第7章〔补〕 人工神经网络 在智能传感器中的运用 7.1 神经网络根本知识神经网络根本知识 7.2 前向网络前向网络 7.3 反响网络反响网络 7.4 神经网络在智能传感器中的运用神经网络在智能传感器中的运用 7.1 神经网络根本知识神经网络根本知识 7.1.1 人工神经网络模型人工神经网络模型 图 7-1 根本神经元模型 神经元的输出可描画为 式中：f(Ai)表示神经元输入—输出关系的函数，称为作用函数或传送函数，常用的作用函数有如图9-2所示的三种：阈值型、S型和分段线性型(伪线性型) 这样，就有三类神经元模型 图 7-2 常见的作用函数方式(a) 阈值型； (b) S型； (c) 伪线性型 一、一、 阈值型神经元阈值型神经元 阈阈值值型型神神经经元元是是一一种种最最简简单单的的神神经经元元，，由由美美国国心心思思学学家家Mc.Culloch和数学家和数学家Pitls共同提出，因此，通常称为共同提出，因此，通常称为M-P模型 M-P模模型型神神经经元元是是二二值值型型神神经经元元，，其其输输出出形形状状取取值值为为1或或0，， 分别代表神经元的兴奋形状和抑制形状。
分别代表神经元的兴奋形状和抑制形状 其数学表达式为其数学表达式为 对于M-P模型神经元，权值Wji可在(-1, 1)区间延续取值取负值表示抑制两神经元间的衔接强度， 取正值表示加强 二、二、S型神经元模型型神经元模型 这这是是常常用用的的一一种种延延续续型型神神经经元元模模型型，，输输出出值值是是在在某某一一范范围围内内延延续续取取值值的的输输入入—输输出出特特性性多多采采用用指指数数函函数数表表示示，， 用用数数学学公式表示如下：公式表示如下： S型作用函数反映了神经元的非线性输入—输出特性 三、三、 分段线性型分段线性型 神神经经元元的的输输入入—输输出出特特性性满满足足一一定定的的区区间间线线性性关关系系，， 其其输输出可表示为出可表示为 式中, C、AC表示常量 7.1.2 神经网络构造神经网络构造一、一、 分层网络分层网络 图 7-3 分层网络功能层次 二、二、 相互衔接型构造相互衔接型构造 图图 7-4 相互衔接型网络相互衔接型网络 7.1.3 学习与记忆学习与记忆 一、一、 神经网络的学习神经网络的学习 Hebb学习规那么可以描画为：假设神经网络中某一神经元与另不断接与其相连的神经元同时处于兴奋形状，那么这两个神经元间的衔接强度应该加强。
用算法表达式表示为Wji(t+1) = Wji(t)+η［xi(t), xj(t)］式中： Wji(t+1)——修正一次后的某一权值； η——常量，决议每次权值修正量， 又称学习因子； xi(t)、xj(t)——t时辰第i个、第j个神经元的形状 误差修正算法是神经网络学习中另一个更重要的方法 像感知机、BP网络学习均属此类最根本的误差修正学习方法，即通常说的δ学习规那么，可由如下四步来描画： (1) 任选一组初始权值Wji(0) (2) 计算某一输入方式对应的实践输出与期望输出的误差 (3) 更新权值Wji(t+1) = Wji(t)+η［dj-yj(t)］xi(t)式中： η——学习因子；dj、yj——第j个神经元的期望输出与实践输出；xj——第j个神经元的输入 (4) 前往步骤(2)，直到对一切训练方式、网络输出均满足误差要求为止 二、二、 神经网络的记忆神经网络的记忆 神神经经网网络络记记忆忆包包含含两两层层含含义义：：信信息息的的存存储储与与回回想想。
