基于人工神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫補(bǔ)償答辯章

1、會(huì)計(jì)學(xué)1基于人工神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫補(bǔ)基于人工神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫補(bǔ)償答辯章償答辯章第1頁(yè)/共38頁(yè)壓力傳感器壓力傳感器 1.2 1.2 壓力傳感器的溫度補(bǔ)償辦法壓力傳感器的溫度補(bǔ)償辦法 1.3 1.3 國(guó)內(nèi)現(xiàn)狀國(guó)內(nèi)現(xiàn)狀 1.4 1.4 本課題目的本課題目的 第1頁(yè)/共37頁(yè)第2頁(yè)/共38頁(yè)第2頁(yè)/共37頁(yè)第3頁(yè)/共38頁(yè)壓力傳感器的溫度范圍分為補(bǔ)償溫度范壓力傳感器的溫度范圍分為補(bǔ)償溫度范圍和工作溫度范圍。補(bǔ)償溫度范圍是由圍和工作溫度范圍。補(bǔ)償溫度范圍是由于施加了溫度補(bǔ)償，精度進(jìn)入額定范圍于施加了溫度補(bǔ)償，精度進(jìn)入額定范圍內(nèi)的溫度范圍。工作溫度范圍是保證壓內(nèi)的溫度范圍。工作溫度范圍是保

2、證壓力傳感器能正常工作的溫度范圍。力傳感器能正常工作的溫度范圍。壓力傳感器的溫度范圍壓力傳感器的溫度范圍第3頁(yè)/共37頁(yè)第4頁(yè)/共38頁(yè)硬件補(bǔ)償硬件補(bǔ)償軟件補(bǔ)償軟件補(bǔ)償?shù)?頁(yè)/共37頁(yè)第5頁(yè)/共38頁(yè)硬件補(bǔ)償硬件補(bǔ)償軟件補(bǔ)償軟件補(bǔ)償軟件補(bǔ)償可以分為數(shù)值分析法和人工智能法專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊系統(tǒng)硬件補(bǔ)償主要采用硬件電路來(lái)消除其影響, 但難以做到全額補(bǔ)償, 且存在補(bǔ)償電路硬件漂移等問(wèn)題。第5頁(yè)/共37頁(yè)第6頁(yè)/共38頁(yè)基于數(shù)值分析的溫度補(bǔ)償法，最常采用的是最小二乘曲線擬合法最小二乘曲線擬合法或多段折線逼近法多段折線逼近法. 最小二乘法是基于梯度變化量的計(jì)算來(lái)求最優(yōu)解的, 是一種局部搜

3、索技術(shù), 容易進(jìn)入局部最優(yōu), 但很難得到全局最優(yōu)解。多段折線逼近法的算法較復(fù)雜, 擬合精確度不高?？紤]到傳統(tǒng)的基于數(shù)值分析方法的不足, 本文采用了人工神經(jīng)網(wǎng)絡(luò)理論對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償本文采用了人工神經(jīng)網(wǎng)絡(luò)理論對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償。人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性建模能力, 能完成復(fù)雜的非線性映射功能, 同時(shí), 神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)及推理的自適應(yīng)能力。第6頁(yè)/共37頁(yè)第7頁(yè)/共38頁(yè)隨著人工智能特別是神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展, 為傳感器信號(hào)的處理提供了新的有效手段, BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的函數(shù)逼近能力, 被人們用來(lái)進(jìn)行傳感器的各種非線性誤差的補(bǔ)償, 然而,BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易于陷入局

