神經(jīng)網(wǎng)絡(luò)在傳感信號(hào)處理中的應(yīng)用

1、 神經(jīng)網(wǎng)絡(luò)在傳感信號(hào)處理中的應(yīng)用一、基本原理神經(jīng)網(wǎng)絡(luò)是一種不需要選取基函數(shù)系的非線性函數(shù)逼近方法。本文利用神經(jīng)網(wǎng)絡(luò)的高度非線性描述能力, 實(shí)現(xiàn)傳感信號(hào)的處理。由于神經(jīng)網(wǎng)絡(luò)是根據(jù)對(duì)象的輸入2輸出信息, 不斷地對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行學(xué)習(xí), 以實(shí)現(xiàn)從輸入?yún)?shù)到輸出參數(shù)的非線性映射; 還可以根據(jù)來(lái)自機(jī)理模型和實(shí)際運(yùn)行對(duì)象的新數(shù)據(jù)樣本進(jìn)行自適應(yīng)學(xué)習(xí), 尤其是通過(guò)不斷的實(shí)時(shí)學(xué)習(xí), 可以適應(yīng)對(duì)象參數(shù)的緩慢變化。因此, 這種方法克服了機(jī)理建模所存在的困難。神經(jīng)網(wǎng)絡(luò)可以完成大量的信息處理任務(wù), 其應(yīng)用涉及相當(dāng)廣泛的領(lǐng)域。歸納起來(lái), 神經(jīng)網(wǎng)絡(luò)的信息處理任務(wù)主要包括:(1) 數(shù)學(xué)上的映射逼近。開發(fā)一種合適的函數(shù)f :A &

2、lt; Rn B < Rn ,以自組織的方式響應(yīng)以下的樣本集:( x1 , y1) , ( x2 , y2) , , ( xl , yl) (這里yi = f ( xi) 或yi =f ( xi) + n0 , (其中n0 為噪聲) ) 。象識(shí)別和分類等計(jì)算都可以抽象成這樣的一種近似的數(shù)學(xué)映射。(2) 聯(lián)想記憶。是指實(shí)現(xiàn)模式完善、恢復(fù)相關(guān)模式的相互回憶等。神經(jīng)網(wǎng)絡(luò)的信息分布式存儲(chǔ)于連接權(quán)系數(shù)中, 使網(wǎng)絡(luò)具有很高的容錯(cuò)性和魯棒性, 而模式識(shí)別中往往存在噪聲干擾或輸入模式的部分損失,網(wǎng)絡(luò)的這一特點(diǎn)使其成功地用于模式識(shí)別問(wèn)題。將神經(jīng)網(wǎng)絡(luò)應(yīng)用到傳感信號(hào)處理涉及到兩個(gè)重要的問(wèn)題: 模式預(yù)處理變換和

3、模式識(shí)別。預(yù)處理變換是指接受一種形式模式, 應(yīng)用神經(jīng)網(wǎng)絡(luò)把它轉(zhuǎn)換為更多想要或可用形式的模式; 而模式識(shí)別則是把一模式映射到其它類型或類別的操作。可見, 神經(jīng)網(wǎng)絡(luò)在傳感信號(hào)處理應(yīng)用的基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力, 并利用這一能力對(duì)傳感器進(jìn)行建模。已有許多文獻(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力進(jìn)行了研究, 而基于神經(jīng)網(wǎng)絡(luò)的傳感系統(tǒng)的建模有直接逆系統(tǒng)建模法、正2逆系統(tǒng)建模法、逆2逆系統(tǒng)建模法。直接逆系統(tǒng)建模法是指:采用不同的設(shè)定信號(hào)ud輸入給未知傳感器,測(cè)量其相應(yīng)的輸出y ,以u(píng)d 和y來(lái)訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò),使這個(gè)網(wǎng)絡(luò)把未知傳感器的輸出y 作為網(wǎng)絡(luò)輸入時(shí),網(wǎng)絡(luò)的輸出u 正好等于未知傳感器的輸入ud 。這時(shí)誤差u

