神經(jīng)網(wǎng)絡(luò)應(yīng)用

神經(jīng)網(wǎng)絡(luò)應(yīng)用第1頁，課件共90頁，創(chuàng)作于2023年2月7.1神經(jīng)網(wǎng)絡(luò)基本知識7.1.1人工神經(jīng)網(wǎng)絡(luò)模型圖7-1基本神經(jīng)元模型第2頁，課件共90頁，創(chuàng)作于2023年2月神經(jīng)元的輸出可描述為式中：f(Ai)表示神經(jīng)元輸入—輸出關(guān)系的函數(shù)，稱為作用函數(shù)或傳遞函數(shù)，常用的作用函數(shù)有如圖9-2所示的三種：閾值型、S型和分段線性型(偽線性型)。這樣，就有三類神經(jīng)元模型。第3頁，課件共90頁，創(chuàng)作于2023年2月圖7-2常見的作用函數(shù)形式(a)閾值型；(b)S型；(c)偽線性型第4頁，課件共90頁，創(chuàng)作于2023年2月一、閾值型神經(jīng)元閾值型神經(jīng)元是一種最簡單的神經(jīng)元，由美國心理學(xué)家Mc.Culloch和數(shù)學(xué)家Pitls共同提出，因此，通常稱為M-P模型。M-P模型神經(jīng)元是二值型神經(jīng)元，其輸出狀態(tài)取值為1或0，分別代表神經(jīng)元的興奮狀態(tài)和抑制狀態(tài)。其數(shù)學(xué)表達(dá)式為對于M-P模型神經(jīng)元，權(quán)值Wji可在(-1,1)區(qū)間連續(xù)取值。取負(fù)值表示抑制兩神經(jīng)元間的連接強度，取正值表示加強。第5頁，課件共90頁，創(chuàng)作于2023年2月二、S型神經(jīng)元模型這是常用的一種連續(xù)型神經(jīng)元模型，輸出值是在某一范圍內(nèi)連續(xù)取值的。輸入—輸出特性多采用指數(shù)函數(shù)表示，用數(shù)學(xué)公式表示如下：S型作用函數(shù)反映了神經(jīng)元的非線性輸入—輸出特性。第6頁，課件共90頁，創(chuàng)作于2023年2月三、分段線性型神經(jīng)元的輸入—輸出特性滿足一定的區(qū)間線性關(guān)系，其輸出可表示為式中,C、AC表示常量。第7頁，課件共90頁，創(chuàng)作于2023年2月7.1.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一、分層網(wǎng)絡(luò)圖7-3分層網(wǎng)絡(luò)功能層次第8頁，課件共90頁，創(chuàng)作于2023年2月二、相互連接型結(jié)構(gòu)圖7-4相互連接型網(wǎng)絡(luò)第9頁，課件共90頁，創(chuàng)作于2023年2月7.1.3學(xué)習(xí)與記憶一、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

Hebb學(xué)習(xí)規(guī)則可以描述為：如果神經(jīng)網(wǎng)絡(luò)中某一神經(jīng)元與另一直接與其相連的神經(jīng)元同時處于興奮狀態(tài)，那么這兩個神經(jīng)元間的連接強度應(yīng)該加強。用算法表達(dá)式表示為Wji(t+1)=Wji(t)+η［xi(t),xj(t)］式中：Wji(t+1)——修正一次后的某一權(quán)值；

η——常量，決定每次權(quán)值修正量，又稱學(xué)習(xí)因子；

xi(t)、xj(t)——t時刻第i個、第j個神經(jīng)元的狀態(tài)。第10頁，課件共90頁，創(chuàng)作于2023年2月誤差修正算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中另一個更重要的方法。像感知機、BP網(wǎng)絡(luò)學(xué)習(xí)均屬此類。最基本的誤差修正學(xué)習(xí)方法，即通常說的δ學(xué)習(xí)規(guī)則，可由如下四步來描述：

