BP神经网络实验
2010年12月
目录
1自主学习模块..................................................................................................... 2
1.1书面回答预习问题.................................................................................. 2
1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？............................................................................................................ 2
1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？ ....... 2 1.1.3如何根据检验结果判断训练好的网络可用来实测？............... 2 1.2远程测控实验室网上学习与练习.......................................................... 2
1.2.1经典常规传感器的交叉敏感与传感器的稳定性....................... 2 1.2.2多传感器数据融合改善传感器稳定性的基本原理................... 3 1.2.3数据融合算法简介....................................................................... 4 1.2.4 BP神经网络 ................................................................................. 6
2自主训练模块................................................................................................... 12
2.1实验目的................................................................................................ 12 2.2实验内容............................................................................................... 12
2.2.1基本训练部分一......................................................................... 12 2.2.2基本训练部分二......................................................................... 14 2.2.3用BP 网络训练仪消除压力传感器对工作电流的交叉敏感，提高压力测量精度...................................................................................... 19
2.2.4 组建智能压力传感器系统........................................................ 22
3自主应用模块................................................................................................... 23
3.1实验目的................................................................................................ 23 3.2实验内容................................................................................................ 23 3.3实验步骤................................................................................................ 23
3.3.1 消除压力传感器对温度的交叉敏感........................................ 24 3.3.2消除压力传感器对电流的交叉敏感......................................... 26
4．自主提高模块................................................................................................ 27
4.1 神经网络结构的移植与实测............................................................... 27 4.2思考问题................................................................................................ 28
1
1自主学习模块
1.1书面回答预习问题
1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？