网网络络经经过过学学习习将将所所获获取取的的知知识识信信息息分分布布式式存存储储在在衔衔接接权权的的变变化化上上，，并并具具有有相相对对稳稳定定性性普普通通来来讲讲，，存存储储记记忆忆需需花花较较长长时时间间，，因因此此这这种种记记忆忆称称为为长长期期记记忆忆，，而而学学习习期期间间的的记记忆忆坚坚持持时时间间很很短短，， 称称为为短期记忆短期记忆 7.1.4 神经网络的信息处置功能神经网络的信息处置功能 神神经经网网络络可可以以完完成成大大量量的的信信息息处处置置义义务务，，正正由由于于这这样样，，其其运运用用涉涉及及相相当当广广泛泛的的领领域域归归纳纳起起来来，，神神经经网网络络的的信信息息处处置置义义务主要包括：务主要包括： 一、一、 数字上的映射逼近数字上的映射逼近 经经过过一一组组映映射射样样本本(x1, y1), (x2, y2), …, (xn, yn)，，网网络络以以自自组织方式寻觅输入、输出之间的映射关系：组织方式寻觅输入、输出之间的映射关系： yi=f(xi) 二、二、 联想记忆联想记忆 联联想想记记忆忆是是指指实实现现方方式式完完善善、、恢恢复复相相关关方方式式的的相相互互回回想想等等，， 典型的有如典型的有如Hopfield网络等。
网络等 7.2 前前 向向 网网 络络 7.2.1 感知机感知机 图 9-5 根本感知机构造 感知机的学习算法为 i=1, 2, …, n 式中：η为学习因子，在(0, 1］区间取值期望输出与实践输出之差为 输入形状xi(k) = 1 或 0 7.2.2 BP网络网络 一、一、BP网络模型网络模型 图 9-6 一个三层BP网络构造 普通选用以下S形作用函数： 且处置单元的输入、 输出值可延续变化 BP网络模型实现了多层网络学习的想象当给定网络的一个输入方式时，它由输入层单元传到隐层单元，经隐层单元逐层处置后再送到输出层单元，由输出层单元处置后产生一个输出方式， 故称为前向传播假设输出呼应与期望输出方式有误差，且不满足要求，那么就转入误差后向传播，即将误差值沿衔接通路逐层向后传送，并修正各层衔接权值 (7-10) 二、二、 学习算法学习算法 假设BP网络每层有N个处置单元，作用函数如(7-10)式所示，训练集包含M个样本方式对(xk, yk)对第p个训练样本(p=1, 2, …,M)单元j的输入总和(即激活函数)记为apj，输出记为Opj, 它的第i个输入(也即第i个神经元的输出)为Opi, 那么 假设恣意设置网络初始权值，那么对每个输入方式p, 网络输出与期望输出普通总有误差。
定义网络误差为 式中，dpj表示对第p个输入方式输出单元j的期望输出δ学习规那么的本质是利用梯度最速下降法，使权值沿误差函数的负梯度方向改动 假设权值Wji的变化量记为ΔWji, 那么 而 这里，令 于是 这就是通常所说的δ学习规那么 当Opj表示输出层单元的输出时，其误差 当Opj表示隐单元输出时，其误差 故 至此，BP算法权值修正公式可一致表示为 对于输出单元 对于隐单元 (9-29) 在实践运用中，思索到学习过程的收敛性，通常为了使学习因子η取值足够大，又不致于产生振荡，在权值修正公式(7-29)中再加一个势态项， 得 式中，α是常数，称势态因子，它决议上一次学习权值对本次权值更新的影响程度 普通地， BP网络学习算法步骤描画如下： (1) 初始化网络及学习参数，如设置网络初始矩阵、学习因子η、 参数α等； (2) 提供训练样本，训练网络，直到满足要求； (3) 前向传播过程：对给定训练方式输入，计算网络的输出方式， 并与期望方式输出比较，假设有误差，那么执行(4)，否那么，前往(2)； (4) 后向传播过程： ① 计算同一层单元的误差δpj。