(1)任選一組初始權(quán)值Wji(0)。

(2)計算某一輸入模式對應(yīng)的實際輸出與期望輸出的誤差。

(3)更新權(quán)值Wji(t+1)=Wji(t)+η［dj-yj(t)］xi(t)式中：η——學(xué)習(xí)因子；dj、yj——第j個神經(jīng)元的期望輸出與實際輸出；xj——第j個神經(jīng)元的輸入。

(4)返回步驟(2)，直到對所有訓(xùn)練模式、網(wǎng)絡(luò)輸出均滿足誤差要求為止。第11頁，課件共90頁，創(chuàng)作于2023年2月二、神經(jīng)網(wǎng)絡(luò)的記憶神經(jīng)網(wǎng)絡(luò)記憶包含兩層含義：信息的存儲與回憶。網(wǎng)絡(luò)通過學(xué)習(xí)將所獲取的知識信息分布式存儲在連接權(quán)的變化上，并具有相對穩(wěn)定性。一般來講，存儲記憶需花較長時間，因此這種記憶稱為長期記憶，而學(xué)習(xí)期間的記憶保持時間很短，稱為短期記憶。

7.1.4神經(jīng)網(wǎng)絡(luò)的信息處理功能神經(jīng)網(wǎng)絡(luò)可以完成大量的信息處理任務(wù)，正因為這樣，其應(yīng)用涉及相當(dāng)廣泛的領(lǐng)域。歸納起來，神經(jīng)網(wǎng)絡(luò)的信息處理任務(wù)主要包括：第12頁，課件共90頁，創(chuàng)作于2023年2月一、數(shù)字上的映射逼近通過一組映射樣本(x1,y1),(x2,y2),…,(xn,yn)，網(wǎng)絡(luò)以自組織方式尋找輸入、輸出之間的映射關(guān)系：

yi=f(xi)。

二、聯(lián)想記憶聯(lián)想記憶是指實現(xiàn)模式完善、恢復(fù)相關(guān)模式的相互回憶等，典型的有如Hopfield網(wǎng)絡(luò)等。第13頁，課件共90頁，創(chuàng)作于2023年2月7.2前向網(wǎng)絡(luò)7.2.1感知機圖9-5基本感知機結(jié)構(gòu)第14頁，課件共90頁，創(chuàng)作于2023年2月感知機的學(xué)習(xí)算法為i=1,2,…,n