4、部極小等點(diǎn)。 第7頁(yè)/共37頁(yè)第8頁(yè)/共38頁(yè)由于人工神經(jīng)網(wǎng)絡(luò)具有獨(dú)特的非線性由于人工神經(jīng)網(wǎng)絡(luò)具有獨(dú)特的非線性映射能力、很強(qiáng)的環(huán)境適應(yīng)能力。映射能力、很強(qiáng)的環(huán)境適應(yīng)能力。目前, 人工神經(jīng)網(wǎng)絡(luò)已在語(yǔ)音識(shí)別, 模式分類, 圖像處理和自動(dòng)控制等領(lǐng)域獲得了比較成功的應(yīng)用, 并已成為解決一批工程實(shí)際問(wèn)題的有效工具之一。人工神經(jīng)網(wǎng)絡(luò)在一些領(lǐng)域的成功應(yīng)用,促使人們開(kāi)展人工神經(jīng)網(wǎng)絡(luò)在傳感器非線性領(lǐng)域中的應(yīng)用研究。利用人工神經(jīng)網(wǎng)絡(luò)所具有獨(dú)特的非線性映射能力, 實(shí)現(xiàn)傳感器非線性靜態(tài)校正。 第8頁(yè)/共37頁(yè)第9頁(yè)/共38頁(yè)新的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法對(duì)壓力傳新的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法對(duì)壓力傳感器進(jìn)行了溫度補(bǔ)償感器進(jìn)行了溫

5、度補(bǔ)償. 由于神經(jīng)網(wǎng)絡(luò)具有非線性特性非線性特性、自適應(yīng)自適應(yīng)和學(xué)習(xí)能力學(xué)習(xí)能力, 只要能獲取傳感器的輸入和輸出數(shù)據(jù), 通過(guò)人工神經(jīng)網(wǎng)絡(luò)融合, 可以逼近其輸入輸出特性. 融合結(jié)果表明, 其擬擬合精度較高合精度較高, 實(shí)現(xiàn)了壓力傳感器的溫度補(bǔ)償。第9頁(yè)/共37頁(yè)第10頁(yè)/共38頁(yè)第10頁(yè)/共37頁(yè)第11頁(yè)/共38頁(yè)神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史及其現(xiàn)狀神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史及其現(xiàn)狀2.3 BP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2.5 BP神經(jīng)網(wǎng)絡(luò)在實(shí)例中的應(yīng)用神經(jīng)網(wǎng)絡(luò)在實(shí)例中的應(yīng)用2.4 BP網(wǎng)絡(luò)的優(yōu)點(diǎn)及其局限性網(wǎng)絡(luò)的優(yōu)點(diǎn)及其局限性2.6 BP神經(jīng)網(wǎng)絡(luò)在壓力傳感器溫度補(bǔ)償方面的應(yīng)用神經(jīng)網(wǎng)絡(luò)在壓力傳感

6、器溫度補(bǔ)償方面的應(yīng)用第11頁(yè)/共37頁(yè)第12頁(yè)/共38頁(yè)人工神經(jīng)網(wǎng)絡(luò)是由大量的、簡(jiǎn)單的處理單元（稱為神經(jīng)元）廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它反映了人腦功能的許多基本特征，是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)。 第12頁(yè)/共37頁(yè)第13頁(yè)/共38頁(yè) 神經(jīng)網(wǎng)絡(luò)具有非線性自適應(yīng)的信息處理能神經(jīng)網(wǎng)絡(luò)具有非線性自適應(yīng)的信息處理能力力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)的缺陷，因而在神經(jīng)專家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用領(lǐng)域得到成功應(yīng)用。 MATLAB是一種科學(xué)與工程計(jì)算的高級(jí)語(yǔ)言，廣泛地運(yùn)用于包括信號(hào)與圖像處理，控制系統(tǒng)設(shè)計(jì)，系統(tǒng)仿真等諸多領(lǐng)域。為了解決神經(jīng)網(wǎng)絡(luò)問(wèn)題中的研究工作

