数为5?5，训练误差为0.005，训练次数为5000次，通过实验程序得到训练后的权值和阈值，从而获得BP神经网络温度补偿的模型。仿真后得到的数据为：
表3 仿真后得到的数据表
实际温度℃ 温度读数Hz 0.386 实际压力0.725 0.500 0.613 17 0 压力读数Hz 0.9424 0.9383 1.0392 0.9392 0.9659 50 0.278 0.7129 0.7302 0.7375 0.7142 0.7839 75 0.502 100 0.733 125 1.000 0.5207 0.2015 -0.0341 0.5101 0.2533 -0.1143 0.4603 0.0733 0.0206 0.4824 0.0450 -0.3716 0.4888 0.0792 -0.0587 MPa 0.838 补偿仿真曲线为：
1.210.8P（Hz）0.60.4虚线为补偿前的曲线,实线为补偿后曲0.20-0.200.10.20.30.40.5x(度）0.60.70.80.91
图5 BP神经网络实现温度补偿的图形
4.3 基于RBF神经网络的压力传感器温度补偿算法的应用
1 RBF网络算法
RBF网络算法是一种性能良好的前向网络,它不仅有全局逼近性质,而且具有最佳逼近性能。径向基函数神经网络(RBF)是一种三层前馈网络,与BP网络不同,RBF网络最显著的特点是隐节点的基函数采用距离函数(如欧氏距离),而激活函数采用径向基
12
函数(如高斯函数)。径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,这种“局部特性”使得RBF网络成为一种局部响应神经网络。
2 温度误差修正原理模型
RBF网络是一种典型的局部逼近神经网络，它不像全局逼近神经网络那样，对每个输入输出数据对、每一个权值均需要调整，而是调整对输出有影响的少量几个权值，从而使局部逼近网络在逼近能力和学习速度方面有明显的优势。RBF网络的操作有两个过程:训练学习和正常操作或称回忆。训练时,把要交给网络的信息作为网络的输入和要求的输出,使网络按前述训练算法调节各神经元之间的连接值和神经元阈值,直到加上给定输入网络能够产生给定输出(在允许的误差范围内)为止,这时网络的训练即告完成。正常操作,就是对网络进行校验,给训练好的网络输入一个信号,它应该正确回忆出相应的输出。
3仿真研究与实验结果
由前面所述的RBF神经网络模型，在基于RBF神经网络的温度补偿实验中，为了实现实验的对比效果仍取输入向量的维数为2?5，目标向量的维数为5?5，训练误差为0.005，训练次数为5000次，通过实验程序得到训练后的权值和阈值，从而获得RBF神经网络温度补偿的模型。 4.4 三种温度补偿算法的对比及结论 三种算法的对比
(一）(x+y)/2的线性插值算法在实现温度的补偿过程中公式简单，使用方便；但由于在实现温度补偿的过程中使用的是两个测量点之间的平均值所实现的补偿过程的误差比较大，因此只能用在误差要求不高的情况下。
(二)BP神经网络算法准确度高，它基本消除了温度对压力传感器输出信号的影响，实现了压力传感器的温度补偿，提高了压力传感器的精确度和可靠性。利用BP人工神经网络对压力传感器静态输出特性进行修正的新方法由计算机仿真和试验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现,具有较高的推广应用价值。采用BP神经网络对压力传感器进行温度补偿，由于神经网络具有非线性特性、自适应和学习能力,只要能获取传感器的输入和输出数据,通过适当的训练学习,可以逼近其输入输出特性。
但是，BP神经网络存在以下问题：
[9]
13
（1）学习算法的收敛速度很慢。因为BP算法是以阶梯下降法为基础的，只具有先行收敛速度，虽通过引入“势态项”增加了一定程度的二阶信息，但对算法的性质并无根本的改变。
（2）学习因子和记忆因子没有一定的选择的规则，选的过大会使训练的过程引起振荡，选的过小会使训练的过程更加缓慢。
