章 慧

(淮陰工學院計算機工程學院,淮安 223003)

基于BP神經(jīng)網(wǎng)絡的壓力傳感器數(shù)據(jù)融合

章 慧

(淮陰工學院計算機工程學院,淮安 223003)

多傳感器數(shù)據(jù)融合問題已經(jīng)引起許多學者的廣泛關注.通常,壓力傳感器都存在交叉靈敏度,其主要表現(xiàn)在傳感器靜態(tài)特性不僅受目標參量的影響還受多個非目標參量的影響.由于傳感器的輸出受多個參量的變化的影響,導致其性能不穩(wěn)定,測量精度降低.針對溫度、噪聲、電源波動等多種環(huán)境因素影響壓力傳感器輸出電壓值這一問題,在閱讀了大量的參考文獻資料后,經(jīng)過研究,本文提出了基于電壓門限值,通過對傳感器輸出電壓值進行預處理,然后再利用BP神經(jīng)網(wǎng)絡對數(shù)據(jù)進行融合補償?shù)姆椒?提高其魯棒性、容錯性、實時性.

數(shù)據(jù)融合;BP神經(jīng)網(wǎng)絡;壓力傳感器

0 引 言

傳感器的應用遍及工農(nóng)業(yè)、交通、醫(yī)療衛(wèi)生等各個領域和部門,已經(jīng)成為生產(chǎn)自動化、計量、科學測試和檢測診斷等系統(tǒng)不可缺少的基礎環(huán)節(jié).作為信息數(shù)據(jù)獲取的工具,傳感器特性的好壞、輸出信息是否準確可靠對衡量系統(tǒng)的質(zhì)量的好壞至關重要.但在實際生產(chǎn)中,通常傳感器都存在交叉靈敏度,輸出特性很容易受溫度、噪聲和電源波動等多種環(huán)境因素的影響,其靜態(tài)特性不僅受某一個環(huán)境參量的影響,有時甚至受多個非目標參量的影響,造成傳感器性能不穩(wěn)定,測量準確度低.因此為了改善傳感器的輸出特性,從而提高系統(tǒng)的性能,必須消除各種非目標參量的影響.

針對溫度、噪聲和電源波動等多種環(huán)境因素對壓力傳感器輸出電壓值的影響這一問題,為了提高壓力傳感器的穩(wěn)定性,消除溫度、噪聲對傳感器輸入-輸出特性的影響,本文提出了一種基于電壓門限值的方法,對傳感器輸出電壓值進行預處理,然后采用BP神經(jīng)網(wǎng)絡方法對數(shù)據(jù)進行融合處理.并用對比試驗結(jié)果表明,此方法能有效的提高壓力傳感器的檢測性能.

1 數(shù)據(jù)融合數(shù)據(jù)結(jié)構(gòu)

影響壓力傳感器的交叉靈敏度的主要因素是溫度,本文應用BP神經(jīng)網(wǎng)絡進行多傳感器的數(shù)據(jù)融合來減小溫度對壓力傳感器的影響.此系統(tǒng)由傳感器部分、數(shù)據(jù)預處理部分和神經(jīng)網(wǎng)絡數(shù)據(jù)融合部分三大部分組成.

圖1給出了基于BP神經(jīng)網(wǎng)絡的壓力傳感器的溫度補償模型圖,首先壓力傳感器和溫度傳感器獲得的數(shù)據(jù)將會被送到預處理模塊進行數(shù)據(jù)預處理,最后預處理后的數(shù)據(jù)將會通過神經(jīng)網(wǎng)絡模型進行數(shù)據(jù)融合操作,從而得到最佳結(jié)果.

圖1 溫度補償模型圖

2 數(shù)據(jù)融合傳感器部分

數(shù)據(jù)融合系統(tǒng)的傳感器部分由若干組壓力傳感器與溫度傳感器兩類傳感器組成,輸出電壓信號分別U和Ut,其中U為目標參量被測壓力p的檢測電壓輸出信號;Ut為非目標參量溫度的檢測電壓輸出信號.

系統(tǒng)使用的壓力傳感器將被測壓力p轉(zhuǎn)換為輸出電壓U.在理想的狀態(tài)下,壓力傳感器的輸出U應為輸入p的一元單值函數(shù):即U=f(p);但是這里的傳感器會受工作溫度 T的影響,因此其輸出電壓U產(chǎn)生變化,實際上是一個二元函數(shù):即U=f(p,T).系統(tǒng)中的溫度傳感器將工作溫度T轉(zhuǎn)換為電壓信號Ut.

3 傳感器輸出數(shù)據(jù)的預處理

對傳感器的輸出數(shù)據(jù)進行預處理可以濾除數(shù)據(jù)采集過程中所引入的干擾與噪聲,提高信噪比;也可以消除輸出信號的模糊與失真,人為地增強有用信號.因此,在用神經(jīng)網(wǎng)絡對采集數(shù)據(jù)進行融合之前,需要將傳感器采集的數(shù)據(jù)進行一定的預處理,能使識別復雜度降低,使誤差減小,從而提高數(shù)據(jù)融合系統(tǒng)的測量性能.目前,數(shù)據(jù)預處理的方法有很多種,我們在這里采用基于門限預處理與歸一化方法進行數(shù)據(jù)預處理.