② 修正权值和阈值 阈值即为i=0时的衔接权值 ③ 前往(2) 用网络的均方根值(RMS)误差来定量反映学习性能其定义为 三、三、 竞争网络竞争网络 1. 竞争学习网络构造竞争学习网络构造 图 7-7 两层竞争网络 2. 竞争学习机理竞争学习机理 竞竞争争单单元元的的处处置置分分为为两两步步：：首首先先计计算算每每个个单单元元输输入入的的加加权权和和；； 然后进展竞争，然后进展竞争， 产生输出对于第产生输出对于第j个竞争单元，其输入总和为个竞争单元，其输入总和为 当竞争层一切单元的输入总和计算终了，便开场竞争竞争层中具有最高输入总和的单元被定为胜者，其输出形状为1，其它各单元输出形状为0对于某一输入方式，当获胜单元确定后，便更新权值也只需获胜单元权值才添加一个量，使得再次遇到该输入方式时，该单元有更大的输入总和 权值更新规那么表示为 7.3 反反 馈馈 网网 络络 7.3.1 Hopfield网络构造网络构造 图 7-8 HNN网络构造 7.3.2 Hopfield神经网络神经网络A/D变换器变换器 图 7-9 对称式4位A/D转换网络 图 7-10 迟滞景象 图 7-11 非对称HNN网A/D变换器 图 7-12 采用非对称构造的A/D转换关系 7.4 神经网络在智能传感器中的运用神经网络在智能传感器中的运用 7.4.1 纸浆浓度传感器非线性估计和动态标定的神经网络实现纸浆浓度传感器非线性估计和动态标定的神经网络实现一、问题提出一、问题提出 实践上， 传感器在整个丈量范围的非线性特性可用一幂级数多项式来描画： 式中： y——被测浓度； x——传感器输出值； Wi(i=0, 1, …, n)——传感器的特性参数。
(7-35) 二、二、 神经网络算法神经网络算法 对对应应每每一一个个实实践践输输入入xi, 可可得得到到一一个个非非线线性性数数据据集集｛｛1, x, x2, x3, …，，xn｝这些可作为神经网络的输入方式，｝这些可作为神经网络的输入方式， 图 7-13 权值训练原理表示图 三、三、 浓度传感器非线性估计及动态标定浓度传感器非线性估计及动态标定 浓浓度度传传感感器器的的本本质质是是非非线线性性的的可可将将(7-35)式式写写成成以以下下近近似似方式：方式： 式中： y——被测浓度；f——传感器的输出频率值；fmax——传感器的最大输出频率值因此可用f/fmax表示传感器的输出特征 四、四、 实例分析及结论实例分析及结论 传感器1： 传感器2： 传感器3： 图 7-14 拟合曲线 表表 7-1 传感器输出及对应浓度估计值传感器输出及对应浓度估计值 7.4.2 神经网络在监测资料损伤中的运用神经网络在监测资料损伤中的运用 一、一、 问题提出问题提出 具具有有传传感感、、执执行行、、信信号号处处置置、、通通讯讯与与控控制制等等功功能能的的构构造造称称之之为为智智能能构构造造。
这这种种构构造造不不仅仅具具有有接接受受载载荷荷的的才才干干，，还还具具有有感感知知和和呼呼应应内内外外环环境境的的变变化化，，实实现现自自检检测测、、自自监监控控、、自自校校正正、、自自顺顺应应、、自自修修复复等等功功能能下下面面引引见见利利用用人人工工神神经经网网络络和和埋埋入入偏偏振振型型光光纤纤传传感感器器阵阵列列，，实实时时顺顺应应监监测测复复合合资资料料损损伤伤，，并并指指示示损损伤伤位置的智能构造系统模型位置的智能构造系统模型 二、二、 智能构造系统简介智能构造系统简介 图 7-15 智能构造系统图 三、前向三、前向BP网络处置器网络处置器 图 7-16 三层BP网络 图 7-17 BP算法流程 四、四、 实验结果实验结果 表 7-2 BP网络学习样本数据 表表7-3 仿真实验数及结果仿真实验数及结果 7.4.3 神经网络滤波神经网络滤波 一、问题提出一、问题提出 通通常常，，由由信信号号发发生生器器产产生生的的正正弦弦波波或或三三角角波波信信号号都都不不同同程程度度地地含含有有噪噪声声干干扰扰信信号号 假假设设我我们们将将它它作作为为精精细细丈丈量量供供电电信信号号或或进进展展相相位位检检测测时时，，往往往往呵呵斥斥丈丈量量不不准准确确等等缺缺陷陷。