（3）网络对初始值很敏感。同一BP网络不同的初值会使网络的收敛速度差异很差。若初始权值离极小点很近，则收敛速度较快；若初始值权值远离极小点，则收敛速度极慢。另外，若输入初始值不合适，则训练起始段就会出现振荡。
（4）网络隐层节点的个数的选择尚无理论指导，一般是根据经验选取的。 （5）从数学上看BP算法一个非线性的优化问题，这就不可避免的存在局部极小问题。
另外BP神经网络在控制领域的缺点还有是它的权值和偏置值矩阵占用的内存太大，所以对单片机的内存要求也高，成本相应的也要增加。
（三）RBF网络算法是一种性能良好的前向网络,它不仅有全局逼近性质,而且具有最佳逼近性能。将带遗忘因子的梯度下降算法应用于RBF神经网络的参数调整,该算法具有良好的非线性映射能力、自学习和泛化能力,收敛较快,特别适用于传感器数学模型的建立。采用软硬件相结合的方法,实现了高精度的测量。 结论
通过实验对比插值算法的实现的温度补偿与实际的输出特性误差比较大；BP和RBF神经网络实现的温度补偿精度较高，但在应用中，二者的区别有：?与BP神经网络相比RBF神经网络的输出是隐单元输出的线性加权和，学习速度加快；?BP神经网络使用sigmoid（）函数作为激活函数，这样是的神经元有很大的输入输入可见区域；而RBF神经网络使用径向函数（一般使用高斯函数）作为激活函数，神经元输入空间很小，因此需要更多的径向基神经元；?RBF神经网络具有比BP神经网络更强的逼近能力和更快的收敛速度,且不存在局部极小问题,通过训练RBF神经网络能够逼近任意非线性。采用这种方法进行温度补偿可以避免直接用电路实现补偿进行调节时,各参数之间的相互影响,甚至在传感器输出电压与温度之间呈非线性关系时也能有效地校正。
通过上面的实验分析，因此在实际应用中我们应该根据实际的的需要选择适当的补偿方法来实现温度的补偿过程。
14
参 考 文 献
[1] 于化景,付华.基于模糊神经网络融合的温度控制方法[J].辽宁工程技术大学学报,2003,22(5):649-650.
[2] 杨德旭,何凤宇,魏利华.基于BP神经网络温度补偿技术的研究[J].农机化研究,2008,1(1):71-73.
[3] 孟彦京,汪宁,佟明,杨雅莉.小波神经网络在压力传感器温度补偿中的应用[J].陕西科技大学学报,2009,2(4):84-97.
[4] 张朋,陈明,秦波,何鹏举.基于BP神经网络的振动筒压力传感器温度补偿[J].传感技术学报,2007,20(10):2213-2217.
[5] 韦兆碧,刘晔,马志瀛,胡光辉,时德钢.基于RBF网络的光纤位移传感器温度补偿研究[J].电工电能新技术,2004,23(2):42-45.
[6] 张雪君.电容式压力传感器温度补偿的RBF神经网络[J].北京:传感器技术,2001,20(5):9-11.
[7] Mukherjee S,Nayar S K.Automatic generation of RBF networks using wavelets[J]. Pattern Recognition,1996,29(8):1369-1383.
[8] 侯媛彬,杜京义,汪梅.神经网络[M].西安:西安电子科技大学出版社,2007.17-39,125-135.
[9] Lippmann R P.An introduction to computing with neural nets.IEEE ASSP Magazine,1987,4(4):19-22.
[10] Mark Beale,Neural Network Toolbox [M].北京:机械工业出版社,2004.
15
致 谢
本论文是在我的导师赵金才赵老师的亲切关怀和悉心指导下完成的。在论文的过程中每一次遇到不懂的问题赵老师都会认真和耐心的为我讲解，并且老师会经常检查论文的进度情况，对论文中存在的问题及时指出，为我的修改提供建议。论文的这段时间正因为是老师的严格要求以及鼓励与促进作用让我在这段时间学到了一些东西。这段时间里老师给我的启迪及所学到的内容，相信，学到的学习方法也同样会影响我今后的学习。
同时，也要感谢学校图书馆，通过在图书馆查阅的与论文相关的资料为我的论文的完善提供了很大帮助。
16