7、量和編程計(jì)算工作量問(wèn)題，目前工程領(lǐng)域中較為流行的軟件MATLAB，提供了現(xiàn)成的神經(jīng)網(wǎng)絡(luò)工具箱 第13頁(yè)/共37頁(yè)第14頁(yè)/共38頁(yè)解決實(shí)際問(wèn)題中，應(yīng)用MATLAB 語(yǔ)言構(gòu)造典型神經(jīng)網(wǎng)絡(luò)的激活傳遞函數(shù)，編寫(xiě)各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者可以根據(jù)需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己能夠從煩瑣的編程中解脫出來(lái)，減輕工程人員的負(fù)擔(dān)，從而提高工作效率。第14頁(yè)/共37頁(yè)第15頁(yè)/共38頁(yè)人工神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)網(wǎng)絡(luò)功能的一種經(jīng)驗(yàn)?zāi)Ｐ?。生物神?jīng)元受到傳入的刺激，其反應(yīng)又從輸出端傳到相聯(lián)的其它神經(jīng)元，輸入和輸出之間的變換關(guān)系一般是非線性的。神經(jīng)網(wǎng)絡(luò)是由若干簡(jiǎn)單（通常是自適應(yīng)的）元件

8、及其層次組織，以大規(guī)模并行連接方式構(gòu)造而成的網(wǎng)絡(luò)，按照生物神經(jīng)網(wǎng)絡(luò)類似的方式處理輸入的信息。模仿生物神經(jīng)網(wǎng)絡(luò)而建立的人工神經(jīng)網(wǎng)絡(luò)，對(duì)輸入信號(hào)有功能強(qiáng)大的反應(yīng)和處理能力。第15頁(yè)/共37頁(yè)第16頁(yè)/共38頁(yè)人工神經(jīng)元（感知器）示意圖 第16頁(yè)/共37頁(yè)第17頁(yè)/共38頁(yè)若干神經(jīng)元連接成網(wǎng)絡(luò)，其中的一個(gè)若干神經(jīng)元連接成網(wǎng)絡(luò)，其中的一個(gè)神經(jīng)元可以接受多個(gè)輸入信號(hào)，按照神經(jīng)元可以接受多個(gè)輸入信號(hào)，按照一定的規(guī)則轉(zhuǎn)換為輸出信號(hào)。一定的規(guī)則轉(zhuǎn)換為輸出信號(hào)。由于神經(jīng)網(wǎng)絡(luò)中神經(jīng)元間復(fù)雜的連接關(guān)系和各神經(jīng)元傳遞信號(hào)的非線性方式非線性方式，輸入和輸出信號(hào)間可以構(gòu)建出各種各樣的關(guān)系，因此可以用來(lái)作為黑箱模型黑箱模型

9、，表達(dá)表達(dá)那些用機(jī)理模型還無(wú)法精確描述、但輸入和輸出之間確實(shí)有客觀的、確確定性的或模糊性的規(guī)律定性的或模糊性的規(guī)律。 第17頁(yè)/共37頁(yè)第18頁(yè)/共38頁(yè)BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。其由輸入層輸入層、中間層中間層、輸出層輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無(wú)連接，網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值（Weight）。然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。此過(guò)程反復(fù)交替進(jìn)行，直至網(wǎng)

10、絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過(guò)程。 第18頁(yè)/共37頁(yè)第19頁(yè)/共38頁(yè)BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱，它由一個(gè)輸入層，一個(gè)或多個(gè)隱含層和一個(gè)輸出層構(gòu)成，每一次由一定數(shù)量的的神經(jīng)元構(gòu)成。這些神經(jīng)元如同人的神經(jīng)細(xì)胞一樣是互相關(guān)聯(lián)的。 第19頁(yè)/共37頁(yè)第20頁(yè)/共38頁(yè)BP神經(jīng)網(wǎng)絡(luò)最主要的優(yōu)點(diǎn)是具有極強(qiáng)的非線極強(qiáng)的非線性映射能力性映射能力。理論上，對(duì)于一個(gè)三層和三層以上的BP網(wǎng)絡(luò)，只要隱層神經(jīng)元數(shù)目足夠多，該網(wǎng)絡(luò)就能以任意精度逼近一個(gè)非線性函數(shù)。其次，BP神經(jīng)網(wǎng)絡(luò)具有對(duì)外界刺激和輸入信息進(jìn)行聯(lián)想記憶的能力聯(lián)想記憶的能力。這是因?yàn)樗捎昧朔植疾⑿械男畔⑻幚矸绞?，?duì)信息的提取