消消除除噪噪声声干干扰扰的的方方法法很很多多，，下下面面提提出出一一种种采采用用神神经经网网络络学学习习记记忆忆功功能能，，实实现现对对含含噪噪正正弦弦波波或三角波信号的复原，即消除噪声干扰或三角波信号的复原，即消除噪声干扰 二、 自顺应线性函数的最小二乘法(LMS)学习算法 为了简单起见，我们以输入矢量为二维的情况作为例如来进展讨论 这时输入矢量X和权矢量W可以分别表示为 在采用线性函数的条件下，神经网络输出为 (7-42) 权值修正公式为 ε(k)为误差，即 式中，d(k)为期望输出；y(k)为实践输出 (7-43) 三、三、 软件编程及阐明软件编程及阐明实现上述算法的软件编程如下实现上述算法的软件编程如下(采用采用MATLAB言语言语)：：disp(′*****欢迎运用欢迎运用*****′)disp(′请输入训练次数请输入训练次数′)T=input(′ ′)disp(′请输入步长参数请输入步长参数′)l=input(′ ′)disp(′请输入所加噪声方差参数请输入所加噪声方差参数′)m=input(′ ′)t=0∶ ∶1∶ ∶63x=sin(t*2*pi/64)plot(t, x) gridx=［x, -1］k=0x1=0for t=1∶1∶63if (t＜=16)x1=［x1, t/16］elseif (t＜=48) x1=［x1, 2-t/16］else x1=［x1, -4+t/16］endk=［k, t］;endplot(k, x1) x1=［x1, -1］w=rand(1, 65)q=10000; q0=0; k=0for i=0∶1∶Tk=［k, i］;d=w*x′e=1-dq2=qq=e*e′w=w+(e*1)*xd1=w*x1′e1=-d1 w=w+(e1*1)*x1q=q+e1*e1q0=［q0, q/2］subplot(212)hh=plot(k,q0)if q2＜q break;endendiw*x′w*x1′xt=randn(1, 65) xt1=m*x1+xxt2=m*xt+x1j=0∶64subplot(211)h1=plot(j, x1) gridsubplot(212)hh=plot(j,xt2) gridy1=w*xt1′y2=w*xt2′h=figure(1)set(h, ′color′, ［1, 1, 1］);h2=gca 1. 采样部分采样部分 图 7-18 采样所得正弦波和三角波 2. 学习部分学习部分 首首先先利利用用MATLAB中中的的rand ( )来来产产生生满满足足64维维初初始始权权值值W(0)。
按按照照(7-42)式式和和(7-43)式式修修正正权权向向量量，，直直到到满满足足要要求求为为止止选选择择不不同同步步长长α，，比比较较误误差差变变化化情情况况，，最最后后确确定定较较合合理理的的步步长长α 3. 检验部分检验部分 当当学学习习终终了了后后，，应应检检验验学学习习的的正正确确性性此此时时给给训训练练好好的的网网络络输输入入含含有有噪噪声声干干扰扰的的一一系系列列正正弦弦波波和和三三角角波波信信号号，，要要求求噪噪声声服服从从正正态态分分布布 检检验验网网络络能能否否能能恢恢复复规规范范波波形形 假假设设能能很很好好地地恢恢复复规规范范波波形形，，那那么么说说该该网网络络可可消消除除正正弦弦波波和和三三角角波波中中的的噪噪声声干干扰扰，， 到到达滤波效果达滤波效果 四、实验效果四、实验效果 图 7-19 加噪声的正弦波 图 7-20 恢复正弦波 7.4.4 神经网络实现微弱信号提取神经网络实现微弱信号提取 一、一、 问题提出问题提出 在在目目的的跟跟踪踪、、多多目目的的检检测测等等许许多多工工程程领领域域，，都都涉涉及及到到从从强强的的背背景景噪噪声声中中提提取取弱弱信信号号的的问问题题。
