（1）压力传感器
压力是工业生产中常见的一个重要参数，在冶金、化工、制药、航空、航天、国防等领域压力测试一般是必不可少的。比如，化工行业中的合成氨的生产需要压力测试，在武器系统测试中对抽气装置压力的测试、反后座装置的压力测试，在工业生产中，最普遍的蒸汽锅炉、液压机和水压机等设备上的压力测试，交通运输中汽车、火车、轮船和飞机等使用的各类发动机动力、液压、气压管道中的压力测试，冶金工业上的冶炼，热风管道中的压力参数的控制和监测;在航空和航天技术部门中，一些重要的飞行参数，如高度、速度等技术性能参数的测量均以压力测试为基础。压力传感器是压力测试的关键之一。压力传感器按其工作原理，可分为应变式压力传感器、压阻式压力传感器、压电式力传感器、电涡流式压力传感器等。 （2）温度补偿的方法
一般情况下，压力传感器对温度、加速度或者其它一些环境参量存在交叉灵敏度，即压力传感器的输出不仅决定于所受的压力，而且还受温度、加速度等其它一些因素的作用，这可能会很大程度上影响传感器的性能和测量准确度。
对于这一实际问题，国内外通常采用硬件补偿或软件补偿，硬件补偿一般就是在传感器电路中增设其它部件或者更改传感器内部结构以达到补偿的目的，它一般分为两大类：一是对传感器内部的核心是电敏电登电桥进行温度补偿设计，如掺杂、串/并电阻、双全桥、PN节、双半等；另一类是对压力传感器输出信号进行处理通过一些信号调理芯片，如AX1452、ZMD31020、PGA3og等。其中软件补偿与通过信号调理芯片的硬件性能也是对传感器输出信号进行处理，一般是通过对压力传感器的标定数据的处理。目前主流的软件补偿有多维回归、神经网络法[2]（如:双线性插值、样条插值函数、BP神经网络、RBF神经网络、小波等）。
然而在实际应用中，对于通过设计压力传感器内部压敏电阻或者内部结来实现温度补偿度很高，但是也有开发周期较长，难度大等缺点，而通过外加信号调理补偿一般是对传感器输出信号进行处理(类似软件补偿)，也有需要外置如软件补偿灵活等特点。对于软件补偿中的多维回归分析法，缺点是需模的矩阵方程，在求解方程时，维数越多，数据量越大;而随着人工智能技术特别是神经网络的发展，神经网络法，具有较强的自学习、自适应、自调整能力。
在神经网络法方面，其中BP神经网络、RBF神经网络都是在压力传感器的温度补偿算法中应用范围比较广的算法。因此在实际应用中，人们应该根据实际的应用要求以及应用的环境选择实用的压力传感器的温度补偿方法，尤其是随着现代科技的发
2
展，基于神经网络的压力传感器的温度补偿算法越来越进步越来越得到人们的认可，应用的范围越来越广。 （3） 温度补偿原理
采用神经网络函数法改善传感器输出特性的原理图由传感器模型和神经网络模型两部分组成，如图1所示[3]。
图1 传感器温度补偿原理
在图3中，p表示经神经网络温度补偿后的输出压力值，其压力传感器的数学模型为
y?(x,t) (1)
式中，x--待测目标压力参量； t--非待测目标温度参量； y--传感器输出量。
若y和t均为x的单值函数，则式（1）的反函数存在。将压力传感器的目标参量值及温度敏感元件的非目标参量值作为网络的输入，经网络处理后的输出压力P即为消除了温度干扰的待测目标参量x。
2.2 压力传感器温度补偿算法的研究现状及发展趋势