將溫度傳感器和壓力傳感器安裝在檢測樣品的相同位置,以獲得傳感器的實時溫度信息.采樣對象為溫度傳感器的溫度電壓和壓力傳感器的輸出電壓.由于溫度變化是一個慢過程,所以實驗中采樣周期設置為0.2 s,并假設在這個時間內(nèi)溫度是不發(fā)生變化的.假設整個測試的過程為5 min,那我們將得到1500個不同溫度點的采樣數(shù)據(jù).對這些采樣數(shù)據(jù)可用下面的矩陣進行描述.

其中am n表示第m個溫度采樣點時所對應的第n個壓力傳感器的輸出電壓值.

3.1 基于輸出電壓門限的預處理

首先選擇采樣數(shù)據(jù)的最大值:

那么定義電壓門限值為:

其中η為確信系數(shù),可根據(jù)信噪比來定,一般可選擇0.7～0.9左右.

一般來說,大的η值增加壓力傳感器的誤報率,小的η值降低了壓力傳感器反應的精度.不過,在初始的時候一般選擇低的誤報率,所以選擇較小的η值.

將采樣數(shù)據(jù)矩陣 Amn與門限T進行比較,并記錄超過門限的采樣值的序號:

其中,Ii代表amn的信息,則定義:

如果將Ii=0的電壓信號去除,則剩下的集合:

即有k個正常值,剔除掉了那些可能因為傳感器故障等引起的影響壓力傳感器正常輸出的電壓值.

3.2 歸一化處理

由于BP神經(jīng)網(wǎng)絡隱含層采用的傳遞函數(shù)為對數(shù)S型函數(shù)和雙曲線正切S型函數(shù),它們的輸出范圍分別在(0,1)和(-1,1)之間,因此對網(wǎng)絡進行訓練前需要對數(shù)據(jù)進行歸一化處理.

使用以下兩個公式對Ii進行歸一化處理:

4 基于BP神經(jīng)網(wǎng)絡的數(shù)據(jù)融合系統(tǒng)設計

在已經(jīng)把傳感器輸出數(shù)據(jù)進行預處理之后,進入到信息融合是關鍵的一環(huán),在此選用BP神經(jīng)網(wǎng)絡來完成數(shù)據(jù)融合.

BP神經(jīng)網(wǎng)絡是一種多層前向網(wǎng)絡,由于3層的BP神經(jīng)網(wǎng)絡可以解決大多數(shù)問題因此在這里也采用3層網(wǎng)絡結(jié)構(gòu),分別為輸入層、輸出層、隱含層.

激活函數(shù)采用雙曲正切Sigmoid型函數(shù).與正切函數(shù)或線性函數(shù)相比較,Sigmoid型函數(shù)更適合于系統(tǒng)的網(wǎng)絡結(jié)構(gòu),因此選擇一個神經(jīng)元作為輸出即可激活函數(shù)采用對數(shù)S型函數(shù).該傳輸函數(shù)的輸入在(-∞,+∞)之間取值,輸出則在(0,1)之間取值,其數(shù)學表達式為:

y是Sigmoid函數(shù)的輸出,x是函數(shù)的輸入,p是用來控制函數(shù)形狀的常數(shù)因子.

由于Sigmoid函數(shù)是可微的,所以它被廣泛應用于BP神經(jīng)網(wǎng)絡.如圖2所示:

圖2 Sigmoid激發(fā)函數(shù)

根據(jù)神經(jīng)網(wǎng)絡的選取規(guī)則,神經(jīng)網(wǎng)絡的輸入必須要盡可能的少,所以在選擇輸入量時必須要選擇具有代表性的量,在此傳感器數(shù)據(jù)融合系統(tǒng)中,系統(tǒng)可以檢測到兩類參數(shù):關于壓力的數(shù)據(jù)U和關于溫度的數(shù)據(jù)Ut.輸入層的神經(jīng)元對應于壓力電壓值和溫度電壓值,并且系統(tǒng)在獲得樣本數(shù)據(jù)后,還需對樣本數(shù)據(jù)進行標準化處理,以及為了防止某些量對網(wǎng)絡狀態(tài)影響較大和系統(tǒng)需要,將輸入樣本和輸出樣本值都映射到[0,1]區(qū)間內(nèi).

系統(tǒng)的輸出層只有一個輸出值,即最終的壓力融合值,值域同樣是在[0,1]區(qū)間內(nèi),最后需要經(jīng)過一定的放大函數(shù)來進一步得到真實的壓力值.

隱含層的神經(jīng)元個數(shù)的初始值選擇根據(jù)經(jīng)驗公式,隱含層只需要2(n)+1或n2+1個神經(jīng)元,其中n是輸入層神經(jīng)元個數(shù),在此系統(tǒng)中初始隱含層單元采用5個,但是由于相關確定隱含層的經(jīng)驗都不能保證隱含層數(shù)量的選取是正確的.所以,最佳值需要根據(jù)實驗不斷試錯來得到.