式中：η為學(xué)習(xí)因子，在(0,1］區(qū)間取值。期望輸出與實際輸出之差為輸入狀態(tài)xi(k)=1或0第15頁，課件共90頁，創(chuàng)作于2023年2月7.2.2BP網(wǎng)絡(luò)一、BP網(wǎng)絡(luò)模型圖9-6一個三層BP網(wǎng)絡(luò)結(jié)構(gòu)第16頁，課件共90頁，創(chuàng)作于2023年2月一般選用下列S形作用函數(shù)：且處理單元的輸入、輸出值可連續(xù)變化。BP網(wǎng)絡(luò)模型實現(xiàn)了多層網(wǎng)絡(luò)學(xué)習(xí)的設(shè)想。當(dāng)給定網(wǎng)絡(luò)的一個輸入模式時，它由輸入層單元傳到隱層單元，經(jīng)隱層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個輸出模式，故稱為前向傳播。如果輸出響應(yīng)與期望輸出模式有誤差，且不滿足要求，那么就轉(zhuǎn)入誤差后向傳播，即將誤差值沿連接通路逐層向后傳送，并修正各層連接權(quán)值。(7-10)第17頁，課件共90頁，創(chuàng)作于2023年2月二、學(xué)習(xí)算法假設(shè)BP網(wǎng)絡(luò)每層有N個處理單元，作用函數(shù)如(7-10)式所示，訓(xùn)練集包含M個樣本模式對(xk,yk)。對第p個訓(xùn)練樣本(p=1,2,…,M)單元j的輸入總和(即激活函數(shù))記為apj，輸出記為Opj,它的第i個輸入(也即第i個神經(jīng)元的輸出)為Opi,則第18頁，課件共90頁，創(chuàng)作于2023年2月如果任意設(shè)置網(wǎng)絡(luò)初始權(quán)值，那么對每個輸入模式p,網(wǎng)絡(luò)輸出與期望輸出一般總有誤差。定義網(wǎng)絡(luò)誤差為式中，dpj表示對第p個輸入模式輸出單元j的期望輸出。δ學(xué)習(xí)規(guī)則的實質(zhì)是利用梯度最速下降法，使權(quán)值沿誤差函數(shù)的負(fù)梯度方向改變。若權(quán)值Wji的變化量記為ΔWji,則第19頁，課件共90頁，創(chuàng)作于2023年2月而這里，令于是這就是通常所說的δ學(xué)習(xí)規(guī)則。第20頁，課件共90頁，創(chuàng)作于2023年2月當(dāng)Opj表示輸出層單元的輸出時，其誤差第21頁，課件共90頁，創(chuàng)作于2023年2月當(dāng)Opj表示隱單元輸出時，其誤差第22頁，課件共90頁，創(chuàng)作于2023年2月故至此，BP算法權(quán)值修正公式可統(tǒng)一表示為對于輸出單元對于隱單元(9-29)第23頁，課件共90頁，創(chuàng)作于2023年2月在實際應(yīng)用中，考慮到學(xué)習(xí)過程的收斂性，通常為了使學(xué)習(xí)因子η取值足夠大，又不致于產(chǎn)生振蕩，在權(quán)值修正公式(7-29)中再加一個勢態(tài)項，得式中，α是常數(shù)，稱勢態(tài)因子，它決定上一次學(xué)習(xí)權(quán)值對本次權(quán)值更新的影響程度。一般地，BP網(wǎng)絡(luò)學(xué)習(xí)算法步驟描述如下：

(1)初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始矩陣、學(xué)習(xí)因子η、參數(shù)α等；

(2)提供訓(xùn)練樣本，訓(xùn)練網(wǎng)絡(luò)，直到滿足要求；

(3)前向傳播過程：對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式輸出比較，若有誤差，則執(zhí)行(4)，否則，返回(2)；第24頁，課件共90頁，創(chuàng)作于2023年2月

(4)后向傳播過程：

①計算同一層單元的誤差δpj。

②修正權(quán)值和閾值閾值即為i=0時的連接權(quán)值。

③返回(2)。用網(wǎng)絡(luò)的均方根值(RMS)誤差來定量反映學(xué)習(xí)性能。其定義為第25頁，課件共90頁，創(chuàng)作于2023年2月三、競爭網(wǎng)絡(luò)1.競爭學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖7-7兩層競爭網(wǎng)絡(luò)第26頁，課件共90頁，創(chuàng)作于2023年2月

2.競爭學(xué)習(xí)機理競爭單元的處理分為兩步：首先計算每個單元輸入的加權(quán)和；然后進(jìn)行競爭，產(chǎn)生輸出。對于第j個競爭單元，其輸入總和為當(dāng)競爭層所有單元的輸入總和計算完畢，便開始競爭。競爭層中具有最高輸入總和的單元被定為勝者，其輸出狀態(tài)為1，其它各單元輸出狀態(tài)為0。對于某一輸入模式，當(dāng)獲勝單元確定后，便更新權(quán)值。也只有獲勝單元權(quán)值才增加一個量，使得再次遇到該輸入模式時，該單元有更大的輸入總和。權(quán)值更新規(guī)則表示為第27頁，課件共90頁，創(chuàng)作于2023年2月7.3反饋網(wǎng)絡(luò)7.3.1Hopfield網(wǎng)絡(luò)結(jié)構(gòu)圖7-8HNN網(wǎng)絡(luò)結(jié)構(gòu)第28頁，課件共90頁，創(chuàng)作于2023年2月7.3.2Hopfield神經(jīng)網(wǎng)絡(luò)A/D變換器圖7-9對稱式4位A/D轉(zhuǎn)換網(wǎng)絡(luò)第29頁，課件共90頁，創(chuàng)作于2023年2月圖7-10遲滯現(xiàn)象第30頁，課件共90頁，創(chuàng)作于2023年2月圖7-11非對稱HNN網(wǎng)A/D變換器第31頁，課件共90頁，創(chuàng)作于2023年2月圖7-12采用非對稱結(jié)構(gòu)的A/D轉(zhuǎn)換關(guān)系第32頁，課件共90頁，創(chuàng)作于2023年2月7.4神經(jīng)網(wǎng)絡(luò)在智能傳感器中的應(yīng)用7.4.1紙漿濃度傳感器非線性估計和動態(tài)標(biāo)定的神經(jīng)網(wǎng)絡(luò)實現(xiàn)一、問題提出實際上，傳感器在整個測量范圍的非線性特性可用一冪級數(shù)多項式來描述：式中：y——被測濃度；

