ii=0的電壓信號(hào)去除,則剩下的集合:

即有k個(gè)正常值,剔除掉了那些可能因?yàn)閭鞲衅鞴收系纫鸬挠绊憠毫鞲衅髡］敵龅碾妷褐?

3.2 歸一化處理

由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)數(shù)S型函數(shù)和雙曲線正切S型函數(shù),它們的輸出范圍分別在(0,1)和(-1,1)之間,因此對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練前需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理.

使用以下兩個(gè)公式對(duì)Ii進(jìn)行歸一化處理:

4 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合系統(tǒng)設(shè)計(jì)

在已經(jīng)把傳感器輸出數(shù)據(jù)進(jìn)行預(yù)處理之后,進(jìn)入到信息融合是關(guān)鍵的一環(huán),在此選用BP神經(jīng)網(wǎng)絡(luò)來(lái)完成數(shù)據(jù)融合.

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò),由于3層的BP神經(jīng)網(wǎng)絡(luò)可以解決大多數(shù)問(wèn)題因此在這里也采用3層網(wǎng)絡(luò)結(jié)構(gòu),分別為輸入層、輸出層、隱含層.

激活函數(shù)采用雙曲正切Sigmoid型函數(shù).與正切函數(shù)或線性函數(shù)相比較,Sigmoid型函數(shù)更適合于系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu),因此選擇一個(gè)神經(jīng)元作為輸出即可激活函數(shù)采用對(duì)數(shù)S型函數(shù).該傳輸函數(shù)的輸入在(-∞,+∞)之間取值,輸出則在(0,1)之間取值,其數(shù)學(xué)表達(dá)式為:

y是Sigmoid函數(shù)的輸出,x是函數(shù)的輸入,p是用來(lái)控制函數(shù)形狀的常數(shù)因子.

由于Sigmoid函數(shù)是可微的,所以它被廣泛應(yīng)用于BP神經(jīng)網(wǎng)絡(luò).如圖2所示:

圖2 Sigmoid激發(fā)函數(shù)

根據(jù)神經(jīng)網(wǎng)絡(luò)的選取規(guī)則,神經(jīng)網(wǎng)絡(luò)的輸入必須要盡可能的少,所以在選擇輸入量時(shí)必須要選擇具有代表性的量,在此傳感器數(shù)據(jù)融合系統(tǒng)中,系統(tǒng)可以檢測(cè)到兩類參數(shù):關(guān)于壓力的數(shù)據(jù)U和關(guān)于溫度的數(shù)據(jù)Ut.輸入層的神經(jīng)元對(duì)應(yīng)于壓力電壓值和溫度電壓值,并且系統(tǒng)在獲得樣本數(shù)據(jù)后,還需對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,以及為了防止某些量對(duì)網(wǎng)絡(luò)狀態(tài)影響較大和系統(tǒng)需要,將輸入樣本和輸出樣本值都映射到[0,1]區(qū)間內(nèi).

系統(tǒng)的輸出層只有一個(gè)輸出值,即最終的壓力融合值,值域同樣是在[0,1]區(qū)間內(nèi),最后需要經(jīng)過(guò)一定的放大函數(shù)來(lái)進(jìn)一步得到真實(shí)的壓力值.

隱含層的神經(jīng)元個(gè)數(shù)的初始值選擇根據(jù)經(jīng)驗(yàn)公式,隱含層只需要2(n)+1或n2+1個(gè)神經(jīng)元,其中n是輸入層神經(jīng)元個(gè)數(shù),在此系統(tǒng)中初始隱含層單元采用5個(gè),但是由于相關(guān)確定隱含層的經(jīng)驗(yàn)都不能保證隱含層數(shù)量的選取是正確的.所以,最佳值需要根據(jù)實(shí)驗(yàn)不斷試錯(cuò)來(lái)得到.

結(jié)合上面的研究,BP神經(jīng)網(wǎng)絡(luò)的算法步驟為:

(1)初始化診斷網(wǎng)絡(luò)的權(quán)值和偏置值.

(2)通過(guò)樣本輸入計(jì)算網(wǎng)絡(luò)各層的輸出矢量和均方誤差.

(3)計(jì)算各層的誤差敏感值,并進(jìn)行反向傳播,再更新各層神經(jīng)元的權(quán)值和偏置值.

(4)通過(guò)更新的權(quán)值和偏置值再次計(jì)算新的均方誤差.

(5)查看均方誤差是否小于期望誤差,如果是,訓(xùn)練結(jié)束;否則,轉(zhuǎn)到步驟2,繼續(xù)訓(xùn)練過(guò)程(BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖如圖3所示).

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

5 實(shí)驗(yàn)及分析

為了驗(yàn)證本文所提出方法的有效性,我們對(duì)壓力傳感器的溫度補(bǔ)償進(jìn)行了實(shí)驗(yàn).