现代科学技术的迅猛发展，使人类社会进入信息时代。在信息时代，人们的社会活动将主要依靠对信息资源的开发及获取、传输与处理。而传感器处于自检测与控制系统之首,是感知、获取与检测信息的窗口,它处于研究对象与测控系统的接口位置,一切科学研究和生产过程要获取的信息都要通过它转换为容易传输与处理的电信号。概括的讲传感器是一种将各种非电学量(包括物理量、化学量、生物量等)按一定的规律转换成便于处理和传输的另一种物理量(一般为电学量)的装置。传感器技术被认为是信息技术三大支柱之一，现在人们常常将计算机比喻为人的大脑,传感器比喻为人们的感觉器官。“没有传感器技术就没有现代科学技术”的观点现在为全世界所公认，
3
国内外都将传感器技术列为重点发展的高技术。目前，从工业生产、宇宙探索、海洋开发、环境保护、资源调查、医学诊断、文物保护、灾情预报到包括生命科学在内的每一项现代科学技术的研究以及人民群众的日常生活，几乎无一不与传感器和传感器技术紧密联系着。因此，传感器的地位与作用特别重要。比如，在现代工业生产尤其自动化生产过程中，要用各种传感器来监视和控制生产过程中的各个参数，使设备工作在正常状态或最佳状态，并使产品达到好的质量。因此可以说，没有众多优良的传感器，现代化生产也就失去了基础。传感器是信息采集系统的首要部件，是实现现代化测量和自动控制（包括遥感、遥测、遥控）的重要技术工具，是现代信息产业的源头，又是信息社会赖以存在和发展的物质与技术基础。现在，传感技术与通信技术（信息传输）、计算机技术（信息处理），构成了现代信息技术的三大支柱，它们在信息系统中分别起着“感官”、“神经”和“大脑”的作用。可以设想如果没有高度保真和性能可靠的传感器，没有先进的传感器技术，那么信息地准确获取就成为一句空话，通信技术和计算机技术就成为了无源之水。
然而实际应用中压力传感器的输出不仅决定于所受的压力，而且还受温度、加速度等其它一些因素的作用，这可能会很大程度上影响传感器的性能和测量准确度。一直以来用来进行压力传感器温度补偿的方法很多，尤其是人工智能技术的发展推动了神经网络技术的发展，神经网络温度补偿的方法越来越多的被应用于实践中，并且随着科学技术的不断进步，基于神经网络的压力传感器的温度补偿算法会越来越进步，越来越先进，越来越被广泛的应用。 3 神经网络的简介 3.1 神经网络的基本内容
基于人工神经网络(artificialneural network)的控制称之为神经网络控制系统，简称为神经控制。随着人工神经网络的进展，神经网络越来越多地用于控制领域的各个方面，如过程控制、机器人控制、生产制造、模式识别及决策支持等。目前,人工神经网络方法已经广泛地应用于误差补偿,这是因为神经网络有很强的环境适应能力、学习能力、容错能力和并行处理能力,使信号处理过程更接近于人类的思维活动。基于人工神经网络传感器温度补偿方法的优点是: ①有良好的自适应性,自组织性和很强的学习功能。②具有较好的容错性,即在只有部分输入条件,甚至包含了错误输入条件的情况下、网络也能给出正确的值。③有良好的泛化能力(即具有插值特性),对未经训练的数据也能给出一个合理的输出。将神经网络用于传感器温度补偿,使传
4
感器具有了更多的智能,从而可以更大限度地发挥传感器在测试中的作用。 1 神经网络的概念
神经网络(Neural Network)是指:神经网络(Neural Network)是一个人造或生物神经的互连组。有两个主要的神经网络组：1.生物神经网络，例如人的大脑或其中的部分。2.人造神经网络最初是指电子，机械或计算仿真或生物神经网络的模型。
2 神经网络的特性
人工神经网络是生物神经网络的一种模拟和近似。人工神经网络是一个并行和分布式的信息处理网络结构,该网络一般由许多神经元组成,每个神经元有一个单一的输出,它可以连接到很多其它的神经元,其输入有多个连接通路,每个连接通路对应有一个连接权系数。由于神经网络是根据对象的输入- 输出信息,不断地对网络参数进行学习,以实现从输入参数到输出参数的非线性映射,还可以根据来自机理模型和实际运行对象的新的数据样本进行自适应学习,尤其是通过实时不断的学习,可以适应对象参数的缓慢变化。因此,这种方法克服了机理建模所存在的困难。