x——傳感器輸出值；

Wi(i=0,1,…,n)——傳感器的特性參數(shù)。(7-35)第33頁，課件共90頁，創(chuàng)作于2023年2月二、神經(jīng)網(wǎng)絡(luò)算法對應(yīng)每一個實際輸入xi,可得到一個非線性數(shù)據(jù)集｛1,x,x2,x3,…，xn｝這些可作為神經(jīng)網(wǎng)絡(luò)的輸入模式，第34頁，課件共90頁，創(chuàng)作于2023年2月圖7-13權(quán)值訓(xùn)練原理示意圖第35頁，課件共90頁，創(chuàng)作于2023年2月三、濃度傳感器非線性估計及動態(tài)標(biāo)定濃度傳感器的本質(zhì)是非線性的?？蓪?7-35)式寫成下列近似形式：式中：y——被測濃度；f——傳感器的輸出頻率值；fmax——傳感器的最大輸出頻率值。因此可用f/fmax表示傳感器的輸出特征。第36頁，課件共90頁，創(chuàng)作于2023年2月四、實例分析及結(jié)論傳感器1：傳感器2：傳感器3：第37頁，課件共90頁，創(chuàng)作于2023年2月圖7-14擬合曲線第38頁，課件共90頁，創(chuàng)作于2023年2月表7-1傳感器輸出及對應(yīng)濃度估計值第39頁，課件共90頁，創(chuàng)作于2023年2月7.4.2神經(jīng)網(wǎng)絡(luò)在監(jiān)測材料損傷中的應(yīng)用一、問題提出具有傳感、執(zhí)行、信號處理、通信與控制等功能的結(jié)構(gòu)稱之為智能結(jié)構(gòu)。這種結(jié)構(gòu)不僅具有承受載荷的能力，還具有感知和響應(yīng)內(nèi)外環(huán)境的變化，實現(xiàn)自檢測、自監(jiān)控、自校正、自適應(yīng)、自修復(fù)等功能。下面介紹利用人工神經(jīng)網(wǎng)絡(luò)和埋入偏振型光纖傳感器陣列，實時適應(yīng)監(jiān)測復(fù)合材料損傷，并指示損傷位置的智能結(jié)構(gòu)系統(tǒng)模型。第40頁，課件共90頁，創(chuàng)作于2023年2月二、智能結(jié)構(gòu)系統(tǒng)簡介圖7-15智能結(jié)構(gòu)系統(tǒng)圖第41頁，課件共90頁，創(chuàng)作于2023年2月三、前向BP網(wǎng)絡(luò)處理器圖7-16三層BP網(wǎng)絡(luò)第42頁，課件共90頁，創(chuàng)作于2023年2月圖7-17BP算法流程第43頁，課件共90頁，創(chuàng)作于2023年2月四、實驗結(jié)果表7-2BP網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)第44頁，課件共90頁，創(chuàng)作于2023年2月表7-3在線仿真實驗數(shù)及結(jié)果第45頁，課件共90頁，創(chuàng)作于2023年2月7.4.3神經(jīng)網(wǎng)絡(luò)濾波一、問題提出通常，由信號發(fā)生器產(chǎn)生的正弦波或三角波信號都不同程度地含有噪聲干擾信號。若我們將它作為精密測量供電信號或進(jìn)行相位檢測時，往往造成測量不精確等缺陷。消除噪聲干擾的辦法很多，下面提出一種采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)記憶功能，實現(xiàn)對含噪正弦波或三角波信號的復(fù)原，即消除噪聲干擾。第46頁，課件共90頁，創(chuàng)作于2023年2月

