神經模糊控制在SAW壓力傳感器溫度補償中的應用

　　引言
　　
　　聲表面波（SAW）技術是一門新興熱門研究課題之一，國內外已有溫度、壓力、加速度等傳感器的相關報道。SAW壓力傳感器借助于它無以倫比的性能，諸如：1）數字號輸出;2）高靈敏度、高分辨力、抗*力強;3）易于大規模集成。正是由于這些自身的*性，它有著廣泛的應用領域。但美中不足的是SAW壓力傳感器對環境的要求比較苛刻，SAW振蕩器輸出頻率信號隨著壓力、溫度、磁場等外界因素變化而變化，特別是溫度的影響是測量誤差的主要來源，為保證SAW壓力傳感器高準確度和高靈敏度測量，必須進行有效的溫度補償。本文將神經網絡和模糊控制技術相結合，對SAW壓力傳感器進行智能化溫度補償，通過此方法進行的改進，使SAW壓力傳感器能更好地應用到工程領域。
　　
　　1、溫度補償方案
　　
　　在傳統的溫度補償中，例如：硬件補償和軟件補償2種方法。但存在著補償電路漂移、局部*、精度不夠等缺點，無法滿足SAW壓力傳感器補償要求。鑒于此種情況，本文采用了神經模糊控制方法，對SAW壓力傳感器進行智能溫度補償。
　　
　　神經模糊控制是一種用神經網絡實現的模糊控制的方法。在形式結構上是用多點網絡實現的模糊映射。而神經網絡的非線性和可訓練性說明它可以實現任何一種映射關系。因此，本文利用神經網絡對知識的表達機理，通過學習訓練，實現控制規則基記，從而實現模糊輸入-模糊輸出的映射。神經模糊控制對SAW壓力傳感器溫度-壓力補償模型見圖1。　　
　　在SAW壓力傳感器后面接神經模糊控制器，把傳感溫度T作為輸入，則神經模糊控制器能直接輸出被測量。
　　
　　2、實現控制規則的神經網絡
　　
　　在一般情況下，模糊控制的推理功能是在隸屬函數不變的條件下進行的。在實際運用當中是隨時間的改變而改變的。為了彌補單一模糊控制技術這種不足，特采用神經網絡的學習功能進行隸屬度的調節，實現自動調節功能，以適應實際的需要。本文用含一個隱含層的三層前饋神經網絡，模型如圖2。　　
　　其中，p為輸入矢量，R為輸入矢量維數，S1為隱含層神經元個數，S2為輸出層神經元個數，W1為隱含層神經元權值矩陣，W2為輸出層權值矩陣，b1為隱含層神經元閥值，b2為隱含層神經元閥值，n1為隱含層輸入節點，n2為輸出層節點。f1為S型函數，f2為purelin型函數。神經網絡算法是用于前饋多層網絡的學習算法。如果輸出不能得到期望的輸出，則轉入后向傳播。通過誤差的后向傳播調整各層之間的權系數。反復輸入樣本序列，直至權系數不在改變為止，輸出誤差在規定的范圍之內。算法采用如下改進：1）采用模擬退火法以克服局部zui小;2）用奇函數作激勵函數和傳播過程中采用新誤差傳播因子完善該算法收斂性問題。
　　
　　鑒于BP神經網絡訓練過程需要對所有權值和閥值進行修正，是一種全局逼近神經網絡，但訓練速度較慢，不適用實時性較強場合，故采取了局部逼近網絡——徑向基網絡。算法訓練關系式如下：
　　
　　節點輸出為　　
　　式中a1為節點輸出;b為神經元閥值;Wij為接點連接權值;f為傳遞函數。
　　
　　權值修正　　
　　式中z為新學習因子;h為動量因子;Ej為計算誤差。
　　
　　誤差計算　　
　　式中tPI為i節點期望輸出值;aPI為i節點計算輸出值。
　　
　　由于神經網絡的神經元個數不確定性，經大量數據的實驗驗證，本文選取輸入層有2個神經元，隱含層有4個神經元。輸出層只有1個神經元。采用只有1個隱含層的三層網絡對控制基進行學習記憶。把每條控制規則作為神經網絡的樣本進行訓練學習，從而能實現這個規則基的神經網絡權系數。
　　
　　基于神經網絡在推理方面不足，故借助于模糊控制強大的推理功能，提取有效的條件語句，進而加快網絡的訓練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大（L），中（M），小（S），創立描述條件推理表格如表1。　　
　　橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據表中數據，可知共有3×3種推理語句，采用推理法將條件語句表簡化得出以下4條語句：　　
　　將產生貢獻的語句選出，可能存在的個數為20，21，…，2n。這樣，減少了冗余的推理語句，有利于網絡訓練速度的快速進行。
　　
　　3、仿真與應用
　　
　　現在礦井下事故頻繁發生，用AE聲發射預測瓦斯突發是非接觸測量一種趨勢，由于環境條件限制，用SAW壓力傳感器作為接收聲發射信號的傳感器，就必須保證測量信號的高準確性和智能性特點，而用神經模糊控制對溫度進行了智能補償，加上*的封裝技術，可使SAW在實際的瓦斯預測測量中發揮巨大作用。通過實驗驗證，此種方法可行。在MATLAB6.0環境下進行神經網絡的訓練和仿真，通過神經網絡工具箱，編制相應的仿真訓練程序，實現仿真過程。在仿真時，隨機選取幾組頻率-溫度作為輸入，zui后，進行標定壓力值和仿真結果的比較。仿真數據結果如表2。　　
　　實際中，溫度變化對SAW壓力傳感器的性能影響非常明顯，通過神經網絡的訓練，訓練的頻率和誤差在規定范圍內，其zui大誤差僅為1%，BP算法的仿真結果和實際測量值吻合。
　　
　　4、結論
　　
　　本文提出采用神經迷糊控制技術對SAW壓力傳感器進行有效的溫度補償，使SAW壓力傳感器在實際的應用中能更加準確地對被測對象進行壓力測量，并且，采用神經網絡構成控制器，信息處理采用模糊量的近似推理，將神經網絡技術和模控制技術相結合，實現SAW壓力傳感器溫度補償的智能化，為SAW壓力傳感器實際應用奠定了基礎。