張欣宇

摘 要： 隨著目前我國測試技術(shù)的快速發(fā)展，傳感器被廣泛應(yīng)用于各種精密測量與檢測領(lǐng)域。由于受到被測量對象、測量環(huán)境等因素影響，其輸入輸出特性會產(chǎn)生各種誤差。因此，文章提出了一種基于神經(jīng)網(wǎng)絡(luò)優(yōu)化的灰色GM（1，N）系統(tǒng)的非線性傳感器的校正方法，位移傳感器通過該方法的補(bǔ)償具有理想的輸入輸出特性。

關(guān)鍵詞： 傳感器校正；非線性誤差；灰色神經(jīng)網(wǎng)絡(luò)；建模

在當(dāng)前的高精密加工工業(yè)以及對應(yīng)的測量或者是測試行業(yè)當(dāng)中，自動控制以及一系列相關(guān)的系統(tǒng)性能構(gòu)建都會受到當(dāng)前的傳感器性能的干預(yù)。傳感器自身的輸出以及輸入特點(diǎn)和自身的硬件物理因素有著直接的關(guān)系，但是硬件在出廠的時(shí)候已經(jīng)被固化，無法進(jìn)行改變。除此之外，傳感器本身還受到對應(yīng)的工作參數(shù)以及環(huán)境參數(shù)的干預(yù)，比如溫度濕度或者是工作場所的對應(yīng)的噪聲環(huán)境構(gòu)建。因此當(dāng)前的傳感器自身構(gòu)建框架下的環(huán)境參數(shù)就在整個(gè)傳感器特性當(dāng)中處于次優(yōu)先級的地位。但是在當(dāng)前構(gòu)建下的信息融合環(huán)境下我們可以針對軟件本身的計(jì)算思路進(jìn)行針對性的測量數(shù)據(jù)構(gòu)架和分析，并且通過數(shù)據(jù)補(bǔ)償進(jìn)行校正。

本文的角度是從電容式位移傳感器的黑暗處罰，再進(jìn)行針對性的波動溫度和濕度框架構(gòu)建之中，基于當(dāng)前的標(biāo)準(zhǔn)核心壓電陶瓷的特點(diǎn)進(jìn)行傳感器核心數(shù)據(jù)的校對和修正。在整個(gè)試驗(yàn)框架體系當(dāng)中我們使用灰色系統(tǒng)理論GM（1，N）進(jìn)行對應(yīng)的函數(shù)提取構(gòu)建，這樣做的好處就是數(shù)據(jù)即使隨機(jī)性相對較大、樣本相對數(shù)量比較小以及信息匱乏的前提之下，系統(tǒng)本身的識別程度仍然呈現(xiàn)出很高的等級，并在當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)以及RBF的聯(lián)合構(gòu)建之下，構(gòu)建下的傳感器校正回歸模型曲線也可以得到實(shí)現(xiàn)（D3as7）。這種最優(yōu)解框架構(gòu)建下的灰色系數(shù)矩陣針對性的計(jì)算思路以及對應(yīng)的神經(jīng)網(wǎng)絡(luò)自身的映射特點(diǎn)可以進(jìn)行GM（1，N）的原始條件合理化處理，并且我們可以基于以上的條件進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)模型的殘存值修正優(yōu)化處理，相對實(shí)用性很高。

一、基于傳感器非線性校正模型框架構(gòu)建實(shí)踐

傳感器本身的誤差特點(diǎn)之一就是非線性構(gòu)建下的特點(diǎn)進(jìn)行框架生成，這樣的話就是在當(dāng)前本身硬件的核心物理特性構(gòu)建下所產(chǎn)生的主要誤差，以及對應(yīng)的環(huán)境誤差之和的聯(lián)合構(gòu)建。前面的情況和方式主要取決于傳感器自身的構(gòu)建設(shè)計(jì)方式，以及對應(yīng)的結(jié)構(gòu)原理所發(fā)展而形成的。這時(shí)傳感器基于自身的特點(diǎn)就存在了很大程度構(gòu)建下的非線性特點(diǎn)以及滯后性格特點(diǎn)等等。外部的環(huán)境誤差則是由更多方面的原因所組成。