二、自適應(yīng)線性函數(shù)的最小二乘法(LMS)學(xué)習(xí)算法為了簡單起見，我們以輸入矢量為二維的情況作為示例來進(jìn)行討論。這時輸入矢量X和權(quán)矢量W可以分別表示為在采用線性函數(shù)的條件下，神經(jīng)網(wǎng)絡(luò)輸出為(7-42)第47頁，課件共90頁，創(chuàng)作于2023年2月權(quán)值修正公式為ε(k)為誤差，即式中，d(k)為期望輸出；y(k)為實際輸出。(7-43)第48頁，課件共90頁，創(chuàng)作于2023年2月三、軟件編程及說明實現(xiàn)上述算法的軟件編程如下(采用MATLAB語言)：disp(′*****歡迎使用*****′)disp(′請輸入訓(xùn)練次數(shù)′)T=input(′′)disp(′請輸入步長參數(shù)′)l=input(′′)disp(′請輸入所加噪聲方差參數(shù)′)m=input(′′)t=0∶1∶63x=sin(t*2*pi/64)plot(t,x)第49頁，課件共90頁，創(chuàng)作于2023年2月gridx=［x,-1］k=0x1=0fort=1∶1∶63if(t＜=16)x1=［x1,t/16］elseif(t＜=48)x1=［x1,2-t/16］elsex1=［x1,-4+t/16］endk=［k,t］;endplot(k,x1)第50頁，課件共90頁，創(chuàng)作于2023年2月x1=［x1,-1］w=rand(1,65)q=10000;q0=0;k=0fori=0∶1∶Tk=［k,i］;d=w*x′e=1-dq2=qq=e*e′w=w+(e*1)*xd1=w*x1′e1=-d1第51頁，課件共90頁，創(chuàng)作于2023年2月w=w+(e1*1)*x1q=q+e1*e1q0=［q0,q/2］subplot(212)hh=plot(k,q0)ifq2＜qbreak;endendiw*x′w*x1′xt=randn(1,65)第52頁，課件共90頁，創(chuàng)作于2023年2月xt1=m*x1+xxt2=m*xt+x1j=0∶64subplot(211)h1=plot(j,x1)gridsubplot(212)hh=plot(j,xt2)gridy1=w*xt1′y2=w*xt2′h=figure(1)set(h,′color′,［1,1,1］);h2=gca第53頁，課件共90頁，創(chuàng)作于2023年2月1.采樣部分圖7-18采樣所得正弦波和三角波第54頁，課件共90頁，創(chuàng)作于2023年2月

2.學(xué)習(xí)部分首先利用MATLAB中的rand()來產(chǎn)生滿足64維初始權(quán)值W(0)。按照(7-42)式和(7-43)式修正權(quán)向量，直到滿足要求為止。選擇不同步長α，比較誤差變化情況，最后確定較合理的步長α。