4、2ud 可作為網(wǎng)絡(luò)的訓(xùn)練。正2逆系統(tǒng)建模法是指: 在未知傳感器的動(dòng)力學(xué)系統(tǒng)(正) 模型的基礎(chǔ)上建立逆動(dòng)力學(xué)模型。有三種不同學(xué)習(xí)法: 傳感器2逆系統(tǒng)學(xué)習(xí)法。即直接利用設(shè)定給逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的期望輸入和未知傳感器的實(shí)_際輸入之差來(lái)調(diào)節(jié)網(wǎng)絡(luò)的權(quán)重。這種方法在整體誤差的基礎(chǔ)上調(diào)節(jié)網(wǎng)絡(luò)權(quán)值時(shí), 必須知道傳感器的模型。正模型2逆系統(tǒng)學(xué)習(xí)法。首先用一個(gè)神經(jīng)網(wǎng)絡(luò)建立起傳感器的(未知的) 數(shù)學(xué)模型。利用設(shè)定給逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的期望輸入和傳感器正的神經(jīng)網(wǎng)絡(luò)模型的輸出之差來(lái)調(diào)節(jié)逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的權(quán)值。缺點(diǎn)是逆系統(tǒng)模型的準(zhǔn)確度直接與新建立的正模型精度有關(guān)。傳感器2正模型2逆系統(tǒng)學(xué)習(xí)法。這種方法避免了的缺點(diǎn), 學(xué)習(xí)框架則以為

5、基礎(chǔ)。即直接利用設(shè)定給逆模型的期望輸入和傳感器的輸出之差調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值。逆2逆系統(tǒng)建模法是指: 由兩個(gè)逆系統(tǒng)模型和未知傳感器一起構(gòu)成學(xué)習(xí)回路。在正通道上有神經(jīng)網(wǎng)絡(luò)控制器, 它控制傳感器使之復(fù)現(xiàn)網(wǎng)絡(luò)的輸入。當(dāng)然該方法需要事先已知傳感器的逆動(dòng)力學(xué)模型。二、應(yīng)用舉例1.非線性校正在非電量電測(cè)技術(shù)中廣泛使用著各類傳感器, 他們用來(lái)將非電量轉(zhuǎn)化為電量。大多數(shù)傳感器的輸出特性是非線性的, 這是由于其轉(zhuǎn)換原理為非線性的。為了使傳感器在整個(gè)測(cè)量范圍內(nèi)的靈敏度是一個(gè)常數(shù),即傳感器的輸入2輸出特性是一條直線, 在傳統(tǒng)的模擬指示儀表中常采用三種方法: 1) 縮小測(cè)量范圍,取近似值; 2) 采用非線性指示刻度; 3)

6、 加入非線性校正環(huán)節(jié)。但隨著測(cè)量范圍不斷擴(kuò)大, 對(duì)測(cè)量準(zhǔn)確度的要求不斷提高, 上述這些方法可能失去其使用價(jià)值。例如, 外旋轉(zhuǎn)式濃度傳感器的輸入2輸出特性存在著明顯的非線性, 可以用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)其特性的校正。圖1 是用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)非線性校正的原理。假設(shè)傳感器具有非線性輸入2輸出特性y = f( x) , 為了實(shí)現(xiàn)非線性誤差的校正, 可使傳感器的輸出y 通過(guò)校正用神經(jīng)網(wǎng)絡(luò)。取該環(huán)節(jié)的特性為xest =F ( y ) , 如果令F ( y ) = f21 ( y ) , 則有xest = f21( y) = x 。所以只要知道特性f21 (·) 即可消除傳感器的非線性。具體做法是: 將濃度