基基于于BP神神经经网网络络构构造造及及算算法法的的方方法法，， 可可从从宽宽带带背背景景噪噪声声中中提提取取微微弱弱有有用用信信号号该该方方法法对对微微弱弱信信号号的的提提取取是是在在网网络络节节点点衔衔接接权权向向量量域域进进展展的的，，因因此此从从根根本本上上处处理理了了对对提提取取信号的频率选择问题信号的频率选择问题 二、二、BP网络权向量方法原理网络权向量方法原理(BPWV: Back-Propagation Weight Vector) 图 7-21 弱信号提取模型 取背景噪声的期望值mx作为等待呼应dk, 即 假设背景噪声是平稳的，那么mx可用时间平均值近似估计并假设弱信号出现之前，网络学习过程曾经终了，即网络衔接权矩阵的期望值已收敛于由背景噪声所确定的最正确权向量 于是有偏移权向量 7.4.5 基于神经网络的传感器静态误差综合修正法基于神经网络的传感器静态误差综合修正法 一、一、 问题提出问题提出 传传感感器器输输出出特特性性大大都都为为非非线线性性，，且且常常受受各各种种环环境境要要素素影影响响，， 故故存存在在多多种种误误差差要要素素。
这这些些误误差差要要素素通通常常同同时时存存在在，，相相互互关关联联，， 假假设设用用普普通通方方法法对对传传感感器器静静态态误误差差进进展展综综合合修修正正往往往往很很困困难难将将神神经经网网络络用用于于传传感感器器静静态态误误差差的的综综合合修修正正，， 实实验验证证明明会会获获得得好好的的效效果果，，阐明此方法的可行性阐明此方法的可行性 二、二、 用于传感器静态误差综合修正的前向神经网络用于传感器静态误差综合修正的前向神经网络 图 7-22 前向网络 采用BP网络(参考图7-22)，由输出层开场逐层调整权值公式如下： 对于输出层 对于隐层 三、综合修正方法三、综合修正方法 图 7-23 综合修正原理框图 神经网络误差修正方法的步骤描画如下： (1) 取传感器原始实验输入输出和相应环境参量 (2) 将这些原始数据进展归一化处置， 使输入样本在［0, 1］之内 (3) 初始化网络， 如确定输入、 输出层单元数， 修正因子η， 惯性系数α等 (4) 训练网络，直至满足要求为止 四、四、 实例分析实例分析 表表7-4 实实 验验 数数 据据 图 7-24 修正后x、 t、 z关系 7.4.6 基于神经网络的三传感器数据交融处置法基于神经网络的三传感器数据交融处置法 (消除两个非目的参量的影响消除两个非目的参量的影响) 1. 概述概述 传传感感器器静静态态特特性性不不仅仅受受某某一一个个环环境境参参量量的的影影响响，，即即不不只只受受一一个个非非目目的的参参量量的的影影响响，，有有时时甚甚至至受受多多个个非非目目的的参参量量的的影影响响。
如如一一个个压压力力传传感感器器，， 在在输输入入压压力力P数数值值不不变变的的情情况况下下，，当当任任务务温温度度T变变化化以以及及供供电电电电源源动动摇摇γ都都将将引引起起传传感感器器输输出出电电压压U发发生生变变化化，， 那那么么该该压压力力传传感感器器受受两两个个非非目目的的参参量量(T，，γ)的的影影响响为为了了提提高高传传感感器器的的稳稳定定性性，， 消消除除两两个个非非目目的的参参量量对对传传感感器器输输入入—输输出出特特性性的的影影响响，，可可采采用用多多种种智智能能化化技技术术，，如如多多维维回回归归分分析析法法与与神神经经网网络法，络法， 这是两种有效的交融处置方法这是两种有效的交融处置方法 2. 