3.檢驗部分當(dāng)學(xué)習(xí)結(jié)束后，應(yīng)檢驗學(xué)習(xí)的正確性。此時給訓(xùn)練好的網(wǎng)絡(luò)輸入含有噪聲干擾的一系列正弦波和三角波信號，要求噪聲服從正態(tài)分布。檢驗網(wǎng)絡(luò)是否能恢復(fù)標(biāo)準(zhǔn)波形。若能很好地恢復(fù)標(biāo)準(zhǔn)波形，則說該網(wǎng)絡(luò)可消除正弦波和三角波中的噪聲干擾，達(dá)到濾波效果。第55頁，課件共90頁，創(chuàng)作于2023年2月四、實驗效果圖7-19加噪聲的正弦波第56頁，課件共90頁，創(chuàng)作于2023年2月圖7-20恢復(fù)正弦波第57頁，課件共90頁，創(chuàng)作于2023年2月7.4.4神經(jīng)網(wǎng)絡(luò)實現(xiàn)微弱信號提取一、問題提出在目標(biāo)跟蹤、多目標(biāo)檢測等許多工程領(lǐng)域，都涉及到從強的背景噪聲中提取弱信號的問題?；贐P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法的方法，可從寬帶背景噪聲中提取微弱有用信號。該方法對微弱信號的提取是在網(wǎng)絡(luò)節(jié)點連接權(quán)向量域進(jìn)行的，因此從根本上解決了對提取信號的頻率選擇問題。第58頁，課件共90頁，創(chuàng)作于2023年2月二、BP網(wǎng)絡(luò)權(quán)向量方法原理(BPWV:Back-PropagationWeightVector)圖7-21弱信號提取模型第59頁，課件共90頁，創(chuàng)作于2023年2月取背景噪聲的期望值mx作為期待響應(yīng)dk,即假設(shè)背景噪聲是平穩(wěn)的，則mx可用時間平均值近似估計。并假設(shè)弱信號出現(xiàn)之前，網(wǎng)絡(luò)學(xué)習(xí)過程已經(jīng)結(jié)束，即網(wǎng)絡(luò)連接權(quán)矩陣的期望值已收斂于由背景噪聲所確定的最佳權(quán)向量。于是有偏移權(quán)向量第60頁，課件共90頁，創(chuàng)作于2023年2月7.4.5基于神經(jīng)網(wǎng)絡(luò)的傳感器靜態(tài)誤差綜合修正法一、問題提出傳感器輸出特性大都為非線性，且常受各種環(huán)境因素影響，故存在多種誤差因素。這些誤差因素通常同時存在，相互關(guān)聯(lián)，若用一般方法對傳感器靜態(tài)誤差進(jìn)行綜合修正往往很困難。將神經(jīng)網(wǎng)絡(luò)用于傳感器靜態(tài)誤差的綜合修正，實驗證明會取得好的效果，說明此方法的可行性。第61頁，課件共90頁，創(chuàng)作于2023年2月二、用于傳感器靜態(tài)誤差綜合修正的前向神經(jīng)網(wǎng)絡(luò)圖7-22前向網(wǎng)絡(luò)第62頁，課件共90頁，創(chuàng)作于2023年2月采用BP網(wǎng)絡(luò)(參考圖7-22)，由輸出層開始逐層調(diào)整權(quán)值公式如下：對于輸出層對于隱層第63頁，課件共90頁，創(chuàng)作于2023年2月三、綜合修正方法圖7-23綜合修正原理框圖第64頁，課件共90頁，創(chuàng)作于2023年2月神經(jīng)網(wǎng)絡(luò)誤差修正方法的步驟描述如下：

(1)取傳感器原始實驗輸入輸出和相應(yīng)環(huán)境參量。

(2)將這些原始數(shù)據(jù)進(jìn)行歸一化處理，使輸入樣本在［0,1］之內(nèi)。

(3)初始化網(wǎng)絡(luò)，如確定輸入、輸出層單元數(shù)，修正因子η，慣性系數(shù)α等。

(4)訓(xùn)練網(wǎng)絡(luò)，直至滿足要求為止。第65頁，課件共90頁，創(chuàng)作于2023年2月四、實例分析表7-4實驗數(shù)據(jù)第66頁，課件共90頁，創(chuàng)作于2023年2月第67頁，課件共90頁，創(chuàng)作于2023年2月圖7-24修正后x、t、z關(guān)系第68頁，課件共90頁，創(chuàng)作于2023年2月7.4.6基于神經(jīng)網(wǎng)絡(luò)的三傳感器數(shù)據(jù)融合處理法