結(jié)合上面的研究,BP神經(jīng)網(wǎng)絡的算法步驟為:

(1)初始化診斷網(wǎng)絡的權(quán)值和偏置值.

(2)通過樣本輸入計算網(wǎng)絡各層的輸出矢量和均方誤差.

(3)計算各層的誤差敏感值,并進行反向傳播,再更新各層神經(jīng)元的權(quán)值和偏置值.

(4)通過更新的權(quán)值和偏置值再次計算新的均方誤差.

(5)查看均方誤差是否小于期望誤差,如果是,訓練結(jié)束;否則,轉(zhuǎn)到步驟2,繼續(xù)訓練過程(BP神經(jīng)網(wǎng)絡訓練流程圖如圖3所示).

圖3 BP神經(jīng)網(wǎng)絡訓練流程圖

5 實驗及分析

為了驗證本文所提出方法的有效性,我們對壓力傳感器的溫度補償進行了實驗.

首先在不同工作溫度(t=21℃,42℃,56℃,78℃)時,對壓力傳感器的靜態(tài)輸入(P)和輸出(U)特性進行標定.根據(jù)傳感器標定數(shù)據(jù)等相關資料可以得知在此條件下輸入、輸出電壓值,列于表1中,從表中我們可以發(fā)現(xiàn)在某些溫度點出現(xiàn)了異常值.

表1 不同工作溫度下傳感器輸入輸出標定值

實驗的時候分兩種方法進行比較實驗:

實驗1:將t為21℃,42℃,78℃的輸入輸出標定值不做數(shù)據(jù)預處理,直接把標定值做歸一化處理后作為系統(tǒng)的輸入t為56℃的標定值作為系統(tǒng)檢測用.輸出數(shù)據(jù)見表2.

表2 試驗1融合處理結(jié)果

實驗2:將t為21℃,42℃,78℃的輸入輸出標定值首先做基于門限電壓值預處理,然后把預處理的標定值做歸一化處理,最后才把歸一化的值作為網(wǎng)絡的輸入,t為56℃的標定值仍作為網(wǎng)絡檢測用.選用三層(即輸入層、隱含層、輸出層)BP網(wǎng)絡對網(wǎng)絡進行訓練.經(jīng)BP神經(jīng)網(wǎng)絡融合處理后的輸出數(shù)據(jù)見表3.

表3 實驗2融合處理結(jié)果

接下來我們把試驗一和實驗二中融合數(shù)據(jù)的最大偏差max｜△P｜分別進行比較,比較的結(jié)果見表4:

表4 實驗1與實驗2融合結(jié)果比較表

從表4的對比分析可以得到,數(shù)據(jù)經(jīng)過基于門限電壓值預處理后,經(jīng)過BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合結(jié)果的偏差值明顯要小,效果更好.

[1]Sasiadek J Z.Sensor Fusion[J].Annual Reviews in Control,2002,26(26):203-228.

[2]Megalooikonomou V,Yesha Y.Space Efficient Quantization for Distributed Estimation by a Multi--sensor Fusion System[J].Information Fusion,2004,5(5):299-308.

[3]趙望達,劉勇求.基于RBF神經(jīng)網(wǎng)絡提高壓力傳感器精度的新方法[J].傳感技術學報,2008(12):640-642.

[4]戴志鋒,李元香.一種無線傳感網(wǎng)絡信息處理的層次型智能方法[J],計算機工程,2007(5):58-60.

[5]邵 軍,劉君華.利用BP神經(jīng)網(wǎng)絡提高光纖光柵壓力傳感器的選擇性[J].傳感技術學報,2007(7):1531-1534.

[6]翟建設,李 娜,吳 青.基于分簇的無線傳感器網(wǎng)絡簇內(nèi)數(shù)據(jù)融合算法[J].計算機工程,2008,34(11):134-136.

Data Fusion of Pressure Sensor Based on BP Neural Network

ZHANG Hui
(School of Computer Engineering,Huaiyin Institute of Technology,Huaian 223003,China)

T he problem of multi-sensor data fusion has attracted the attention of many scholars.The crosssensitivity always exists in the pressure sensor,whose static characteristics are not only subjected to the variety of target parameters but also affected by a number of non-target parameters.T he sensor outputs are determined by the corresponding parameters which results in unstable performance and accuracy.Some environmental factors such as temperature,noise and power supply fluctuations will affect the output voltage of the pressure sensor.After we read a large number of references,this paper proposes a novel approach,which makes use of BP neural network tool to solve the data fusion compensation problem based on the voltage threshold and some sensor output voltage preprocessed method.This new method improves the performance of robustness,fault tolerance and real-time.

data fusion;BP neural network;pressure sensor

TP212

A

1671-119X(2011)01-0055-04

2010-10-13

國家自然科學基金資助項目(60973113);教育部重點科研資助項目(208098);淮安市科技局2010年科技支撐計劃資助項目(HAG2010069)

章 慧(1970-),女,碩士,副教授,研究方向:計算機網(wǎng)絡、銀行數(shù)據(jù)處理、數(shù)據(jù)挖掘理論.