神经网络作为一种新技术硬起了人们的巨大兴趣，病越来越多的应用与控制领域，这正是因为与传统的控制技术相比，神经网络具有以下特征：
（1）非线性。神经网络在理论上可以去逼近任何非线性的映射。对于非线性复杂系统的建模、预测，神经网络比其他方法更实用、更经济。
（2）平行分布处理。神经网络具有高度平行的结构，这是其本身可平行实现，故较其他常规方法有更大程度的容错能力。
（3）硬件实现。神经网络不仅可以平行实现，而且一些制造厂家已经用专用的VLSI硬件来制造神经网络。
（4）学习和自适应性。利用系统实际统计数据，可以对网络进行训练。受适当训练的网络有能力泛化，即当输入出现训练中未提供的数据时，网络也有能力进行辨识。神经网络还可以在线训练。
（5）数据融合。神经网络可以同时对定性、定量的数据进行操作。在这方面，神经网络正好是传统工程和人工智能领域信息处理技术之间的桥梁。
（6）多变量系统。神经网络能处理多输入信号，且可以具有多个输出，故适用于多变量系统。
从控制理论的观点来看，神经网络处理非线性的能力是最有意义的；从系统识别和模式识别的角度考虑，神经网络跟踪和识别非线性特性的能力是其最大的优势。
3 神经网络的分类
[4]
5
神经网络是有大量的神经元广泛连接成的网络。(1)根据连接方式的不同，神经网络可以分为两大类：无反馈的前向神经网络和相互连接型网络（包括反馈网络）。其中前向神经网络分为输入层、隐含层和输出层。隐层可以有若干层，每一层的神经元只接受前一层的神经元的输出。而相互连接型网络的神经元相互之间都可能有连接，因此，输入信号要在神经元之间反复往返传递，从某一初态开始，经过若干次变化，渐渐趋于某一稳定状态，或进入周期振荡等其它状态。(2)迄今为止，约有40种神经网络模型，如BP网络、RBF神经网络、Hopfield网络等。从信息传递的规律来看，分为3类：前向神经网络、反馈型神经网络和自组织神经网络。 3.2 神经网络在压力传感器温度补偿中的应用
神经网络模型越来越广泛的应用在实践中。同样在压力传感器温度补偿方面神经网络法也被应用，如BP神经网络、RBF神经网络、小波神经网络等。其中BP神经网络、RBF神经网络是在压力传感器的温度补偿算法中应用范围比较广的算法。 3.2.1 BP神经网络的基本内容
1 概念 BP网络称为误差反向传播的前向网络，可以用在系统模型辨识、预控制中，又称为多层并行网。
2 BP神经网络原理
BP神经网络由多个网络层构成,其中,包括一个输入层、一个或几个隐含层、一个输出层,层与层之间采用全互连接,同层神经元之间不存在相互连接.隐含层神经元通常采用S型传递函数,输出层采用purelin型传递函数。BP网络的学习过程由前向传播和反向传播组成,在前向传播过程中,输入模式经输入层、隐含层,逐层处理,并传向输出层。如果在输出层不能得到期望的输出,则转入反向传播过程,将误差值沿连接通路逐层反向传送,并修正各层连接权值。对于给定的一组训练模式,不断用一个训练模式训练网络,重复前向传播和误差反向传播过程,直至网络相对误差小于设定值为止。 具有单隐含层的BP神经网络如图2所示：
输入层 隐含层 输出层
[5]
S1?1 S2?R S2 W2 a2 P W1 f1S2?1 R?1 + b2 b1 + ?f2? R a1?f1(w1p?b1) a2?f2(w2p?b2) 图2 具有单隐层的BP神经网络
6