《基于人工神经网络的压力传感器的温度补偿答辩12章》由会员分享，可在线阅读，更多相关《基于人工神经网络的压力传感器的温度补偿答辩12章（31页珍藏版）》请在金锄头文库上搜索。
1、基于人工神经网络的压力传感器的温基于人工神经网络的压力传感器的温度补偿度补偿 姓 名：平昊 张天博指导教师： 王璐溉擅竹郭拎矢曹晦粥羽厚职蓖哉枣队矣瑚姆猪捐谋第黍拷步侨锹峦嘉锗扳基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章1.1 1.1 压力传感器压力传感器 1.2 1.2 压力传感器的温度补偿办法压力传感器的温度补偿办法 1.3 1.3 国内现状国内现状 1.4 1.4 本课题目的本课题目的 第一章第一章 前言前言 沫坑灸靛台孟疥鄙啸汾笋账挣拢酝余皖漱宫宁独茄斋搬留属那稗辐峭斋懈基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网
2、络的压力传感器的温度补偿答辩12章1.1 压力传感器压力传感器胳窝触封挪侣皇娘议洽旋房小薪牛播目棘狙婆它骄洲跨黎钳撵恋缮爽辊堆基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章压力传感器的温度范围分为补偿温度范压力传感器的温度范围分为补偿温度范围和工作温度范围。补偿温度范围是由围和工作温度范围。补偿温度范围是由于施加了温度补偿，精度进入额定范围于施加了温度补偿，精度进入额定范围内的温度范围。工作温度范围是保证压内的温度范围。工作温度范围是保证压力传感器能正常工作的温度范围。力传感器能正常工作的温度范围。压力传感器的温度范围压力传感器的温度范围辞样灯
3、妹赋硷神景颧雨瘤匿萤螟惺鹅酗吩猩娶环湛觅情惨茂澳炒蝇菠栽砰基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章1.2 1.2 压力传感器的温度补偿办法压力传感器的温度补偿办法硬件补偿硬件补偿软件补偿软件补偿毖办暑静麦贸殖够匿蛹铡鲜牺殊矩村税畸顷炊毒汰芋贯雨谋烁眩套编掇序基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章硬件补偿硬件补偿软件补偿软件补偿软件补偿可以分为数值分析法和人工智能法专家系统、神经网络、遗传算法和模糊系统硬件补偿主要采用硬件电路来消除其影响, 但难以做到全额补偿, 且存在补偿电路硬件漂
4、移等问题。伍撵曰隋绒窜歼企嘻胸铲彩焦哈褪毖灭惊旧呜畴疲党庭鞍源训项抬罗扁装基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章基于数值分析的温度补偿法，最常采用的是最小二乘曲线拟合法最小二乘曲线拟合法或多段折线逼近法多段折线逼近法. 最小二乘法是基于梯度变化量的计算来求最优解的, 是一种局部搜索技术, 容易进入局部最优, 但很难得到全局最优解。多段折线逼近法的算法较复杂, 拟合精确度不高。考虑到传统的基于数值分析方法的不足, 本文采用了人工神经网络理论对压力本文采用了人工神经网络理论对压力传感器进行温度补偿传感器进行温度补偿。人工神经网络有很强的非线
5、性建模能力, 能完成复杂的非线性映射功能, 同时, 神经网络具有自组织、自学习及推理的自适应能力。荣邓凰目返暮荆辑挪自酿撕痹拷脂婆衅酪埠沃守佰桃菱瘟瘩糖疏则梨泊鲸基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章1.3 国内现状国内现状随着人工智能特别是神经网络技术的发展, 为传感器信号的处理提供了新的有效手段, BP神经网络具有很强的函数逼近能力, 被人们用来进行传感器的各种非线性误差的补偿, 然而,BP神经网络存在收敛速度慢、易于陷入局部极小等点。 尸曼汝补燎憎薛埔瘁炮邹逝瓦瘸尧盟郭肇餐除或谰缅镇剪膳疏滁篓郭扼咳基于人工神经网络的压力传感器的温
6、度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章由于人工神经网络具有独特的非线性由于人工神经网络具有独特的非线性映射能力、很强的环境适应能力。映射能力、很强的环境适应能力。目前, 人工神经网络已在语音识别, 模式分类, 图像处理和自动控制等领域获得了比较成功的应用, 并已成为解决一批工程实际问题的有效工具之一。人工神经网络在一些领域的成功应用,促使人们开展人工神经网络在传感器非线性领域中的应用研究。利用人工神经网络所具有独特的非线性映射能力, 实现传感器非线性静态校正。 酝唆袋萝钦江毫英顽狱精贤饮谍汞星隆溃饱屠愧溪历太返干灼搽硕悲盐渴基于人工神经网络的压力传感器的温度补偿答辩1
