費(fèi) 晶，李趙興

（榆林學(xué)院 陜西 榆林 719000）

基于BP和RBF神經(jīng)網(wǎng)絡(luò)的新型融合技術(shù)研究

費(fèi) 晶，李趙興

（榆林學(xué)院 陜西 榆林 719000）

為了提高融合技術(shù)的精度，本文以JCY-120壓力傳感器構(gòu)建的一套測(cè)量系統(tǒng)為例，提出了一種基于BP，RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練消除交叉敏感的實(shí)驗(yàn)方案，該實(shí)驗(yàn)利用壓力傳感器得到的交叉敏感的數(shù)據(jù)，采用BP和RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。最后進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行新型融合技術(shù)方面，能夠提高數(shù)據(jù)融合的精度。

壓力傳感器；交叉敏感；人工神經(jīng)網(wǎng)絡(luò)；BP；RBF

傳感器技術(shù)是現(xiàn)代測(cè)量和自動(dòng)化系統(tǒng)的重要技術(shù)之一，目前所用的壓力傳感器有電阻應(yīng)變片壓力傳感器、半導(dǎo)體應(yīng)變片壓力傳感器、壓阻式壓力傳感器、電感式壓力傳感器、電容式壓力傳感器、諧振式壓力傳感器及電容式加速度傳感器等。但應(yīng)用最為廣泛的是壓阻式壓力傳感器，它有交叉敏感的存在，這給系統(tǒng)的測(cè)量帶來了較大的誤差?，F(xiàn)有的消除交叉敏感的方法有補(bǔ)償法，最小二乘法，回歸分析法等，后來出現(xiàn)的神經(jīng)網(wǎng)絡(luò)方法提出了新的思路。本文將針對(duì)具體的壓力傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，消除交叉敏感，并對(duì)結(jié)果進(jìn)行了比較。

1 壓力傳感器系統(tǒng)的組建

為了測(cè)量壓力傳感器的數(shù)據(jù)，并且對(duì)測(cè)量的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，在此引用了一個(gè)基于JCY-120壓阻式壓力傳感器的測(cè)量系統(tǒng)?；钊麎毫τ?jì)的壓力變化通過壓力傳感器轉(zhuǎn)化為電流信號(hào)傳送到傳感器測(cè)試電路，測(cè)試電路使用可變電阻調(diào)整，使之始終在恒流條件下，電流用電流表監(jiān)控，并且對(duì)電流值進(jìn)行監(jiān)控，這個(gè)也將作為系統(tǒng)的一個(gè)期望融合結(jié)果出現(xiàn)。測(cè)得的電壓信號(hào)通過應(yīng)變放大器，送到數(shù)據(jù)采集卡上，然后用虛擬電壓表讀出數(shù)據(jù)。

JCY-120壓阻式壓力傳感器的結(jié)構(gòu)原理如圖1所示。

圖1 JCY-120壓阻式壓力傳感器原理圖Fig.1 Schematic diagram of JCY-120 piezoresistive pressure sensor

構(gòu)建系統(tǒng)時(shí)需要為壓阻式壓力傳感器提供供電回路，具體如圖2所示。

圖2 壓阻式壓力傳感器供電回路Fig.2 Power supply of piezoresistive pressure transducer

2 數(shù)據(jù)融合

2.1 傳感器的交叉敏感

常規(guī)的經(jīng)典傳感器都存在交叉靈敏度，表現(xiàn)在傳感器的輸出值不只決定一個(gè)標(biāo)稱的目標(biāo)參量，當(dāng)其它非目標(biāo)參量變化時(shí)，其輸出值也隨之發(fā)生變化。如壓力傳感器，其目標(biāo)參量壓力恒定，而環(huán)境溫度T或供電電壓U/電流I等參量變化時(shí)，其輸出值也發(fā)生變化，則壓力傳感器就存在對(duì)環(huán)境溫度或供電電壓/電流的交叉靈敏度。也就是說，經(jīng)典壓力傳感器的標(biāo)成參量壓力P不是傳感器輸出電壓U的一元函數(shù)，而是與非目標(biāo)參量溫度T，供電電流I等參量有關(guān)的多元函數(shù)，即：

常規(guī)做法卻是將壓力傳感器的輸入壓力P與輸出電壓U的關(guān)系作為一元函數(shù)處理，即：

2.2 傳感器數(shù)據(jù)融合算法

數(shù)據(jù)融合又稱信息融合或多傳感器數(shù)據(jù)融合[1]。其定義可概括為：充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)對(duì)按時(shí)間序列獲得的多傳感器觀測(cè)數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用，獲得對(duì)被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它的各組成部分更充分的信息。

多傳感器數(shù)據(jù)融合[2]技術(shù)充分利用多個(gè)傳感器資源，通過對(duì)多傳感器及其觀測(cè)信息的合理支配和使用，把多傳感器在空間或時(shí)間上冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來進(jìn)行組合，以獲得被測(cè)對(duì)象的一致性解釋或描述。