7、傳感器的輸出視為神經(jīng)網(wǎng)絡(luò)的輸入y , 而將待測(cè)濃度值x 作為神經(jīng)網(wǎng)絡(luò)的輸出, 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練(用學(xué)習(xí)迭代方法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行修正) , 直至神經(jīng)網(wǎng)絡(luò)輸出值的估計(jì)誤差均方值達(dá)到足夠小, 學(xué)習(xí)過(guò)程才告結(jié)束。這時(shí)神經(jīng)網(wǎng)絡(luò)就可用來(lái)作非線性校正預(yù)測(cè), 其輸出即為校正結(jié)果xest 。這種方法在光纖PH 值傳感器、色度傳感器和電感測(cè)微儀的非線性誤差校正中也已獲得應(yīng)用。圖1 用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)傳感器輸出非線性特性的校正圖2自檢驗(yàn)與故障診斷當(dāng)對(duì)生產(chǎn)過(guò)程進(jìn)行監(jiān)測(cè)、控制以及優(yōu)化時(shí), 都是以過(guò)程變量的某些測(cè)量值如溫度、流量、濃度等為依據(jù)的。因此從測(cè)量數(shù)據(jù)中獲得過(guò)程變量可靠、精確、一致的估計(jì)值對(duì)生產(chǎn)過(guò)程至關(guān)重要。傳

8、感器的過(guò)失誤差和故障可使系統(tǒng)運(yùn)行性能下降或?qū)е孪到y(tǒng)癱瘓。針對(duì)這一問(wèn)題, 人們提出了多種數(shù)據(jù)校核及過(guò)失誤差檢測(cè)方法。這些方法大多是統(tǒng)計(jì)理論和最優(yōu)化方法的結(jié)合, 計(jì)算量大、時(shí)間長(zhǎng), 因此難以在線應(yīng)用。對(duì)于過(guò)失誤差檢測(cè)而言, 偏差向量r = ri T 的數(shù)值將提供一些有用的信息, 因此可以將偏差向量r作為神經(jīng)網(wǎng)絡(luò)的輸入, 神經(jīng)網(wǎng)絡(luò)的輸出則對(duì)應(yīng)于各測(cè)量變量。具體做法是: 將偏差向量進(jìn)行預(yù)處理, 即用各ri 除以其標(biāo)準(zhǔn)差Vi , 所得數(shù)值Si = ri/ Vi 作為神經(jīng)網(wǎng)絡(luò)的輸入; 網(wǎng)絡(luò)的輸出, 當(dāng)測(cè)量變量中不存在過(guò)失誤差時(shí)取為011 , 當(dāng)測(cè)量變量中存在過(guò)失誤差時(shí)取為019 , 對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練后

9、的網(wǎng)絡(luò)即可用來(lái)進(jìn)行過(guò)失誤差的檢測(cè)。圖2 是基于神經(jīng)網(wǎng)絡(luò)的單傳感器故障檢測(cè)原理。該方法的特點(diǎn)是: 利用單傳感器的輸出信號(hào)建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型, 然后利用預(yù)測(cè)模型對(duì)傳感器的預(yù)測(cè)輸出和實(shí)際輸出之差判斷傳感器是否發(fā)生故障。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器根據(jù)傳感器輸出的前m 個(gè)值x ( k) ,x ( k + 1) , , x ( k + m - 1) 預(yù)測(cè)得到第m + 1 時(shí)刻的值x ( k + m) , 將其與傳感器第m + 1 時(shí)刻的實(shí)際輸出之差與某一檢測(cè)閾值相比較, 判斷此傳感器是否發(fā)生故障。圖2 基于神經(jīng)網(wǎng)絡(luò)的單傳感器故障檢測(cè)3 .智能結(jié)構(gòu)中傳感陣列的信號(hào)處理將具有仿生命功能的材料融合于基體材料中, 使制成的