11、必須采用聯(lián)想的方式，才能將相關(guān)神經(jīng)元全部調(diào)動(dòng)起來(lái)。 缺點(diǎn)：學(xué)習(xí)效率低，速度慢學(xué)習(xí)效率低，速度慢。第20頁(yè)/共37頁(yè)第21頁(yè)/共38頁(yè) 神經(jīng)網(wǎng)絡(luò)工具箱是在MATLAB環(huán)境下開(kāi)發(fā)出來(lái)的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語(yǔ)言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的框架和相關(guān)的函數(shù)。最新版本的神經(jīng)網(wǎng)絡(luò)工具箱幾乎涵蓋了所有的神經(jīng)網(wǎng)絡(luò)的基本常用模型，如感知器和BP網(wǎng)絡(luò)等。對(duì)于各種不同的網(wǎng)絡(luò)模型， 神經(jīng)網(wǎng)絡(luò)工具箱集成了多種學(xué)習(xí)算法，為用戶提供了極大的方便。Matlab R2007神經(jīng)網(wǎng)絡(luò)工具箱中包含了許多用于BP網(wǎng)絡(luò)分析與設(shè)計(jì)的函數(shù)，BP網(wǎng)絡(luò)的常用函數(shù)如表所示第21頁(yè)/共37頁(yè)第22頁(yè)/共38

12、頁(yè)BP網(wǎng)絡(luò)的常用函數(shù)表函數(shù)類型函數(shù)名稱函數(shù)用途前向網(wǎng)絡(luò)創(chuàng)建函數(shù)newcf創(chuàng)建級(jí)聯(lián)前向網(wǎng)絡(luò)Newff創(chuàng)建前向BP網(wǎng)絡(luò)傳遞函數(shù)logsigS型的對(duì)數(shù)函數(shù)tansigS型的正切函數(shù)purelin純線性函數(shù) 學(xué)習(xí)函數(shù)learngd基于梯度下降法的學(xué)習(xí)函數(shù)learngdm梯度下降動(dòng)量學(xué)習(xí)函數(shù)性能函數(shù) mse均方誤差函數(shù)msereg均方誤差規(guī)范化函數(shù) 顯示函數(shù)plotperf繪制網(wǎng)絡(luò)的性能plotes繪制一個(gè)單獨(dú)神經(jīng)元的誤差曲面plotep繪制權(quán)值和閾值在誤差曲面上的位置errsurf計(jì)算單個(gè)神經(jīng)元的誤差曲面第22頁(yè)/共37頁(yè)第23頁(yè)/共38頁(yè)welcome to use these PowerPoint

13、 templates, New Content design, 10 years experience步驟使用誤差反向運(yùn)算在工具箱中的訓(xùn)練函數(shù)來(lái)訓(xùn)練反饋神經(jīng)網(wǎng)絡(luò)去解決溫度補(bǔ)償?shù)膯?wèn)題。訓(xùn)練的過(guò)程大概分為四步：1. 訓(xùn)練數(shù)據(jù)的集合；2. 創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型；3. 訓(xùn)練神經(jīng)網(wǎng)絡(luò)；4. 對(duì)神經(jīng)網(wǎng)絡(luò)的新輸入的響應(yīng)仿真。第23頁(yè)/共37頁(yè)第24頁(yè)/共38頁(yè)原始數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)的壓力傳感器的實(shí)際輸出電壓值壓力壓力P P（KpaKpa）不同溫度下的壓力傳感器的實(shí)際輸出電壓值不同溫度下的壓力傳感器的實(shí)際輸出電壓值-20020400-0.070.050.020.12010.8311.0610.737.814023.15

14、22.7222.8216.536036.235.2935.2125.598049.7448.3648.3634.9410063.9661.9461.7544.6112078.575.9275.6354.8114093.3190.2289.5165.02160107.25104.39103.4174.75第24頁(yè)/共37頁(yè)第25頁(yè)/共38頁(yè)由于由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)散神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對(duì)散S型函數(shù)和雙曲線正切型函數(shù)和雙曲線正切S型函數(shù)，它們的輸出范圍分別在（型函數(shù)，它們的輸出范圍分別在（0,1）和（）和（-1,1）之間。由此可知?dú)w一化處理后的數(shù)值范圍，即在）之間。由