利用多個(gè)傳感器所獲取的關(guān)于對(duì)象和環(huán)境全面、完整的信息，主要體現(xiàn)在融合算法上，因此多傳感器系統(tǒng)的核心問題是選擇合適的融合算法[3]，多傳感器數(shù)據(jù)融合的常用方法基本上可概括為隨機(jī)和人工智能兩大類，隨機(jī)類方法有加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計(jì)法等；而人工智能類則有模糊邏輯理論、神經(jīng)網(wǎng)絡(luò)[4]、粗集理論、專家系統(tǒng)等。本文使用的主要是神經(jīng)網(wǎng)絡(luò)的方法。

人工神經(jīng)網(wǎng)絡(luò)法是接近人類大腦思維方法的一種算法，它通過大量簡(jiǎn)單的處理單元即神經(jīng)元廣泛地互為連接而形成復(fù)雜的網(wǎng)絡(luò)系統(tǒng)，目前最為成功應(yīng)用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是前饋神經(jīng)網(wǎng)絡(luò)，它可以通過學(xué)習(xí)而掌握經(jīng)驗(yàn)，將“知識(shí)”或“經(jīng)驗(yàn)”以網(wǎng)絡(luò)神經(jīng)元連接權(quán)的形式反映出，前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法通常采用反向來，從而對(duì)未知樣本做出判別，反向傳播算法(Back-Propagation)，簡(jiǎn)稱B-P算法，因此這種網(wǎng)絡(luò)也稱為B-P網(wǎng)絡(luò)。而徑向基網(wǎng)絡(luò)（RBF）是一種新型的神經(jīng)網(wǎng)絡(luò)，它在學(xué)習(xí)過程中可以自動(dòng)調(diào)整隱藏層節(jié)點(diǎn)數(shù)，而且有著比BP[5]更快的收斂速度。本文通過BP和RBF兩個(gè)網(wǎng)絡(luò)，分別對(duì)同一組壓力傳感器數(shù)據(jù)進(jìn)行辨識(shí)驗(yàn)證。

3 數(shù)據(jù)處理

3.1 基于BP網(wǎng)絡(luò)的數(shù)據(jù)融合

表1 BP網(wǎng)絡(luò)結(jié)構(gòu)的測(cè)試Tab.1 BP Network configuration

通過上述表格比較后發(fā)現(xiàn)第九項(xiàng)誤差最小，最終確定最佳的網(wǎng)絡(luò)參數(shù)如下：

隱層響應(yīng)函數(shù)：logsig

輸出層響應(yīng)函數(shù)：purelin

隱層節(jié)點(diǎn)數(shù)6

訓(xùn)練次數(shù)：1 000

目標(biāo)方差：0

訓(xùn)練函數(shù)：trainlm

將這樣一個(gè)網(wǎng)絡(luò)利用訓(xùn)練面板進(jìn)行訓(xùn)練得到的誤差曲線如圖3所示。

圖3 BP訓(xùn)練誤差曲線Fig.3 Error curve of BP training

網(wǎng)絡(luò)測(cè)試的輸出如表2所示。

接下來要計(jì)算誤差，采用了均方根值對(duì)檢驗(yàn)樣本輸出值進(jìn)行誤差評(píng)價(jià)，使用Matlab的mse函數(shù)，可計(jì)算出檢驗(yàn)樣本的均方根誤差為：Perf=1.685 2×10-6

3.2 基于RBF網(wǎng)絡(luò)的數(shù)據(jù)融合

RBF網(wǎng)絡(luò)[6]的建立過程即是網(wǎng)絡(luò)的訓(xùn)練過程，它訓(xùn)練時(shí)可以自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，當(dāng)誤差達(dá)不到要求時(shí)它會(huì)自動(dòng)將隱層節(jié)點(diǎn)加一重新訓(xùn)練。SPREAD叫擴(kuò)展常數(shù)，是RBF網(wǎng)絡(luò)的一個(gè)重要參數(shù)。通過改變它的大小即可以獲得不一樣的網(wǎng)絡(luò)。故與BP網(wǎng)絡(luò)相比，RBF的參數(shù)設(shè)置比較簡(jiǎn)單，只需改變網(wǎng)絡(luò)建立函數(shù)和擴(kuò)展常數(shù)就可以了。

表2 BP網(wǎng)絡(luò)測(cè)試輸出數(shù)據(jù)Tab.2 Output data of BP network tes

表3 RBF網(wǎng)絡(luò)結(jié)構(gòu)的測(cè)試Tab.3 RBF Network configuration

采用newrbe建立一個(gè)準(zhǔn)確的RBF網(wǎng)絡(luò)時(shí)發(fā)現(xiàn)其對(duì)壓力的辨識(shí)誤差很大，不符合設(shè)計(jì)的要求，故采用了newrb函數(shù)，經(jīng)過比較，當(dāng)SPREAD=1時(shí)誤差最小，但經(jīng)過后期測(cè)試，SPRAED=6時(shí)數(shù)據(jù)最準(zhǔn)確。最終建立的最佳網(wǎng)絡(luò)如下：