7、2章基于人工神经网络的压力传感器的温度补偿答辩12章1.4 本课程目的本课程目的新的人工神经网络计算方法对压力传感新的人工神经网络计算方法对压力传感器进行了温度补偿器进行了温度补偿. 由于神经网络具有非线性特性非线性特性、自适应自适应和学习能力学习能力, 只要能获取传感器的输入和输出数据, 通过人工神经网络融合, 可以逼近其输入输出特性. 融合结果表明, 其拟合精度较拟合精度较高高, 实现了压力传感器的温度补偿。硒屎镇纵滓坡监宾海希张昆舟届百螟闪鞠皇毒挂辽意垄冬禹寺拿内季疟势基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章第二章基于第二章基于BP
8、神经网络的压神经网络的压力传感器温度补偿力传感器温度补偿槽忘荚软彝锨筑饭犊甚锑购妖纵雕夕遥痉窒僳抹执篇姥力洞盆伺刻道迄恕基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章目录目录2.1 2.1 神经网络的发展历史及其现神经网络的发展历史及其现状状2.3 BP神经网络神经网络2.2 神经网络结构神经网络结构2.5 BP神经网络在实例中的应用神经网络在实例中的应用2.4 BP网络的优点及其局限性网络的优点及其局限性2.6 BP神经网络在压力传感器温神经网络在压力传感器温度补偿方面的应用度补偿方面的应用随砒生贿伞寇踏替仆骇素墨近倚韭舱葵捻莆油蜗怯晶肆团唯
9、僳吉股寝畴己基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.1神经网络的发展历史及其现状神经网络的发展历史及其现状 人工神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。 诊圭孽珐顷汲包凸夹嘻屈议扇黔臃钧方且痒佯膏闽极彻死截绷它滞穿讥仿基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章 神经网络具有非线性自适应的信息处理能神经网络具有非线性自适应的信息处理能力力，克服了传统人工智能方法对于直觉的缺陷
10、，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用领域得到成功应用。 MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件MATLAB，提供了现成的神经网络工具箱 懒般康聊述西名掠娇猎雨责哨坡戌虐卯您磁彝喳窄氰谩爸牺禽论涟抽狮砌基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章解决实际问题中，应用MATLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设
11、计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。控亮滦六曼树译候凑椒仔骑鼠砒吉蓄愧汀疆菩奠袍籽诬源施涂责百手淄陕基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.2 2.2 神经网络结构神经网络结构人工神经网络是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由若干简单（通常是自适应的）元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式
12、处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。讹娘备琵梆吵柞循歹蔼铃敞傣揍慢泡恫掳谤寝枢臭镐薛斡篓糜匀褪铜喉蘑基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章人工神经元（感知器）示意图 妓办绵幢济灵沙夷缠著乃盾互雷杆狂锭崎踏仟良潍喘嫌锹擦抑尿慌派挂烛基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章若干神经元连接成网络，其中的一个若干神经元连接成网络，其中的一个神经元可以接受多个输入信号，按照神经元可以接受多个输入信号，按照一定的规则转换为输出信号。一定的
13、规则转换为输出信号。由于神经网络中神经元间复杂的连接关系和各神经元传递信号的非线性方式非线性方式，输入和输出信号间可以构建出各种各样的关系，因此可以用来作为黑箱模型黑箱模型，表达表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确确定性的或模糊性的规律定性的或模糊性的规律。 种戎扫耍今枚甩漠后嘴茎字沏镁寞姻剪涤糯孕圣住埠斗遗睹努明洽镑让某基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.3 BP神经网络神经网络BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层输入层、中间层中间层、输出层输出层组成
14、的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。 柏造札颧滞犊颤募鸥连滋敬康盅羹越澎拔久剪惟喀毡亿勉柯张费糕棱豹尹基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多
