基于BP神经网络的压力传感器数据融合

章 慧

(淮阴工学院计算机工程学院,淮安 223003)

基于BP神经网络的压力传感器数据融合

章 慧

(淮阴工学院计算机工程学院,淮安 223003)

多传感器数据融合问题已经引起许多学者的广泛关注.通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响还受多个非目标参量的影响.由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低.针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献资料后,经过研究,本文提出了基于电压门限值,通过对传感器输出电压值进行预处理,然后再利用BP神经网络对数据进行融合补偿的方法,提高其鲁棒性、容错性、实时性.

数据融合;BP神经网络;压力传感器

0 引 言

传感器的应用遍及工农业、交通、医疗卫生等各个领域和部门,已经成为生产自动化、计量、科学测试和检测诊断等系统不可缺少的基础环节.作为信息数据获取的工具,传感器特性的好坏、输出信息是否准确可靠对衡量系统的质量的好坏至关重要.但在实际生产中,通常传感器都存在交叉灵敏度,输出特性很容易受温度、噪声和电源波动等多种环境因素的影响,其静态特性不仅受某一个环境参量的影响,有时甚至受多个非目标参量的影响,造成传感器性能不稳定,测量准确度低.因此为了改善传感器的输出特性,从而提高系统的性能,必须消除各种非目标参量的影响.

针对温度、噪声和电源波动等多种环境因素对压力传感器输出电压值的影响这一问题,为了提高压力传感器的稳定性,消除温度、噪声对传感器输入-输出特性的影响,本文提出了一种基于电压门限值的方法,对传感器输出电压值进行预处理,然后采用BP神经网络方法对数据进行融合处理.并用对比试验结果表明,此方法能有效的提高压力传感器的检测性能.

1 数据融合数据结构

影响压力传感器的交叉灵敏度的主要因素是温度,本文应用BP神经网络进行多传感器的数据融合来减小温度对压力传感器的影响.此系统由传感器部分、数据预处理部分和神经网络数据融合部分三大部分组成.

图1给出了基于BP神经网络的压力传感器的温度补偿模型图,首先压力传感器和温度传感器获得的数据将会被送到预处理模块进行数据预处理,最后预处理后的数据将会通过神经网络模型进行数据融合操作,从而得到最佳结果.

图1 温度补偿模型图

2 数据融合传感器部分

数据融合系统的传感器部分由若干组压力传感器与温度传感器两类传感器组成,输出电压信号分别U和Ut,其中U为目标参量被测压力p的检测电压输出信号;Ut为非目标参量温度的检测电压输出信号.

系统使用的压力传感器将被测压力p转换为输出电压U.在理想的状态下,压力传感器的输出U应为输入p的一元单值函数:即U=f(p);但是这里的传感器会受工作温度 T的影响,因此其输出电压U产生变化,实际上是一个二元函数:即U=f(p,T).系统中的温度传感器将工作温度T转换为电压信号Ut.

3 传感器输出数据的预处理

对传感器的输出数据进行预处理可以滤除数据采集过程中所引入的干扰与噪声,提高信噪比;也可以消除输出信号的模糊与失真,人为地增强有用信号.因此,在用神经网络对采集数据进行融合之前,需要将传感器采集的数据进行一定的预处理,能使识别复杂度降低,使误差减小,从而提高数据融合系统的测量性能.目前,数据预处理的方法有很多种,我们在这里采用基于门限预处理与归一化方法进行数据预处理.

将温度传感器和压力传感器安装在检测样品的相同位置,以获得传感器的实时温度信息.采样对象为温度传感器的温度电压和压力传感器的输出电压.由于温度变化是一个慢过程,所以实验中采样周期设置为0.2 s,并假设在这个时间内温度是不发生变化的.假设整个测试的过程为5 min,那我们将得到1500个不同温度点的采样数据.对这些采样数据可用下面的矩阵进行描述.

其中am n表示第m个温度采样点时所对应的第n个压力传感器的输出电压值.

3.1 基于输出电压门限的预处理

首先选择采样数据的最大值:

那么定义电压门限值为:

其中η为确信系数,可根据信噪比来定,一般可选择0.7～0.9左右.

一般来说,大的η值增加压力传感器的误报率,小的η值降低了压力传感器反应的精度.不过,在初始的时候一般选择低的误报率,所以选择较小的η值.

将采样数据矩阵 Amn与门限T进行比较,并记录超过门限的采样值的序号:

其中,Ii代表amn的信息,则定义:

如果将Ii=0的电压信号去除,则剩下的集合:

即有k个正常值,剔除掉了那些可能因为传感器故障等引起的影响压力传感器正常输出的电压值.

3.2 归一化处理

由于BP神经网络隐含层采用的传递函数为对数S型函数和双曲线正切S型函数,它们的输出范围分别在(0,1)和(-1,1)之间,因此对网络进行训练前需要对数据进行归一化处理.

使用以下两个公式对Ii进行归一化处理:

4 基于BP神经网络的数据融合系统设计

在已经把传感器输出数据进行预处理之后,进入到信息融合是关键的一环,在此选用BP神经网络来完成数据融合.

BP神经网络是一种多层前向网络,由于3层的BP神经网络可以解决大多数问题因此在这里也采用3层网络结构,分别为输入层、输出层、隐含层.