10、構(gòu)件具有人們期望的智能功能, 這種結(jié)構(gòu)稱為智能材料結(jié)構(gòu)。目前智能結(jié)構(gòu)的元件主要集中于應(yīng)用傳感技術(shù)對(duì)結(jié)構(gòu)中的一些狀態(tài)參數(shù)進(jìn)行測(cè)量。光纖傳感器由于具有體積小、損耗低、靈敏度高, 并且抗電磁干擾、電絕緣性好、帶寬大、既可“感”又可“傳”, 易于實(shí)現(xiàn)分布式和陣列化傳感網(wǎng)絡(luò), 因而是最有希望用于智能結(jié)構(gòu)的傳感技術(shù)。圖3 (a) 是采用光纖縱橫交錯(cuò)排列的方法制成的光纖微彎傳感陣列在智能化構(gòu)件中的安排。利用該陣列可以實(shí)現(xiàn)結(jié)構(gòu)損傷的監(jiān)測(cè)和定位。圖3 (b) 是利用神經(jīng)網(wǎng)絡(luò)處理傳感陣列的輸出數(shù)據(jù), 并確定機(jī)械損傷強(qiáng)度和位置的原理框圖。圖3 智能結(jié)構(gòu)中傳感陣列信號(hào)的神經(jīng)網(wǎng)絡(luò)處理4.濾波與除噪濾波與除噪是傳感信息處

11、理中的基本操作。在自適應(yīng)除噪(ANC) 中, 整個(gè)ANC 系統(tǒng)分為兩個(gè)通道:主通道與參考通道。當(dāng)參考通道中噪聲是主通道噪聲的非線性變換時(shí), 如果線性自適應(yīng)算法用線性變換逼近非線性變換, 為了達(dá)到足夠高的精度, 用于估計(jì)的權(quán)系數(shù)向量的維數(shù)將爆炸性增大, 自適應(yīng)濾波器的估計(jì)速度必然大為降低, 其性能大幅度下降, 難以達(dá)到實(shí)時(shí)應(yīng)用的目的, 此時(shí)應(yīng)采用非線性ANC。由于徑向基函數(shù)(RBF) 網(wǎng)絡(luò)具有良好的非線性函數(shù)逼近性能, 因而可以采用基于RBF 網(wǎng)絡(luò)的非線性ANC 。圖4 基于神經(jīng)網(wǎng)絡(luò)的弱信號(hào)提取模型在目標(biāo)跟蹤、多目標(biāo)檢測(cè)等工程領(lǐng)域, 都涉及到從強(qiáng)的背景噪聲中提取弱信號(hào)的問(wèn)題?；贐P 神經(jīng)網(wǎng)絡(luò)結(jié)

12、構(gòu)及算法的方法, 可從寬帶背景噪聲中提取微弱有用信號(hào)。該方法對(duì)微弱信號(hào)的提取是在網(wǎng)絡(luò)節(jié)點(diǎn)連接權(quán)向量域進(jìn)行的, 因此從根本上解決了對(duì)提取信號(hào)的頻率選擇問(wèn)題。BP 網(wǎng)絡(luò)權(quán)向量方法如圖4所示。檢測(cè)系統(tǒng)的輸入為寬帶噪聲xk 和要提取的微弱信號(hào)Sk 的疊加。取背景噪聲的期望值mx 作為期待響應(yīng)dk , 即dk = E( xk) = mx假設(shè)背景噪聲是平穩(wěn)的, 則mx 可用時(shí)間平均值近似估計(jì)。假設(shè)弱信號(hào)出現(xiàn)之前, 網(wǎng)絡(luò)學(xué)習(xí)過(guò)程已經(jīng)結(jié)束, 即網(wǎng)絡(luò)連接權(quán)矩陣的期望值已收斂于由背景噪聲所確定的最佳權(quán)向量W 3x。于是有偏移權(quán)向量Vk = Wk - W 3x式中, Vk 為權(quán)值偏移量, Wk 為含有背景噪聲和弱信