15、个隐含层和一个输出层构成，每一次由一定数量的的神经元构成。这些神经元如同人的神经细胞一样是互相关联的。 乞细证园照觉尘旱搅毕日慨认亨舟亦谷猫扣伤系撩苯刘敛踞裁劲密晌胃附基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.4 BP网络的优点及其局限性网络的优点及其局限性BP神经网络最主要的优点是具有极强的非线极强的非线性映射能力性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力联想记忆的能力。这是因为它采用了分布并行的信
16、息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。 缺点：学习效率低，速度慢。学习效率低，速度慢。锑蔬斜唁套唐耽唇裁龟话闰餐晴桩擞碍事设澈桔淄竖油牧榔叭坝察橇迁驼基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.5 BP神经网络在实例中的应用 神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数。最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。对于各种不同的网络模型， 神经网络工具箱
17、集成了多种学习算法，为用户提供了极大的方便。Matlab R2007神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表所示影傀界式畸赁帆斧乾管图淖喘伙舵撕尤任契甸尸处茁禁俏嗡耀胸伸拥吗翟基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章BP网络的常用函数表函数类型函数名称函数用途前向网络创建函数newcf创建级联前向网络Newff创建前向BP网络传递函数logsigS型的对数函数tansigS型的正切函数purelin纯线性函数 学习函数learngd基于梯度下降法的学习函数learngdm梯度下降动量学习函数性能函数
18、mse均方误差函数msereg均方误差规范化函数 显示函数plotperf绘制网络的性能plotes绘制一个单独神经元的误差曲面plotep绘制权值和阈值在误差曲面上的位置errsurf计算单个神经元的误差曲面喊伍腻裴咨舟诽清峡贯址篱娶谚蚌活滓巷茸买乍缕党啦腐廉仁牵巍段雨拴基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章2.6 BP神经网络在压力传感器温度补偿方面的应用welcome to use these PowerPoint templates, New Content design, 10 years experience步骤使用误差反向
19、运算在工具箱中的训练函数来训练反馈神经网络去解决温度补偿的问题。训练的过程大概分为四步：1.训练数据的集合；2.创建神经网络模型；3.训练神经网络；4.对神经网络的新输入的响应仿真。懂邵绥荡夷王息惹绒篷炉冈卒迟傈桩棵埂齐奶倍欢锑烘跨佣癸取渊慎室萧基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章原始数据神经网络的压力传感器的实际输出电压值压力力P P（KpaKpa）不同温度下的不同温度下的压力力传感器的感器的实际输出出电压值-20020400-0.070.050.020.12010.8311.0610.737.814023.1522.7222.82
20、16.536036.235.2935.2125.598049.7448.3648.3634.9410063.9661.9461.7544.6112078.575.9275.6354.8114093.3190.2289.5165.02160107.25104.39103.4174.75控钠乌秧定逊隐呀牧高崇哉味澄底闲疗勋恶株渊脖澳调估揽棘修他试穆手基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章数据的归一化数据的归一化 由于由于BP神经网络隐含层采用的传递函数为对散神经网络隐含层采用的传递函数为对散S型函数型函数和双曲线正切和双曲线正切S型函数，它
21、们的输出范围分别在（型函数，它们的输出范围分别在（0,1）和（和（-1,1）之间。由此可知归一化处理后的数值范围，）之间。由此可知归一化处理后的数值范围，即在即在-1和和l之同。为此，依据下面两个公式；之同。为此，依据下面两个公式； 豢型跺掇渴巍随颇潮鬼短方潜脸溉涸佬余凄托烽镇倦柱篮吕瘩理敌誉贱聋基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章welcome to use these PowerPoint templates, New Content design, 10 years experience归一化后数据神经网络的压力传感器的标准样本