激活函数采用双曲正切Sigmoid型函数.与正切函数或线性函数相比较,Sigmoid型函数更适合于系统的网络结构,因此选择一个神经元作为输出即可激活函数采用对数S型函数.该传输函数的输入在(-∞,+∞)之间取值,输出则在(0,1)之间取值,其数学表达式为:

y是Sigmoid函数的输出,x是函数的输入,p是用来控制函数形状的常数因子.

由于Sigmoid函数是可微的,所以它被广泛应用于BP神经网络.如图2所示:

图2 Sigmoid激发函数

根据神经网络的选取规则,神经网络的输入必须要尽可能的少,所以在选择输入量时必须要选择具有代表性的量,在此传感器数据融合系统中,系统可以检测到两类参数:关于压力的数据U和关于温度的数据Ut.输入层的神经元对应于压力电压值和温度电压值,并且系统在获得样本数据后,还需对样本数据进行标准化处理,以及为了防止某些量对网络状态影响较大和系统需要,将输入样本和输出样本值都映射到[0,1]区间内.

系统的输出层只有一个输出值,即最终的压力融合值,值域同样是在[0,1]区间内,最后需要经过一定的放大函数来进一步得到真实的压力值.

隐含层的神经元个数的初始值选择根据经验公式,隐含层只需要2(n)+1或n2+1个神经元,其中n是输入层神经元个数,在此系统中初始隐含层单元采用5个,但是由于相关确定隐含层的经验都不能保证隐含层数量的选取是正确的.所以,最佳值需要根据实验不断试错来得到.

结合上面的研究,BP神经网络的算法步骤为:

(1)初始化诊断网络的权值和偏置值.

(2)通过样本输入计算网络各层的输出矢量和均方误差.

(3)计算各层的误差敏感值,并进行反向传播,再更新各层神经元的权值和偏置值.

(4)通过更新的权值和偏置值再次计算新的均方误差.

(5)查看均方误差是否小于期望误差,如果是,训练结束;否则,转到步骤2,继续训练过程(BP神经网络训练流程图如图3所示).

图3 BP神经网络训练流程图

5 实验及分析

为了验证本文所提出方法的有效性,我们对压力传感器的温度补偿进行了实验.

首先在不同工作温度(t=21℃,42℃,56℃,78℃)时,对压力传感器的静态输入(P)和输出(U)特性进行标定.根据传感器标定数据等相关资料可以得知在此条件下输入、输出电压值,列于表1中,从表中我们可以发现在某些温度点出现了异常值.

表1 不同工作温度下传感器输入输出标定值

实验的时候分两种方法进行比较实验:

实验1:将t为21℃,42℃,78℃的输入输出标定值不做数据预处理,直接把标定值做归一化处理后作为系统的输入t为56℃的标定值作为系统检测用.输出数据见表2.

表2 试验1融合处理结果

实验2:将t为21℃,42℃,78℃的输入输出标定值首先做基于门限电压值预处理,然后把预处理的标定值做归一化处理,最后才把归一化的值作为网络的输入,t为56℃的标定值仍作为网络检测用.选用三层(即输入层、隐含层、输出层)BP网络对网络进行训练.经BP神经网络融合处理后的输出数据见表3.

表3 实验2融合处理结果

接下来我们把试验一和实验二中融合数据的最大偏差max｜△P｜分别进行比较,比较的结果见表4:

表4 实验1与实验2融合结果比较表

从表4的对比分析可以得到,数据经过基于门限电压值预处理后,经过BP神经网络数据融合结果的偏差值明显要小,效果更好.

[1]Sasiadek J Z.Sensor Fusion[J].Annual Reviews in Control,2002,26(26):203-228.

[2]Megalooikonomou V,Yesha Y.Space Efficient Quantization for Distributed Estimation by a Multi--sensor Fusion System[J].Information Fusion,2004,5(5):299-308.

[3]赵望达,刘勇求.基于RBF神经网络提高压力传感器精度的新方法[J].传感技术学报,2008(12):640-642.

[4]戴志锋,李元香.一种无线传感网络信息处理的层次型智能方法[J],计算机工程,2007(5):58-60.

[5]邵 军,刘君华.利用BP神经网络提高光纤光栅压力传感器的选择性[J].传感技术学报,2007(7):1531-1534.

[6]翟建设,李 娜,吴 青.基于分簇的无线传感器网络簇内数据融合算法[J].计算机工程,2008,34(11):134-136.

Data Fusion of Pressure Sensor Based on BP Neural Network

ZHANG Hui
(School of Computer Engineering,Huaiyin Institute of Technology,Huaian 223003,China)

T he problem of multi-sensor data fusion has attracted the attention of many scholars.The crosssensitivity always exists in the pressure sensor,whose static characteristics are not only subjected to the variety of target parameters but also affected by a number of non-target parameters.T he sensor outputs are determined by the corresponding parameters which results in unstable performance and accuracy.Some environmental factors such as temperature,noise and power supply fluctuations will affect the output voltage of the pressure sensor.After we read a large number of references,this paper proposes a novel approach,which makes use of BP neural network tool to solve the data fusion compensation problem based on the voltage threshold and some sensor output voltage preprocessed method.This new method improves the performance of robustness,fault tolerance and real-time.

data fusion;BP neural network;pressure sensor

TP212

A

1671-119X(2011)01-0055-04

2010-10-13

国家自然科学基金资助项目(60973113);教育部重点科研资助项目(208098);淮安市科技局2010年科技支撑计划资助项目(HAG2010069)

章 慧(1970-),女,硕士,副教授,研究方向:计算机网络、银行数据处理、数据挖掘理论.