神經(jīng)模糊控制在SAW壓力傳感器溫度補償中的應用

0 引 言

聲表面波(SAW)技術(shù)是一門新興熱門研究課題之一，國內(nèi)外已有溫度、壓力、加速度等傳感器的相關(guān)報道。SAW壓力傳感器借助于它無以倫比的性能，諸如：1)數(shù)字號輸出;2)高靈敏度、高分辨力、抗干擾能力強;3)易于大規(guī)模集成。正是由于這些自身的優(yōu)越性，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(huán)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(jīng)網(wǎng)絡和模糊控制技術(shù)相結(jié)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(tǒng)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、局部最優(yōu)、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(jīng)模糊控制方法，對SAW壓力傳感器進行智能溫度補償。

神經(jīng)模糊控制是一種用神經(jīng)網(wǎng)絡實現(xiàn)的模糊控制的方法。在形式結(jié)構(gòu)上是用多點網(wǎng)絡實現(xiàn)的模糊映射。而神經(jīng)網(wǎng)絡的非線性和可訓練性說明它可以實現(xiàn)任何一種映射關(guān)系。因此，本文利用神經(jīng)網(wǎng)絡對知識的表達機理，通過學習訓練，實現(xiàn)控制規(guī)則基記，從而實現(xiàn)模糊輸入-模糊輸出的映射。神經(jīng)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(jīng)模糊控制器，把傳感溫度T作為輸入，則神經(jīng)模糊控制器能直接輸出被測量。

2 實現(xiàn)控制規(guī)則的神經(jīng)網(wǎng)絡

在一般情況下，模糊控制的推理功能是在隸屬函數(shù)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(shù)這種不足，特采用神經(jīng)網(wǎng)絡的學習功能進行隸屬度的調(diào)節(jié)，實現(xiàn)自動調(diào)節(jié)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(jīng)網(wǎng)絡，模型如圖2。

其中，p為輸入矢量，R為輸入矢量維數(shù)，S1為隱含層神經(jīng)元個數(shù)，S2為輸出層神經(jīng)元個數(shù)，W1為隱含層神經(jīng)元權(quán)值矩陣，W2為輸出層權(quán)值矩陣，b1為隱含層神經(jīng)元閥值，b2為隱含層神經(jīng)元閥值，n1為隱含層輸入節(jié)點，n2為輸出層節(jié)點。f1為S型函數(shù)，f2為purelin型函數(shù)。神經(jīng)網(wǎng)絡算法是用于前饋多層網(wǎng)絡的學習算法。如果輸出不能得到期望的輸出，則轉(zhuǎn)入后向傳播。通過誤差的后向傳播調(diào)整各層之間的權(quán)系數(shù)。反復輸入樣本序列，直至權(quán)系數(shù)不在改變?yōu)橹?，輸出誤差在規(guī)定的范圍之內(nèi)。算法采用如下改進：1)采用模擬退火法以克服局部最小;2)用奇函數(shù)作激勵函數(shù)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。