傳感器模型為：

上式中，y（t）為傳感器本身框架下的輸出總量構(gòu)建，x（t）為被測物體的物理數(shù)值，T=（t1，t2，t3，…tn），表示n個(gè)工作環(huán)境特點(diǎn)構(gòu)建下的指數(shù)量構(gòu)架，相對應(yīng)的v（t）構(gòu)建參數(shù)則為傳感器自身框架構(gòu)建下的噪聲影響數(shù)值，盡管為隨機(jī)變量，但相對的均數(shù)參考值為0。傳感器的輸出數(shù)值y時(shí)經(jīng)過當(dāng)前的轉(zhuǎn)換線路以及對應(yīng)的數(shù)據(jù)采集系統(tǒng)構(gòu)建下的敏感元件進(jìn)行測量之后所獲得的數(shù)值進(jìn)行轉(zhuǎn)換得到的可識別變量。對應(yīng)式子下函數(shù)f（x）屬于當(dāng)前未知情況下的非線性函數(shù)，并且嚴(yán)格受到外部數(shù)據(jù)以及環(huán)境變量的干預(yù)和影響。

由此可以看到，對于不同的數(shù)值T，f（x（t）；T）是出于一種一一對應(yīng)的關(guān)系，也就是在函數(shù)定義角度屬于嚴(yán)格單調(diào)的構(gòu)成情況，x和y也是一種一一對應(yīng)的構(gòu)成關(guān)系。那么在這種函數(shù)定義框架之下，必然存在著一種非線性函數(shù)X=g（y）可以滿足g（y）=f-1（x）。也就是說：

傳感器自身構(gòu)建下的校正補(bǔ)償核心就是傳感器本身進(jìn)行補(bǔ)償之后可以達(dá)到函數(shù)構(gòu)建下的理想?yún)?shù)，也就是傳感器本身可以真實(shí)反映測量值。

二、傳感器校正構(gòu)建下的灰色神經(jīng)網(wǎng)絡(luò)模型思路探索

（一）灰色系統(tǒng)GM（1，N）模型構(gòu)建探索

傳感器本身的校正問題的核心本質(zhì)就是傳感器本身的輸入和輸出情況進(jìn)行數(shù)學(xué)建模，讓兩邊通過一定的邏輯關(guān)系進(jìn)行一一對應(yīng)的轉(zhuǎn)換，這就是數(shù)學(xué)領(lǐng)域當(dāng)中最為傳統(tǒng)的黑箱問題。這個(gè)框架就是對于信息分成已知和未知兩部分構(gòu)建、樣本數(shù)量相對較小以及信息來源相對貧乏的不確定性構(gòu)建框架的處理。并且灰色系統(tǒng)理論自身也可以根據(jù)信息的覆蓋情況，基于當(dāng)前的序列算子環(huán)境構(gòu)建下的處理對于數(shù)據(jù)進(jìn)行過更加深度的挖掘以及整理，并且在這個(gè)基礎(chǔ)之上進(jìn)行對應(yīng)的顯示規(guī)律挖掘。所以我們可以根據(jù)實(shí)際的工作情況進(jìn)行基于灰色系統(tǒng)框架下的傳感器進(jìn)行針對性的建模矯正。這樣構(gòu)建下的輸入以及對應(yīng)的輸出數(shù)據(jù)可以進(jìn)行更進(jìn)一步的發(fā)展態(tài)勢推進(jìn)，還可以在當(dāng)前數(shù)據(jù)條件構(gòu)建下的背景中進(jìn)行數(shù)據(jù)的對應(yīng)挖掘以及核心的變更性和關(guān)聯(lián)處理構(gòu)架，并且解決當(dāng)前的數(shù)據(jù)變化規(guī)律尋找的問題。正是在傳感器當(dāng)前的實(shí)際檢測值以及檢測量，還有對應(yīng)環(huán)境的若干條件組成處理之下，我們采用了GM（1，N）模型進(jìn)行建模處理。