(消除兩個非目標(biāo)參量的影響)

1.概述傳感器靜態(tài)特性不僅受某一個環(huán)境參量的影響，即不只受一個非目標(biāo)參量的影響，有時甚至受多個非目標(biāo)參量的影響。如一個壓力傳感器，在輸入壓力P數(shù)值不變的情況下，當(dāng)工作溫度T變化以及供電電源波動γ都將引起傳感器輸出電壓U發(fā)生變化，則該壓力傳感器受兩個非目標(biāo)參量(T，γ)的影響。為了提高傳感器的穩(wěn)定性，消除兩個非目標(biāo)參量對傳感器輸入—輸出特性的影響，可采用多種智能化技術(shù)，如多維回歸分析法與神經(jīng)網(wǎng)絡(luò)法，這是兩種有效的融合處理方法。第69頁，課件共90頁，創(chuàng)作于2023年2月2.基于神經(jīng)網(wǎng)絡(luò)法的三傳感器數(shù)據(jù)融合原理圖7-25采用神經(jīng)網(wǎng)絡(luò)進(jìn)行三傳感器數(shù)據(jù)融合的智能壓力傳感器系統(tǒng)框圖第70頁，課件共90頁，創(chuàng)作于2023年2月圖7-26傳感器模塊電路原理圖第71頁，課件共90頁，創(chuàng)作于2023年2月

(1)壓力傳感器：這里的壓力傳感器采用的是CYJ-101型壓阻式壓力傳感器，對應(yīng)被測壓力P(目標(biāo)參量)輸出電壓U。一個理想的壓力傳感器，其輸出U應(yīng)為輸入P的一元單值函數(shù)，即U=f(P)

其反函數(shù)為P=f-1(U)

但是，該傳感器受工作溫度T與供電電源波動γ的影響，其輸出電壓U將發(fā)生變化，實際上是一個三元函數(shù)，即U=f(P,T,γ)第72頁，課件共90頁，創(chuàng)作于2023年2月

(2)溫度傳感器：溫度傳感器將工作溫度T轉(zhuǎn)換為電壓信號Ut,如圖7-26。采用恒流源供電的壓力傳感器，其供電端(AC兩端)電壓UAC即為Ut。

(3)電流傳感器：電流傳感器將電流信號I轉(zhuǎn)換為電壓信號UI,如圖7-26。采用標(biāo)準(zhǔn)恒定電阻RN與壓力傳感器相串聯(lián)，RN兩端電壓UI為UI=IRN則供電電源波動γ為第73頁，課件共90頁，創(chuàng)作于2023年2月

2)神經(jīng)網(wǎng)絡(luò)模塊神經(jīng)網(wǎng)絡(luò)模塊是由軟件編程實現(xiàn)的一種BP網(wǎng)絡(luò)算法。其三個輸入量X1、X2、X3分別為U、Ut、γ，輸出量為P′。P′亦是智能壓力傳感器系統(tǒng)的總輸出量?？傒敵隽縋′有兩個特點：

(1)P′僅為被測壓力P的單值函數(shù)，這樣就消除了工作溫度和供電電源波動兩個非目標(biāo)參量的影響。

(2)在工作溫度和供電電源同時波動情況下，要求系統(tǒng)輸出P′以某個允許偏差逼近被測目標(biāo)參量P，從而實現(xiàn)了系統(tǒng)測量目標(biāo)參量P的目的。要實現(xiàn)上述要求，需對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練樣本由三維標(biāo)定實驗數(shù)據(jù)來提供。第74頁，課件共90頁，創(chuàng)作于2023年2月

