基于BP神经网络的一种传感器温度补偿方法
1．2 BP神经网络算法
1986年Rumelhart，Hinton和Willians完整而简明地提出一种ANN的误差反相传播训练算法(简称BP算法)。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP网络和它的变形形式，它也是前向网络的核心部分，并体现了人工神经网络最精华的部分。
BP神经网络由输入层、输出层和多层隐含层组成，只要隐含层中有足够数量的神经元，它就可以用来逼近几乎任何一个函数。事实上，研究已表明，两层网络在其隐含层中使用S形传输函数，在输出层中使用线性传输函数，就几乎可以以任意精度逼近任何函数。三层BP神经网络的结构图如图2所示，任意层的BP神经网络具有类似的结构。
在多层网络中，某一层的输出成为下一层的输入。描述此操作的等式为：
这里，M是网络的层数。多层网络的BP算法是LMS(Least Mean Square，最小均方)算法的推广。算法的输入是一个网络正确行为的样本集合：
这里pQ是网络的输入，tQ是对应的目标输出。每输入一个样本，便将网络输出与目标输出相比较。算法将调整网络参数以使均方误差最小化。每一步对参数的调节见式(7)(8)。
式(6)为均方误差的期望。这里，均方误差的期望值被第k次迭代的均方误差所代替。
这里α是学习速度。
1. 3 BP神经网络的构建和训练
用BP神经网络对硅压阻式传感器进行温度补偿的原理图如图3所示，在MatLab中创建的是一个1-10-2-1的BP网络。
用BP神经网络对硅压阻式传感器实现温度补偿分成两部分，如图3所示。其中，P表示输入的压力；y表示未经温度补偿的传感器输出；Vb表示传感器测量电路的桥路电压；y'表示经过温度补偿的传感器输出。
BP神经网络隐层由Log-Simoid层和线性层两层组成。也就是说隐层的函数分别为：
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