（二）神經(jīng)網(wǎng)絡(luò)模型處理構(gòu)架

神經(jīng)網(wǎng)絡(luò)算法本身可以基于人腦思維邏輯順序進(jìn)行模擬處理，基于當(dāng)前網(wǎng)絡(luò)自身的拓?fù)浣Y(jié)構(gòu)的核心確認(rèn)以及對應(yīng)構(gòu)建框架下的核心神經(jīng)元的針對性描述，在此基礎(chǔ)上進(jìn)行更進(jìn)一步的學(xué)習(xí)方法拓展構(gòu)建以及針對性的輸入輸出之間的對照處理，這種處理方式是基于當(dāng)前脫離線性映射框架的方式進(jìn)行推進(jìn)的?，F(xiàn)在我們已經(jīng)證明了對于當(dāng)前環(huán)境下的隱層節(jié)點(diǎn)構(gòu)建中的神經(jīng)網(wǎng)絡(luò)框架系統(tǒng)的前行推進(jìn)，并在此基礎(chǔ)上可以進(jìn)行更進(jìn)一步的連續(xù)函數(shù)基礎(chǔ)構(gòu)建下的高精度估算核心構(gòu)建。前文可知傳感器本身的校正是以非線性框架進(jìn)行推進(jìn)的，所以在進(jìn)行針對性的實(shí)際測量構(gòu)建當(dāng)中，針對外界的框架擾動以及被測目標(biāo)的運(yùn)動情況，都會對當(dāng)前的傳感系統(tǒng)本身的曲線造成很大的影響，而正是這種影響讓我們可以利用BP神經(jīng)網(wǎng)絡(luò)或者是RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對應(yīng)校正。

1、BP神經(jīng)網(wǎng)絡(luò)校正處理構(gòu)架

BP神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)就是網(wǎng)絡(luò)自身的結(jié)構(gòu)屬于一個(gè)輸入層，一個(gè)輸出層以及針對性的若干個(gè)隱含層組成的，同時(shí)每一層都是由若干個(gè)神經(jīng)元組成。層與層之間基于合理設(shè)計(jì)的連接權(quán)值w、閡值∮以及針對性的轉(zhuǎn)移函數(shù)f進(jìn)行一一對應(yīng)的連接。

2、RBF神經(jīng)網(wǎng)絡(luò)校正處理構(gòu)架

和當(dāng)前采用BP神經(jīng)網(wǎng)絡(luò)校正結(jié)構(gòu)的情況比較相似，我們可以通過被矯正的傳感器測量的數(shù)值以及針對性實(shí)驗(yàn)條件下的適度溫度進(jìn)行基于向量X = { x1 X2 x3 } T的式子的代入，作為當(dāng)前傳感器針對RBF神經(jīng)網(wǎng)絡(luò)的輸入向量處理，同時(shí)把傳感器的自身標(biāo)準(zhǔn)檢測量進(jìn)行處理之后作為針對RBF的神經(jīng)網(wǎng)絡(luò)輸出量的校正處理。RBF本身的神經(jīng)網(wǎng)絡(luò)相對于其他算法來說具有更加強(qiáng)大的局部逼近能力以及針對性的針對響應(yīng)能力，所以作為學(xué)習(xí)速度以及分類能力的體驗(yàn)要強(qiáng)于其他算法。

結(jié)語

總而言之，傳感器的校正過程又可以分為數(shù)學(xué)表達(dá)式求解環(huán)節(jié)和誤差逼近環(huán)節(jié)兩個(gè)環(huán)節(jié)。首先統(tǒng)一處理實(shí)驗(yàn)數(shù)據(jù)，提出灰色GM（1，N）模型的優(yōu)化灰色系數(shù)矩陣求解的思路構(gòu)建，并且同時(shí)利用了BP神經(jīng)網(wǎng)絡(luò)框架條件下的非線性映射的特性構(gòu)建進(jìn)行初始條件合理化，基于這種方式來彌補(bǔ)灰色GM（1，N）模型自身模型求解的缺陷，獲得高精度的傳感器校正數(shù)學(xué)函數(shù)表達(dá)式。然后，利用RBF神經(jīng)網(wǎng)絡(luò)良好的局部逼近能力對殘差修正，實(shí)現(xiàn)傳感器校正的精度要求。最后，推導(dǎo)出優(yōu)化后的合并模型，實(shí)現(xiàn)對傳感器的校正。與其他相關(guān)信息融合技術(shù)相比，使用該方法能給出傳感器校正數(shù)學(xué)函數(shù)表達(dá)式，充分利用各模型的優(yōu)點(diǎn)，在小樣本、信息較少的情況下依然可以獲得很高的校正精度，方法切實(shí)有效。

參考文獻(xiàn)

[1]馬軍杰，尤建新，陳震.基于改進(jìn)粒子群優(yōu)化算法的灰色神經(jīng)網(wǎng)絡(luò)模型[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）.2012（05）.

[2]袁景凌，鐘珞，李小燕.灰色神經(jīng)網(wǎng)絡(luò)的研究及發(fā)展[J].武漢理工大學(xué)學(xué)報(bào).2009（03）.