3.樣本庫的建立

1)三維標(biāo)定實驗在不同工作溫度T(=21.5℃,44.0℃,70.0℃),令電源電流波動分別為=3%,-1%,-3%條件下，對CYJ-101型壓力傳感器的靜態(tài)輸入(P)—輸出(U)特性進(jìn)行標(biāo)定。實驗標(biāo)定數(shù)據(jù)列于表7-5。第75頁，課件共90頁，創(chuàng)作于2023年2月表7-5不同工作溫度及供電電源波動下傳感器輸入輸出標(biāo)定值第76頁，課件共90頁，創(chuàng)作于2023年2月2)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的歸一化表7-6神經(jīng)網(wǎng)絡(luò)輸入輸出標(biāo)準(zhǔn)樣本庫第77頁，課件共90頁，創(chuàng)作于2023年2月式中:——第m個樣本神經(jīng)網(wǎng)絡(luò)輸入、輸出歸一化值；Xim、Pm——第m個樣本第i個傳感器的輸入、輸出標(biāo)定值；Ximax、Ximin——第i個傳感器輸出最大、最小標(biāo)定值。(7-53)(7-52)第78頁，課件共90頁，創(chuàng)作于2023年2月如T=21.5℃且當(dāng)i=1時，X1max=Umax=100.12mV,X1min=0；當(dāng)i=2時，X2max=Utmax=290.5mV,X2min=184.4mV;

又如T=70.0℃且當(dāng)i=1時，X1max=Umax=78.57mV,X1min=0；當(dāng)i=2時，X2max=Utmax=826.1mV,X2min=669.3mV。Pmax=5×104Pa、Pmin=0為被測壓力最大、最小標(biāo)定值。第79頁，課件共90頁，創(chuàng)作于2023年2月計算舉例：計算m=4的輸入輸出歸一化數(shù)值P4,Xi4=(X14X24X34)。當(dāng)i=1時，X1max=Umax=100.12mV,X1min=0.00mV,X14=62.72mV,則由(7-52)式求得X14=0.626;

當(dāng)i=2時，X2max=Utmax=290.5mV,X1min=184.4mV,X24=224.5mV,則由(7-52)式求得X24=0.378;

當(dāng)i=3時，γ已是無量綱數(shù)值，且在-1與1之間，不必再作歸一化，即X34=γ=0.03。

P4=3.0×104Pa時，由(7-53)式求得P34=0.59。第80頁，課件共90頁，創(chuàng)作于2023年2月4.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及其結(jié)構(gòu)的確定圖7-27多層感知機前向神經(jīng)網(wǎng)絡(luò)第81頁，課件共90頁，創(chuàng)作于2023年2月圖中i、j和k分別是輸入層、隱層和輸出層神經(jīng)元序號。同一層內(nèi)各神經(jīng)元互不相連，相鄰層之間的神經(jīng)元通過連接權(quán)值Wji、Wkj相聯(lián)系。Wji為輸入層與隱層之間的連接權(quán)值；Wkj為隱層與輸出層之間的連接權(quán)值。本例中選輸入層結(jié)點數(shù)為3，輸出層結(jié)點數(shù)為1，故i=1,2,3，

k=1；隱層結(jié)點數(shù)j=1,2,…，l。l值根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果而定。采用誤差反向傳播算法(BP算法)，其目標(biāo)是使神經(jīng)網(wǎng)絡(luò)輸出y=P′(本例中稱為被測壓力融合值)，與壓力傳感器系統(tǒng)目標(biāo)參量的標(biāo)定值之間的均方差e為最小，即第82頁，課件共90頁，創(chuàng)作于2023年2月圖7-28BP網(wǎng)絡(luò)訓(xùn)練過程及算法流程第83頁，課件共90頁，創(chuàng)作于2023年2月

(1)網(wǎng)絡(luò)初始化。隨機設(shè)定連接權(quán)值Wji、Wkj,與閾值θj及θk的初始值。設(shè)定隱結(jié)點數(shù)l、步長η及勢態(tài)因子α;(2)向具有上述初始值的神經(jīng)網(wǎng)絡(luò)按輸入模式提供樣本數(shù)據(jù)。本例為三維矢量X=(X1X2X3)。如樣本m=1，輸入模式為X=(0.001.000.03)。

(3)計算隱層單元輸出值f(Sj