基于神经网络法的三传感器数据交融原理基于神经网络法的三传感器数据交融原理 图 7-25 采用神经网络进展三传感器数据交融的智能压力传感器系统框图 图 7-26 传感器模块电路原理图 (1) 压力传感器：这里的压力传感器采用的是CYJ-101型压阻式压力传感器，对应被测压力P(目的参量)输出电压U一个理想的压力传感器，其输出U应为输入P的一元单值函数，即U = f(P) 其反函数为P = f-1(U) 但是，该传感器受任务温度T与供电电源动摇γ的影响， 其输出电压U将发生变化，实践上是一个三元函数，即U = f(P, T, γ) (2) 温度传感器：温度传感器将任务温度T转换为电压信号Ut, 如图7-26。
采用恒流源供电的压力传感器，其供电端(AC两端)电压UAC即为Ut (3) 电流传感器：电流传感器将电流信号I转换为电压信号UI, 如图7-26采用规范恒定电阻RN与压力传感器相串联，RN两端电压UI为UI = IRN那么供电电源动摇γ为 2) 神经网络模块 神经网络模块是由软件编程实现的一种BP网络算法其三个输入量X1、X2、X3分别为U、Ut、γ，输出量为P′P′亦是智能压力传感器系统的总输出量总输出量P′有两个特点： (1) P′仅为被测压力P的单值函数，这样就消除了任务温度和供电电源动摇两个非目的参量的影响 (2) 在任务温度和供电电源同时动摇情况下，要求系统输出P′以某个允许偏向逼近被测目的参量P， 从而实现了系统丈量目的参量P的目的要实现上述要求，需对神经网络进展训练，网络训练样本由三维标定实验数据来提供 3. 样本库的建立样本库的建立 1) 三维标定实验三维标定实验 在在不不同同任任务务温温度度T(=21.5 ℃, 44.0 ℃, 70.0 ℃), 令令电电源源电电流流动动摇摇分分别别为为 =3%,-1 %, -3 %条条件件下下，，对对CYJ-101型型压压力力传传感感器器的的静静态态输输入入(P)—输输出出(U)特特性性进进展展标标定定。
实实验验标标定定数数据据列列于于表表7-5 表表 7-5 不同任务温度及供电电源动摇下传感器输入输出标定值不同任务温度及供电电源动摇下传感器输入输出标定值 2) 神经网络训练样本数据的归一化 表表 7-6 神经网络输入输出规范样本库神经网络输入输出规范样本库 式中: ——第m个样本神经网络输入、输出归一化值；Xim、Pm——第m个样本第i个传感器的输入、输出标定值；Ximax、Ximin——第i个传感器输出最大、 最小标定值 (7-53)(7-52) 如 T=21.5 ℃且 当 i=1时 ， X1max=Umax=100.12 mV, X1min=0； 当i=2时，X2max=Utmax=290.5 mV, X2min=184.4 mV; 又 如 T=70.0 ℃且 当 i=1时 ， X1max=Umax=78.57mV, X1min=0； 当i=2时，X2max=Utmax=826.1mV, X2min=669.3mVPmax=5×104 Pa、Pmin=0为被测压力最大、最小标定值 计 算 举 例 ： 计 算 m=4的 输 入 输 出 归 一 化 数 值 P4, Xi4=(X14X24X34)。
