智能传感器系统神经网络技术课件

《智能传感器系统神经网络技术课件》由会员分享，可在线阅读，更多相关《智能传感器系统神经网络技术课件（57页珍藏版）》请在装配图网上搜索。

1、自主学习自主学习构成四段渐进交互教学模块的基础构成四段渐进交互教学模块的基础自自主主训训练练自自主主应应用用自自主主提提高高知识固化与整合知识固化与整合接受实验任务学习实验原理学习相关知识自主学习自主训练自主提高自主应用存储提取存储提取存储提取存储提取理理 论论 准准 备备l读相关基础知识简介，回答预习问题读相关基础知识简介，回答预习问题自主学自主学习模块习模块自主应自主应用模块用模块自主提自主提高模块高模块自主训自主训练模块练模块基基 础础 训训 练练l智能软件模块演示仪的操作练习智能软件模块演示仪的操作练习l认知智能化软件的结构与参量认知智能化软件的结构与参量l相关软件子模块的使用与练习相

2、关软件子模块的使用与练习l智能化功能效果检验方法智能化功能效果检验方法应应 用用 练练 习习 l更换或自制样本；更换智能软件模更换或自制样本；更换智能软件模块演示仪的应用场合块演示仪的应用场合l简单应用简单应用提提 高高 练练 习习l将已训练并检验好的智能软件模块将已训练并检验好的智能软件模块移植到应用场合所在地移植到应用场合所在地l接近工程实践的应用接近工程实践的应用mnyyyfxyyyfxyyyfxmnnmm,2121222111传感器x=PU调理电路x=P信号处理被测目标参量环境温度TIP=g(U)=f-1(U)U=f(P)结果输出图1-1 常规压力传感器测量系统 不同温度条件下不同温度

3、条件下的正模型的正模型 U=f(P)不同温度条件下不同温度条件下的逆模型的逆模型 P=f -1(U)P1T3UPT2T1U1U12U13T3PUU1T2T1 P1P13P13数据融合算法建立逆模型x1=P=g(yP,yT,yI)yP=fP(x1,x2,x3)yT=fT(x2)x1=Px2=Tx3=IyI=fI(x3)x1x2x3x1=Px2=Tx3=I多传感器组成的智能传感器系统多传感器组成的智能传感器系统 传感器单元传感器单元信号处理单元信号处理单元目标参量目标参量干扰量干扰量数据融合算法建立逆模型x=f(y1,y2,.ym)y1y2ymX.多传感器系统的逆模型 22012T34T5TPPU

4、UUUUU22012T34T5TTTUUUUUUPT2PTI01P2T3I45PT2267PI8TI9IPP UUUAAUAUAUAUAU UAUAU UAU UAU（，）按最小二乘法原理，由实验标定数据计算出均方误差最小条按最小二乘法原理，由实验标定数据计算出均方误差最小条件下的方程系数。件下的方程系数。BP 算法实质是求取误差函数例如：当前输出和期望输出的算法实质是求取误差函数例如：当前输出和期望输出的均方差值的最小值问题。均方差值的最小值问题。图 1-4 三层 BP 网络结构 隐层 v22 vml v11 Wl1 Wln w11 ym y2 y1 xn x2 x1 输出层 输入层 图 1

5、-4 三层 BP 网络结构 隐层 v22 vml v11 Wl1 Wln w11 ym y2 y1 xn x2 x1 输出层 输入层，ljniwji,2,1;,2,11 2kjk,m。ijkiixO 图 1-4 三层 BP 网络结构 隐层 v22 vml v11 Wl1 Wln w11 ym y2 y1 xn x2 x1 输出层 输入层 jIjjeIfO11)(jnijiijbwOI1 bj 为第为第 j 个隐层节点的阈值，个隐层节点的阈值，wji 表示隐层第表示隐层第 j 个隐层节点与第个隐层节点与第 i个输入节点的连接权值。例如，隐层第一个节点的输入为：个输入节点的连接权值。例如，隐层第一

6、个节点的输入为：I1=w11x1+w12x2+w1nxn+b1。BP 网络的逼近能力取决于隐层节点的数量网络的逼近能力取决于隐层节点的数量 l，隐层节点越多，隐层节点越多，网络的逼近能力越强，但训练网络所需要的样本数量网络的逼近能力越强，但训练网络所需要的样本数量 N 也越多。也越多。N nl+lm+l+m切记。切记。kkIIy kljkjjkcOII1jijiijijiijbwybwOI2121jIjjeIfO11)(d)例如例如1lkjkjkjIIOcj1,2,4,k1IIx 输入为：d)例如例如电流值作为神经网络样本的输入数据，电流值作为神经网络样本的输入数据，而以压力传感器的标定压力值

7、作为神而以压力传感器的标定压力值作为神经网络样本的期望输出数据。经网络样本的期望输出数据。训练好的网络能否实用，还要进训练好的网络能否实用，还要进行检验。将检验输入样本输入训练好行检验。将检验输入样本输入训练好的网络，并计算网络输出结果与期望的网络，并计算网络输出结果与期望输出样本的偏差。偏差满足实测要求，输出样本的偏差。偏差满足实测要求，那么可进行实测；反之，那么要调整那么可进行实测；反之，那么要调整网络结构参数，进行新的网络训练与网络结构参数，进行新的网络训练与检验，直至检验偏差小于实测要求。检验，直至检验偏差小于实测要求。xySxxyySxxySxyyS,IyySEyySTyySFSIF

