基于BP和RBF神经网络的新型融合技术研究

费 晶，李赵兴

（榆林学院 陕西 榆林 719000）

基于BP和RBF神经网络的新型融合技术研究

费 晶，李赵兴

（榆林学院 陕西 榆林 719000）

为了提高融合技术的精度，本文以JCY-120压力传感器构建的一套测量系统为例，提出了一种基于BP，RBF神经网络进行训练消除交叉敏感的实验方案，该实验利用压力传感器得到的交叉敏感的数据，采用BP和RBF网络进行训练和测试。最后进行实验，实验结果表明该方法在利用神经网络进行新型融合技术方面，能够提高数据融合的精度。

压力传感器；交叉敏感；人工神经网络；BP；RBF

传感器技术是现代测量和自动化系统的重要技术之一，目前所用的压力传感器有电阻应变片压力传感器、半导体应变片压力传感器、压阻式压力传感器、电感式压力传感器、电容式压力传感器、谐振式压力传感器及电容式加速度传感器等。但应用最为广泛的是压阻式压力传感器，它有交叉敏感的存在，这给系统的测量带来了较大的误差。现有的消除交叉敏感的方法有补偿法，最小二乘法，回归分析法等，后来出现的神经网络方法提出了新的思路。本文将针对具体的压力传感器数据进行数据融合，消除交叉敏感，并对结果进行了比较。

1 压力传感器系统的组建

为了测量压力传感器的数据，并且对测量的数据进行数据融合，在此引用了一个基于JCY-120压阻式压力传感器的测量系统。活塞压力计的压力变化通过压力传感器转化为电流信号传送到传感器测试电路，测试电路使用可变电阻调整，使之始终在恒流条件下，电流用电流表监控，并且对电流值进行监控，这个也将作为系统的一个期望融合结果出现。测得的电压信号通过应变放大器，送到数据采集卡上，然后用虚拟电压表读出数据。

JCY-120压阻式压力传感器的结构原理如图1所示。

图1 JCY-120压阻式压力传感器原理图Fig.1 Schematic diagram of JCY-120 piezoresistive pressure sensor

构建系统时需要为压阻式压力传感器提供供电回路，具体如图2所示。

图2 压阻式压力传感器供电回路Fig.2 Power supply of piezoresistive pressure transducer

2 数据融合

2.1 传感器的交叉敏感

常规的经典传感器都存在交叉灵敏度，表现在传感器的输出值不只决定一个标称的目标参量，当其它非目标参量变化时，其输出值也随之发生变化。如压力传感器，其目标参量压力恒定，而环境温度T或供电电压U/电流I等参量变化时，其输出值也发生变化，则压力传感器就存在对环境温度或供电电压/电流的交叉灵敏度。也就是说，经典压力传感器的标成参量压力P不是传感器输出电压U的一元函数，而是与非目标参量温度T，供电电流I等参量有关的多元函数，即：

常规做法却是将压力传感器的输入压力P与输出电压U的关系作为一元函数处理，即：

2.2 传感器数据融合算法

数据融合又称信息融合或多传感器数据融合[1]。其定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。

多传感器数据融合[2]技术充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。

利用多个传感器所获取的关于对象和环境全面、完整的信息，主要体现在融合算法上，因此多传感器系统的核心问题是选择合适的融合算法[3]，多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法等；而人工智能类则有模糊逻辑理论、神经网络[4]、粗集理论、专家系统等。本文使用的主要是神经网络的方法。

人工神经网络法是接近人类大脑思维方法的一种算法，它通过大量简单的处理单元即神经元广泛地互为连接而形成复杂的网络系统，目前最为成功应用的神经网络结构是前馈神经网络，它可以通过学习而掌握经验，将“知识”或“经验”以网络神经元连接权的形式反映出，前馈神经网络的学习算法通常采用反向来，从而对未知样本做出判别，反向传播算法(Back-Propagation)，简称B-P算法，因此这种网络也称为B-P网络。而径向基网络（RBF）是一种新型的神经网络，它在学习过程中可以自动调整隐藏层节点数，而且有着比BP[5]更快的收敛速度。本文通过BP和RBF两个网络，分别对同一组压力传感器数据进行辨识验证。