当i=1时，X1max=Umax=100.12mV, X1min=0.00mV,X14=62.72mV, 那么由(7-52) 式求得X14=0.626; 当 i=2时 ， X2max=Utmax=290.5 mV, X1min=184.4 mV, X24=224.5mV, 那么由(7-52)式求得X24=0.378; 当i=3时，γ已是无量纲数值，且在-1与1之间，不用再作归一化， 即X34=γ=0.03 P4=3.0×104 Pa时，由 (7-53) 式求得P34=0.59 4. 神经网络的训练及其构造确实定神经网络的训练及其构造确实定 图 7-27 多层感知机前向神经网络 图中i、j和k分别是输入层、隐层和输出层神经元序号同一层内各神经元互不相连，相邻层之间的神经元经过衔接权值Wji、Wkj相联络Wji为输入层与隐层之间的衔接权值；Wkj为隐层与输出层之间的衔接权值本例中选输入层结点数为3，输出层结点数为1，故i=1, 2, 3， k=1；隐层结点数j=1, 2, …，ll值根据网络训练结果而定。
采用误差反向传播算法(BP算法)，其目的是使神经网络输出y=P′(本例中称为被测压力交融值)，与压力传感器系统目的参量的标定值之间的均方差e为最小， 即 图 7-28 BP网络训练过程及算法流程 (1) 网络初始化随机设定衔接权值Wji、Wkj, 与阈值θj及θk的初始值设定隐结点数l、步长η及势态因子α; (2) 向具有上述初始值的神经网络按输入方式提供样本数据 本例为三维矢量X=(X1X2X3)如样本m=1，输入方式为X=(0.001.00 0.03) (3)计算隐层单元输出值f(Sj)隐层单元输出值f(Sj)采用S型函数，其计算式为 (4) 计算输出单元的输出值f(Sk)输出单元的输出值f(Sk)即网络的输出y=P′输出值仍采用S型函数，计算式为 (5) 计算输出层和隐层训练误差δk与δj (6) 修正权值： 式中，η和α分别为步长和势态因子 (7) 判别均方误差e能否满足给定允许偏向ε(本例中给定允许偏向为10-3)当满足时，那么转到(8)，否那么转向(5)、(6)和(7) (8) 终了训练。
5. 数据交融结果及评价数据交融结果及评价 (1) 交融处置前传感器输出的相对动摇情况由表交融处置前传感器输出的相对动摇情况由表7-5可见，可见， 对对于同一被测压力于同一被测压力P，传感器输出，传感器输出U随任务温度和供电电源动摇的不随任务温度和供电电源动摇的不同而变化由任务温度与电源变化产生的传感器输出电压相对动同而变化由任务温度与电源变化产生的传感器输出电压相对动摇值为摇值为 式中：αP为传感器输出电压动摇的相对值； max|Δy|为传感器输出电压的最大绝对动摇值； yFS=97.12 mV为传感器满量程输出电压(即在T=21.5 ℃, γ=0时， 传感器的输出电压值) (2) 经网络交融处置后传感器输出的相对动摇情况经网络交融处置后传感器输出的相对动摇情况 表表7-7 交融处置结果交融处置结果 式中: PFS=5.0(×104Pa)为满量程压力标定值； max|ΔP|=0.077(×104Pa)代入(7-61)式计算得αP=1.5% 可见，在一样任务温度变化和电源动摇情况下， 传感器的输出稳定性比原来提高了14.7倍。
神经网络法对消除传感器在任务过程中受多种要素交叉干扰的影响非常有效 6. 几点阐明 (1) 神经网络隐层结点数l的选取尚无实际上的指点，选取不当时会出现网络不收敛情况文中经过先后取隐层结点数l为9、11、 31和18， 最后取l=18, 网络训练结果令人称心 (2) 网络训练步长η和势态因子α确实定亦无实际根据，选取不当时也会出现网络训练发散或使网络堕入部分极小点，训练中取η=0.7, α=0.9 (3) 衡量训练好的神经网络能否具有较强的泛化才干，除了要用测试集来测试该网络的输出结果外，很大程度上取决于网络学习样本的广泛性与代表性这就要求我们在确定网络学习样本时，一是要保证足够的样本数量；二是要使所取样本具有代表性和广泛性。