8、SEFST,P13T3UPT2T1U1U12U13P1%1.12C/1049.236.835.217036.8328.7312112311212tttUtUtUtUtttUtUstts：满量程相对误差灵敏度温度系数灵敏度温度系数 s：P/104Pa01.02.03.04.05.021.5 CU/mV-13.8483.36Ut/mV27.6424.9428 CU/mV76.82Ut/mV31.9134 CU/mV76.38Ut/mV35.0944 CU/mV75.87Ut/mV51.5550 CU/mV73.75Ut/mV61.0670 CU/mV-7.7273.28Ut/mV86.1284.9

9、483.7882.6581.5580.45%3.7C/1051.136.835.217084.1372.712011020311210201200tttUtUtUtUtttUtUUttUttFSm：满量程相对误差零位温度系数零位温度系数 0：P/104Pa01.02.03.04.05.021.5 CU/mV-13.8483.36Ut/mV27.6424.9428 CU/mV76.82Ut/mV31.9134 CU/mV76.38Ut/mV35.0944 CU/mV75.87Ut/mV51.5550 CU/mV73.75Ut/mV61.0670 CU/mV-7.7273.28Ut/mV86.12

10、84.9483.7882.6581.5580.45P/104Pa01.02.03.04.05.021.5 CU/mV-13.8483.36Ut/mV27.6424.9428 CU/mV76.82Ut/mV31.9134 CU/mV76.38Ut/mV35.0944 CU/mV75.87Ut/mV51.5550 CU/mV73.75Ut/mV61.0670 CU/mV-7.7273.28Ut/mV86.1284.9483.7882.6581.5580.45 Pa10/1032.1Pa100.5106.6100.512.8612.8645.8042424112maxPUPPUttP同理可计算002

11、160.000304-0702155125 10CmFSPttP./215o55 0045457021551 87 10CmaxsFSPttP./融合后，温度稳定性得到极大改善。融合后，温度稳定性得到极大改善。融合后融合后融合前融合前零位温度系数零位温度系数灵敏度温度系数灵敏度温度系数301 51 10./C32 49 10os./CStructure of the thermocouplett0t0E(t,0),t0=0The least square fitting curve(red)of K-type thermocouple compared with the line(black)

12、across two ends of the curve.is obviously seen.Using BPNN method,there is the largest fitting deviation of 0.084 C when t=110.Using least square method,there is the largest fitting deviation of 0.835 C when t=200;24.44120.2628tE m|100%0.41%LFSLY1.00010.0037tt Linear error calculation of the calibrat

13、ion table values using the linear least square(LLS)method(before BPNN training):Linear error calculation of the relation between the fitting temperature t and the calibration temperature value t using LLS(after BPNN training):%04.0%100FSmLYLBP神经网络建立的热电偶逆模型，将热电偶线性度减小一个数量级。神经网络建立的热电偶逆模型，将热电偶线性度减小一个数量级

14、。(2)(2)智能压力传感器系统组建、实验标定及基智能压力传感器系统组建、实验标定及基于神经网络消除交叉敏感于神经网络消除交叉敏感BPBP网络训练仪，出现网络训练仪，出现5151页所示页所示BPBP神经网络训练神经网络训练面板。面板。3 3设置网络结构参数：选择网络隐层节设置网络结构参数：选择网络隐层节点数点数(如：如：4)4)；4 4选择隐层节点响应函数选择隐层节点响应函数(如：如：logsiglogsig函数函数)和输出层节点响应函数和输出层节点响应函数(如：如：purelinpurelin函函数数)；S1 K 压力传感器 放大器 A/D P PC Q E V D T3UPP1T2T1U1

15、P1U1P/104Pa01.02.03.04.05.021.5 CU/mV-13.8483.36Ut/mV27.6424.9428 CU/mV76.82Ut/mV31.9134 CU/mV76.38Ut/mV35.0944 CU/mV75.87Ut/mV51.5550 CU/mV73.75Ut/mV61.0670 CU/mV-7.7273.28Ut/mV86.1284.9483.7882.6581.5580.45 图 1-4 三层 BP 网络结构 隐层 v22 vml v11 Wl1 Wln w11 ym y2 y1 xn x2 x1 输出层 输入层 神经网络输入层隐层(l个神经元)输出层12

16、nxiyk12m权值权值阈值阈值结构参数结构参数xOOIIIY输入层隐层输出层nixOii,2,1ljeIfOjIjj,2,111)(jnijiijbwOI1mkIIykk,2,1,kljkjjkcOII 1；神经网络输入层隐层(l个神经元)输出层12n12m权值权值阈值阈值结构参数结构参数2、特点：、特点：结构参数根据具体问题结构参数根据具体问题确定；确定；不同问题具有不同的结不同问题具有不同的结构参数。构参数。3、结构参数确定的原那么：、结构参数确定的原那么：网络输出值和被测目标参量值的均方差值尽可能小，能网络输出值和被测目标参量值的均方差值尽可能小，能满足测量要求。满足测量要求。根据均方

17、差值的大小来增加或减小权值与阈值。根据均方差值的大小来增加或减小权值与阈值。IyySEyySTyySFSIFSEFST,T3UPP1T2T1U1P1U1P/104Pa01.02.03.04.05.021.5 CU/mV-13.8483.36Ut/mV27.6424.9428 CU/mV76.82Ut/mV31.9134 CU/mV76.38Ut/mV35.0944 CU/mV75.87Ut/mV51.5550 CU/mV73.75Ut/mV61.0670 CU/mV-7.7273.28Ut/mV86.1284.9483.7882.6581.5580.45P/104Pa01.02.03.04.05.021.5CP1/104Pat1/C28CP1/104Pat1/C34CP1/104Pat1/C44CP1/104Pat1/C50CP1/104Pat1/C70CP1/104Pat1/CTUUSFSTmaxTPPSFSTmax11融合前融合前融合后融合后