训练神经网络网络之前，需要进行的三个步骤的准备工作是：准备训练样本、根据实际情况设置神经网络各层节点数及测量误差目标值与迭代次数（反向传播次数）、输入样本训练及检验。
1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？将网
络输出结果与期望输出样本比较，计算其偏差。若偏差小于给定的目标值，则训练结束；反之，则要调整网络结构参数，进行新的网络训练，直至偏差小于目标值。如设置网络训练终止条件：如训练代数为1000，均方差指标为1*10-61.1.3
如何根据检验结果判断训练好的网络可用来实测？将检验输入样本
输入训练好的网络，并计算网络输出结果与期望输出样本的偏差。偏差满足实测要求，则可进行实测；反之，则要调整网络结构参数，进行新的网络训练与检验，直至偏差小于目标值。1.2远程测控实验室网上学习与练习
神经网络法以强大的信息处理能力在模式识别、智能控制、组合优化及预测等领域得到了成功应用。本模块以改善一个测量系统性能为例，介绍BP 神经网络在拟合系统输入输出关系、消除系统交叉敏感及改善系统稳定性方面的作用。
1.2.1经典常规传感器的交叉敏感与传感器的稳定性
常规的经典传感器都存在交叉灵敏度。表现在传感器的输出值不只决定于一个标称的目标参量，当其它非目标参量变化时，其输出值也随之发生变化。如：压力传感器，其目标参量压力恒定，而环境温度T或供电电压U/电流I等参量变化时，其输出值也发生变化，则压力传感器就存在对环境温度或供电电压/电流的交叉灵敏度。也就是说，经典压力传感器的标成参量压力P 不是传感器输出电压U 的一元函数，而是与非目标参量温度T，供电电流I 等参量有关的多元函数，即：
U ??f (P, I,T,?) (1-1)
但是，常规做法却是将压力传感器的输入压力P与输出电压U的关系作为一元函数处理，即：
2
U = f (P) (1-2)
常规传感器测量与输出显示系统框图如图1-1所示
图 1-1 常规（压力）传感器测量系统
图 1-1 中，传感器及调理电路单元的静态模型为U = f (x = P)，由输入P输出U特性表征，经静态标定实验获得。
信号处理单元的基本功能是进行刻度转换，根据U = f (x = P) 函数关系的反函数P = f -1(U)，将接收到的电压U值转换为被测量压力值P输出。称U = f (x = P)函数关系为正模型，其反函数P = f -1(U)为逆模型。由于正模型不能完备代表多元敏感的实际系统，再根据不完备的正模型建立逆模型获得的被测量值将会有很大的误差。例如不同温度条件下的正逆模型U = f (P)与P = f -1(U)如图1-2 所示：
由图示清楚可见，当传感器系统工作环境温度从T1 变至T3，其特性也随之漂移，但仍按T1时之正、逆模型获得的测量值P1’与实际值P1之间存在很大偏离。故存在交叉灵敏度的传感器及其系统性能不稳定，测量结果精度低，准确性差。这是常规经典传感器普遍存在的问题。
1.2.2多传感器数据融合改善传感器稳定性的基本原理
传感器数据融合改善传感器稳定性的基本思路有两个：一是模型法；二是冗余法；本实验介绍模型法，改善稳定性的多传感器----智能传感器系统框图如图1-3所示：
3
（1）传感器单元
x1为主传感器及其调理电路单元。其目标参量为压力x1=P，x2、x3分别为辅传感器及其调理电路单元，它们的目标参量分别是温度x2=T与电流x3=I，这些参量是主传感器的干扰量。每个传感器的输出分别为： 主传感器Yp=Fp(x1,x2,x3)=Fp(P,T,I)，是三元函数模型
辅传感器（温度）Yt=Ft(x1,x2,x3)=Ft(T)，可用一元函数模型近似 辅传感器（电流）Yi=F1(x1,x2,x3)=Fi(I)，可用一元函数模型近似
图 1-3的多传感器—智能传感器系统，是为消除n=2个干扰量（温度T，电流I）改善压力传感器 x1=P（压力）而建立的（m=3）三传感器---智能传感器系统。系统中传感器的总数m等于欲消除的干扰量数n再加1，即：
m=n+1 （1-3）
（2）信号处理单元
图 1-3 种的信号处理单元是在计算机内完成的智能化软件模块，该模块实现将m=3 个传感器输出数据P T I y , y , y 的某种融合算法，建立的由P T I y , y , y 与主传感器目标参量x1=P，也可以是主传感器的干扰量T与I关系的逆模型。由该逆模型的输出值P=x1=g(Yp,Yt,Yi)是消除干扰量T与I影响的更接近实际值P的。
1.2.3数据融合算法简介
改善传感器静态特性，提高系统稳定性的多传感器数据融合算法是建立多传感器输出数据Y1,Y2,?，与主传感器目标参量x 之间的对应关系，该对应关系称为逆模型。如图1-4 所示：
4
m 个传感器的输出1 2 m y、y Ly 与主传感器目标参量x 之间的对应关系---逆模型，有两种类型表示方式：一种是严格的数学解析表达式---回归分析法；另一种是建立某种结构的映射关系---神经网络法或支持向量机法。根据不同神经网络又有：BP误差反向传播神经网络、RBF径向基函数神经网络、GANN遗传神经网络。
（1）回归分析法
1)二传感器信息融合算法m=2
该融合算法可消除一个干扰量，设为温度T，由二维回归方程给出逆模型，所以压力传感器为主传感器，温度传感器为辅传感器作为例子。二传感器的输出量分别为yP=U，yT=UT，二者与主传感器目标参量压力P及干扰量温度T的关系由二维回归方程描述如下：
为了求解式（1-4）中6个未知系数需建立6个方程，36 个已知数据；求解式（1-5）中6个未知系数也需建立6 个方程，36 个已知数据；按最小二乘法原理，由实验标定数据计算出均方误差最小条件下的方程系数，那么测量时由压力传感器输出值U与温度传感器输出值UT就可由式（1-4）计算出被测目标参量P；同理由式（1-5）就可计算出干扰量温度。 2）三传感器信息融合算法m=3
仍以压力传感器为例，该融合算法可消除二个干扰量，设为温度T，供电电流I，添加二个辅传感器：温度与电流传感器。主传感器的目标参量压力P 与干扰量温度T、电流I 的关系由三维回归方程描述如下：
5