網(wǎng)絡(luò)訓(xùn)練次數(shù)：默認(rèn)

網(wǎng)絡(luò)隱藏層最點(diǎn)數(shù)：默認(rèn)（25）

每次顯示間隔數(shù)：1

SPRAED：6

訓(xùn)練目標(biāo)：默認(rèn)（0）

訓(xùn)練之后誤差曲線如圖4所示。

圖4 RBF訓(xùn)練誤差曲線Fig.4 Error curve of RBF training

表4 RBF網(wǎng)絡(luò)的訓(xùn)練結(jié)果Tab.4 Result of RBF training

訓(xùn)練結(jié)果為如表4所示。第一行為壓力辨識(shí)數(shù)據(jù)，第二行為電流的融合值。對(duì)每 一個(gè)辨識(shí)值計(jì)算偏差后可以得表3～5所示的誤差結(jié)果。

表5 RBF網(wǎng)絡(luò)的訓(xùn)練誤差Tab.5 Error curve of RBF training

4 結(jié)論

通過實(shí)驗(yàn)表明人工神經(jīng)網(wǎng)絡(luò)以其非線性映射能力、高容錯(cuò)性和魯棒性，有助于解決傳感器普遍存在的交叉敏感問題，有助于檢測(cè)精度的提高，反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)可以提高數(shù)據(jù)融合的精度。

[1]谷立臣.多傳感器信息融合中的關(guān)聯(lián)特性研究[J].機(jī)械工程學(xué)報(bào),2000(4):53-57.

GU Li-chen.Research related characteristics of the multisensor information fusion [J].Journal of Mechanical Engineering,2000(4):53-57.

[2]黎果,李志蜀，李奇，等.基于神經(jīng)網(wǎng)絡(luò)的多傳感器融合技術(shù)研究[J].微計(jì)算機(jī)信息,2009,25(16):145-147.

LI Guo,LI Zhi-shu,LI Qi,et al.The Study of Multi Sensor Fusion Technology Based on the NeuralNetwork [J].Microcomputer Information,2009,25(16):145-147.

[3]鄧睿,胡志勇.數(shù)據(jù)融合發(fā)展的綜述[J].連云港師范?？茖W(xué)校學(xué)報(bào),2005(4):75-78.

DENG Rui,HU Zhi-yong.Survey ofDevelopmentof Multisensor Information Fusion[J].Journal of Lianyungang Teachers College,2005(4):75-78.

[4]魏海坤,徐嗣鑫,宋文忠.神經(jīng)網(wǎng)絡(luò)的泛化理論和泛化方法[J].自動(dòng)化學(xué)報(bào),2001,27(6):806-815.

WEI Hai-kun,XU Si-xin,SONG Wen-zhong.Generalization theory and generalization methods for neural networks[J].Acta Automatica Sinica,2001,27(6):806-815.

[5]葉健,葛林東,吳月嫻.一種優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在調(diào)制識(shí)別中的應(yīng)用[J].自動(dòng)化學(xué)報(bào),2007,33(6):652-654.

YE Jian,GE Lin-dong,WU Yue-xian.An Application of Improved RBF Neural Network in Modulation Recognition[J].Acta Automatica Sinica.2007,33(6):652-654.

[6]周觀民,李榮會(huì).基于神經(jīng)網(wǎng)絡(luò)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究[J].計(jì)算機(jī)仿真,2011,28(10):118-120.

ZHOU Guan-ming,LI Rong-hui.Sensor Network Based on NeuralNetwork Data Fusion Technology[J].Computer Simulation,2011,28(10):118-120.

The study on new data fusion technology based on BP and RBF neural network

FEI Jing,LI Zhao-xing
（Yulin University,Yulin 719000,China）

To enhance the precision of the fusion?technology,taking a measurement system as an example which is based on JCY–120 Pressure Sensor,this article proposes an experimental scheme which uses BP and RBF neural network to train thus achieves the aim of eliminating cross-sensitivity.The experiment takes use of the cross sensitive data obtained from the pressure sensor,and adopts BP and RBF network to train and test.The final experiment result shows that the proposed scheme in using neural network to the new date fusion technology could enhance the precision of data fusion.

pressure sensor;cross-sensitivity;artificial neural networks;BP;RBF

TN711

A

1674-6236（2014）17-096-03

2014-04-14 稿件編號(hào)：201404139

榆林市科技計(jì)劃項(xiàng)目(Gy13-15)

費(fèi) 晶（1982—），女，陜西榆林人，碩士。研究方向：軟件工程、自動(dòng)化。