3 数据处理

3.1 基于BP网络的数据融合

表1 BP网络结构的测试Tab.1 BP Network configuration

通过上述表格比较后发现第九项误差最小，最终确定最佳的网络参数如下：

隐层响应函数：logsig

输出层响应函数：purelin

隐层节点数6

训练次数：1 000

目标方差：0

训练函数：trainlm

将这样一个网络利用训练面板进行训练得到的误差曲线如图3所示。

图3 BP训练误差曲线Fig.3 Error curve of BP training

网络测试的输出如表2所示。

接下来要计算误差，采用了均方根值对检验样本输出值进行误差评价，使用Matlab的mse函数，可计算出检验样本的均方根误差为：Perf=1.685 2×10-6

3.2 基于RBF网络的数据融合

RBF网络[6]的建立过程即是网络的训练过程，它训练时可以自动调节网络的隐层节点数，当误差达不到要求时它会自动将隐层节点加一重新训练。SPREAD叫扩展常数，是RBF网络的一个重要参数。通过改变它的大小即可以获得不一样的网络。故与BP网络相比，RBF的参数设置比较简单，只需改变网络建立函数和扩展常数就可以了。

表2 BP网络测试输出数据Tab.2 Output data of BP network tes

表3 RBF网络结构的测试Tab.3 RBF Network configuration

采用newrbe建立一个准确的RBF网络时发现其对压力的辨识误差很大，不符合设计的要求，故采用了newrb函数，经过比较，当SPREAD=1时误差最小，但经过后期测试，SPRAED=6时数据最准确。最终建立的最佳网络如下：

网络训练次数：默认

网络隐藏层最点数：默认（25）

每次显示间隔数：1

SPRAED：6

训练目标：默认（0）

训练之后误差曲线如图4所示。

图4 RBF训练误差曲线Fig.4 Error curve of RBF training

表4 RBF网络的训练结果Tab.4 Result of RBF training

训练结果为如表4所示。第一行为压力辨识数据，第二行为电流的融合值。对每 一个辨识值计算偏差后可以得表3～5所示的误差结果。

表5 RBF网络的训练误差Tab.5 Error curve of RBF training

4 结论

通过实验表明人工神经网络以其非线性映射能力、高容错性和鲁棒性，有助于解决传感器普遍存在的交叉敏感问题，有助于检测精度的提高，反向传播(BP)神经网络和径向基函数(RBF)神经网络可以提高数据融合的精度。

[1]谷立臣.多传感器信息融合中的关联特性研究[J].机械工程学报,2000(4):53-57.

GU Li-chen.Research related characteristics of the multisensor information fusion [J].Journal of Mechanical Engineering,2000(4):53-57.

[2]黎果,李志蜀，李奇，等.基于神经网络的多传感器融合技术研究[J].微计算机信息,2009,25(16):145-147.

LI Guo,LI Zhi-shu,LI Qi,et al.The Study of Multi Sensor Fusion Technology Based on the NeuralNetwork [J].Microcomputer Information,2009,25(16):145-147.

[3]邓睿,胡志勇.数据融合发展的综述[J].连云港师范专科学校学报,2005(4):75-78.

DENG Rui,HU Zhi-yong.Survey ofDevelopmentof Multisensor Information Fusion[J].Journal of Lianyungang Teachers College,2005(4):75-78.

[4]魏海坤,徐嗣鑫,宋文忠.神经网络的泛化理论和泛化方法[J].自动化学报,2001,27(6):806-815.

WEI Hai-kun,XU Si-xin,SONG Wen-zhong.Generalization theory and generalization methods for neural networks[J].Acta Automatica Sinica,2001,27(6):806-815.

[5]叶健,葛林东,吴月娴.一种优化的RBF神经网络在调制识别中的应用[J].自动化学报,2007,33(6):652-654.

YE Jian,GE Lin-dong,WU Yue-xian.An Application of Improved RBF Neural Network in Modulation Recognition[J].Acta Automatica Sinica.2007,33(6):652-654.

[6]周观民,李荣会.基于神经网络的传感器网络数据融合技术研究[J].计算机仿真,2011,28(10):118-120.

ZHOU Guan-ming,LI Rong-hui.Sensor Network Based on NeuralNetwork Data Fusion Technology[J].Computer Simulation,2011,28(10):118-120.

The study on new data fusion technology based on BP and RBF neural network

FEI Jing,LI Zhao-xing
（Yulin University,Yulin 719000,China）

To enhance the precision of the fusion?technology,taking a measurement system as an example which is based on JCY–120 Pressure Sensor,this article proposes an experimental scheme which uses BP and RBF neural network to train thus achieves the aim of eliminating cross-sensitivity.The experiment takes use of the cross sensitive data obtained from the pressure sensor,and adopts BP and RBF network to train and test.The final experiment result shows that the proposed scheme in using neural network to the new date fusion technology could enhance the precision of data fusion.

pressure sensor;cross-sensitivity;artificial neural networks;BP;RBF

TN711

A

1674-6236（2014）17-096-03

2014-04-14 稿件编号：201404139

榆林市科技计划项目(Gy13-15)

费 晶（1982—），女，陕西榆林人，硕士。研究方向：软件工程、自动化。