13、號(hào)的權(quán)向量。當(dāng)弱信號(hào)出現(xiàn)之前, Vk 在零向量周圍游動(dòng), 弱信號(hào)的出現(xiàn)改變了輸入特性, 從而產(chǎn)生新的最佳權(quán)向量W 3x 1B P 算法使權(quán)向量Wk 盡可能與W 3x相匹配, 這樣E ( Vk) 則不為零向量。B P 網(wǎng)絡(luò)權(quán)向量方法取E ( Vk) 各分量之和作為檢測(cè)弱信號(hào)的判決函數(shù)。5.環(huán)境影響因素的補(bǔ)償光學(xué)電流傳感器是以光纖為介質(zhì), 以法拉第(Faraday) 磁光效應(yīng)為基礎(chǔ)的電流傳感元件。與傳統(tǒng)的電磁式電流互感器相比, 在高電壓大電流測(cè)量的應(yīng)用中采用光學(xué)技術(shù)具有明顯的優(yōu)越性: 滿足絕緣要求、無(wú)磁飽和現(xiàn)象、抗電磁干擾、響應(yīng)頻域?qū)?、便于遙感和遙測(cè)、結(jié)構(gòu)緊湊、重量輕等。但目前真正可立足于市場(chǎng)的光

14、學(xué)電流傳感器產(chǎn)品仍是鳳毛麟角, 其根本原因在于環(huán)境因素引起的光纖線性雙折射效應(yīng)對(duì)測(cè)量結(jié)果的影響。文獻(xiàn)研究了三相光學(xué)電流傳感器的雙折射效應(yīng); 文獻(xiàn)分別提出了基于BP和RBF 神經(jīng)網(wǎng)絡(luò)的光學(xué)電流傳感器線性雙折射效應(yīng)的補(bǔ)償方法(圖5) 。將光學(xué)電流感器的輸出作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào), 將被測(cè)電流的真實(shí)值(可用其他測(cè)量手段獲得) 作為神經(jīng)網(wǎng)絡(luò)的輸出信號(hào), 用這種輸入2輸出關(guān)系形成的樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)就可以用來(lái)進(jìn)行線性雙折射效應(yīng)補(bǔ)償?shù)念A(yù)測(cè)。結(jié)果表明: 網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)驗(yàn)值具有很好的一致性。圖5 基于神經(jīng)網(wǎng)絡(luò)的光學(xué)電流傳感器線性雙折射效應(yīng)的補(bǔ)償6.多傳感器信息融合數(shù)據(jù)融合是把來(lái)自多傳感

15、器的數(shù)據(jù)和信息, 根據(jù)既定的規(guī)則, 分析結(jié)合為一個(gè)全面的情報(bào), 并在此基礎(chǔ)上為用戶提供需求的信息, 諸如決策、任務(wù)等。簡(jiǎn)單地說(shuō), 數(shù)據(jù)融合的基本目的就是通過(guò)組合, 可以比從任何單個(gè)輸入數(shù)據(jù)元素獲得更多的信息。通常傳感器都存在交叉靈敏度, 表現(xiàn)在傳感器的輸出值不只決定于一個(gè)常量。當(dāng)其它參量變化時(shí)輸出值也要發(fā)生變化。例如: 一個(gè)壓力傳感器, 當(dāng)壓力P恒定而溫度T 變化時(shí), 其輸出值U 也發(fā)生改變。那么這個(gè)壓力傳感器就存在有對(duì)溫度T 的交叉靈敏度。存在交叉靈敏度的傳感器, 其性能不穩(wěn)定, 測(cè)量精度低。多傳感器信息融合技術(shù)就是通過(guò)對(duì)多個(gè)參數(shù)的檢測(cè)并采用一定的信息處理方法(這里采用神經(jīng)網(wǎng)絡(luò)技術(shù), 見圖(6) 達(dá)到提高每一個(gè)參量測(cè)量精度的目的。圖6 基于神經(jīng)網(wǎng)絡(luò)的傳感信息融合三、結(jié)論(1) 神經(jīng)網(wǎng)絡(luò)具有知識(shí)和信息的分布式表達(dá)、大規(guī)模并行處理、自動(dòng)獲取, 知識(shí)處理的自適應(yīng)性、容錯(cuò)性和聯(lián)想記憶能力等特點(diǎn)。傳感信息一般都具有模型難以確定、非線性強(qiáng)的特征, 給被測(cè)量的準(zhǔn)確獲得帶來(lái)極大困難。神經(jīng)網(wǎng)絡(luò)正好