首先在不同工作溫度(t=21℃,42℃,56℃,78℃)時(shí),對(duì)壓力傳感器的靜態(tài)輸入(P)和輸出(U)特性進(jìn)行標(biāo)定.根據(jù)傳感器標(biāo)定數(shù)據(jù)等相關(guān)資料可以得知在此條件下輸入、輸出電壓值,列于表1中,從表中我們可以發(fā)現(xiàn)在某些溫度點(diǎn)出現(xiàn)了異常值.

表1 不同工作溫度下傳感器輸入輸出標(biāo)定值

實(shí)驗(yàn)的時(shí)候分兩種方法進(jìn)行比較實(shí)驗(yàn):

實(shí)驗(yàn)1:將t為21℃,42℃,78℃的輸入輸出標(biāo)定值不做數(shù)據(jù)預(yù)處理,直接把標(biāo)定值做歸一化處理后作為系統(tǒng)的輸入t為56℃的標(biāo)定值作為系統(tǒng)檢測(cè)用.輸出數(shù)據(jù)見(jiàn)表2.

表2 試驗(yàn)1融合處理結(jié)果

實(shí)驗(yàn)2:將t為21℃,42℃,78℃的輸入輸出標(biāo)定值首先做基于門(mén)限電壓值預(yù)處理,然后把預(yù)處理的標(biāo)定值做歸一化處理,最后才把歸一化的值作為網(wǎng)絡(luò)的輸入,t為56℃的標(biāo)定值仍作為網(wǎng)絡(luò)檢測(cè)用.選用三層(即輸入層、隱含層、輸出層)BP網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.經(jīng)BP神經(jīng)網(wǎng)絡(luò)融合處理后的輸出數(shù)據(jù)見(jiàn)表3.

表3 實(shí)驗(yàn)2融合處理結(jié)果

接下來(lái)我們把試驗(yàn)一和實(shí)驗(yàn)二中融合數(shù)據(jù)的最大偏差max｜△P｜分別進(jìn)行比較,比較的結(jié)果見(jiàn)表4:

表4 實(shí)驗(yàn)1與實(shí)驗(yàn)2融合結(jié)果比較表

從表4的對(duì)比分析可以得到,數(shù)據(jù)經(jīng)過(guò)基于門(mén)限電壓值預(yù)處理后,經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合結(jié)果的偏差值明顯要小,效果更好.

[1]Sasiadek J Z.Sensor Fusion[J].Annual Reviews in Control,2002,26(26):203-228.

[2]Megalooikonomou V,Yesha Y.Space Efficient Quantization for Distributed Estimation by a Multi--sensor Fusion System[J].Information Fusion,2004,5(5):299-308.

[3]趙望達(dá),劉勇求.基于RBF神經(jīng)網(wǎng)絡(luò)提高壓力傳感器精度的新方法[J].傳感技術(shù)學(xué)報(bào),2008(12):640-642.

[4]戴志鋒,李元香.一種無(wú)線傳感網(wǎng)絡(luò)信息處理的層次型智能方法[J],計(jì)算機(jī)工程,2007(5):58-60.

[5]邵 軍,劉君華.利用BP神經(jīng)網(wǎng)絡(luò)提高光纖光柵壓力傳感器的選擇性[J].傳感技術(shù)學(xué)報(bào),2007(7):1531-1534.

[6]翟建設(shè),李 娜,吳 青.基于分簇的無(wú)線傳感器網(wǎng)絡(luò)簇內(nèi)數(shù)據(jù)融合算法[J].計(jì)算機(jī)工程,2008,34(11):134-136.

Data Fusion of Pressure Sensor Based on BP Neural Network

ZHANG Hui
(School of Computer Engineering,Huaiyin Institute of Technology,Huaian 223003,China)

T he problem of multi-sensor data fusion has attracted the attention of many scholars.The crosssensitivity always exists in the pressure sensor,whose static characteristics are not only subjected to the variety of target parameters but also affected by a number of non-target parameters.T he sensor outputs are determined by the corresponding parameters which results in unstable performance and accuracy.Some environmental factors such as temperature,noise and power supply fluctuations will affect the output voltage of the pressure sensor.After we read a large number of references,this paper proposes a novel approach,which makes use of BP neural network tool to solve the data fusion compensation problem based on the voltage threshold and some sensor output voltage preprocessed method.This new method improves the performance of robustness,fault tolerance and real-time.

data fusion;BP neural network;pressure sensor

TP212

A

1671-119X(2011)01-0055-04

2010-10-13

國(guó)家自然科學(xué)基金資助項(xiàng)目(60973113);教育部重點(diǎn)科研資助項(xiàng)目(208098);淮安市科技局2010年科技支撐計(jì)劃資助項(xiàng)目(HAG2010069)

章 慧(1970-),女,碩士,副教授,研究方向:計(jì)算機(jī)網(wǎng)絡(luò)、銀行數(shù)據(jù)處理、數(shù)據(jù)挖掘理論.