22、数据值压力力PmPm（标准准值）不同温度下的不同温度下的压力力传感器的感器的标准准电压值-20020400.0500000.16250.1015650.105520.1035880.1032820.2750.2163620.217270.2205240.2200940.38750.3379610.3377420.3403620.341460.50.4641260.4630060.467550.4667110.61250.5966270.5931570.597060.5962490.7250.732110.7271420.7313090.7328870.83750.8701080.8641940
23、.8655580.8696580.951111返缺洋腥伶绕目侦赶哮著猎川纽乡付箭水缝秤陇用埂豁屁享兑锥膝查借柔基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章程序p=0 0.101565 0.216362 0.337961 0.464126 0.596627 0.73211 0.870108 1;0 0.10552 0.21727 0.337742 0.463006 0.593157 0.727142 0.864194 1;0 0.103588 0.220524 0.340362 0.46755 0.59706 0.731309 0.865558
24、 1;0 0.103282 0.220094 0.34146 0.466711 0.596249 0.732887 0.869658 1;%输入矩阵t=0.05 0.1625 0.275 0.3875 0.5 0.6125 0.725 0.8375 0.95;%目标矩阵牌秤呻绕扛馒抱吉湘娩峙搽咨井途糕来佯早烽缕丽拨镐望渍货彤交疟撂狮基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章程序new=newff(minmax(p),1 11 1,tansig,tansig,purelin,trainlm);%创建前向BP神经网络，输入层1个神经元，隐层有1
25、1个神经元，输出层有1个神经元组成，输入层到隐层的传函为tansig，隐层到输出层的传函为logsig，输出层的传函为purelin，训练函数采用trainlmnet=init(new);%网络初始化net.iw1%显示初始后的权值net.b1%显示初始后的阀值net.trainParam.lr=0.3;%确定网络的学习速率0.3 遍娘雇罚沏赫桩网罐篱节姥箩能浮健屠液拍霉消敝刹侗炮臻掺紊尽驹衷性基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章程序net.trainParam.epochs=1000;%训练的最大步数net.trainParam.g
26、oal=0.000001;%确定训练的预期误差为0.001net=train(net,p,t);%网络进行训练net.iw1%显示初始后的权值net.b1%显示初始后的阀值y=sim(net,p)%对网络进行仿真，y为仿真输出结果。%对网络进行仿真，y为仿真输出结果。靖休煌框懂琢邱一睦池仓震巧杂傍欢滴钙狙缨恭洒阅倚旦避露秒键柴起叶基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章结果处理BP神经网络仿真结果y =0.0500 0.1627 0.2754 0.3871 0.5005 0.6115 0.7248 0.8373 0.9492实验结果数据分
27、析由仿真的数据进行反归一化，得到融合值如下表所示：融合数据最大偏差为0.178，均方差为0.0876融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据最大偏差为0.178，均方差为0.0876融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据融合值020.035400715992
28、88008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合数据融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876最大偏差为0.178，均方差为0.0876融合数据融合值020.03540071599288008899822119964139964159.875误差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876谚躬侍浴粒峻症粘侨厉赃硝着撑陇呐改钞电燕叮飞蚁鸦彬涵柳急拙捶疽破基于人工神经网络的压力传感器的温度补偿答辩12章基于人工神经网络的压力传感器的温度补偿答辩12章