15、此可知?dú)w一化處理后的數(shù)值范圍，即在-1和和l之同。為此，依據(jù)下面兩個(gè)公式；之同。為此，依據(jù)下面兩個(gè)公式； minmaxmaxininininXXXXT05. 0)(9 . 0minmaxminininininYYYYP 第25頁(yè)/共37頁(yè)第26頁(yè)/共38頁(yè)welcome to use these PowerPoint templates, New Content design, 10 years experience歸一化后數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)的壓力傳感器的標(biāo)準(zhǔn)樣本數(shù)據(jù)值壓力壓力PmPm（標(biāo)（標(biāo)準(zhǔn)值）準(zhǔn)值）不同溫度下的壓力傳感器的標(biāo)準(zhǔn)電壓值不同溫度下的壓力傳感器的標(biāo)準(zhǔn)電壓值-20020400.0500

16、000.16250.1015650.105520.1035880.1032820.2750.2163620.217270.2205240.2200940.38750.3379610.3377420.3403620.341460.50.4641260.4630060.467550.4667110.61250.5966270.5931570.597060.5962490.7250.732110.7271420.7313090.7328870.83750.8701080.8641940.8655580.8696580.951111第26頁(yè)/共37頁(yè)第27頁(yè)/共38頁(yè)程序p=0 0.101565 0.

17、216362 0.337961 0.464126 0.596627 0.73211 0.870108 1;0 0.10552 0.21727 0.337742 0.463006 0.593157 0.727142 0.864194 1;0 0.103588 0.220524 0.340362 0.46755 0.59706 0.731309 0.865558 1;0 0.103282 0.220094 0.34146 0.466711 0.596249 0.732887 0.869658 1;%輸入矩陣t=0.05 0.1625 0.275 0.3875 0.5 0.6125 0.725 0.

18、8375 0.95;%目標(biāo)矩陣第27頁(yè)/共37頁(yè)第28頁(yè)/共38頁(yè)程序new=newff(minmax(p),1 11 1,tansig,tansig,purelin,trainlm);%創(chuàng)建前向BP神經(jīng)網(wǎng)絡(luò)，輸入層1個(gè)神經(jīng)元，隱層有11個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元組成，輸入層到隱層的傳函為tansig，隱層到輸出層的傳函為logsig，輸出層的傳函為purelin，訓(xùn)練函數(shù)采用trainlmnet=init(new);%網(wǎng)絡(luò)初始化net.iw1%顯示初始后的權(quán)值net.b1%顯示初始后的閥值net.trainParam.lr=0.3;%確定網(wǎng)絡(luò)的學(xué)習(xí)速率0.3 第28頁(yè)/共37頁(yè)第29頁(yè)/共

19、38頁(yè)程序net.trainParam.epochs=1000;%訓(xùn)練的最大步數(shù)net.trainParam.goal=0.000001;%確定訓(xùn)練的預(yù)期誤差為0.001net=train(net,p,t);%網(wǎng)絡(luò)進(jìn)行訓(xùn)練net.iw1%顯示初始后的權(quán)值net.b1%顯示初始后的閥值y=sim(net,p)%對(duì)網(wǎng)絡(luò)進(jìn)行仿真，y為仿真輸出結(jié)果。%對(duì)網(wǎng)絡(luò)進(jìn)行仿真，y為仿真輸出結(jié)果。第29頁(yè)/共37頁(yè)第30頁(yè)/共38頁(yè)結(jié)果處理BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果y =0.0500 0.1627 0.2754 0.3871 0.5005 0.6115 0.7248 0.8373 0.9492實(shí)驗(yàn)結(jié)果數(shù)據(jù)分析由仿真的數(shù)

20、據(jù)進(jìn)行反歸一化，得到融合值如下表所示：融合數(shù)據(jù)最大偏差為0.178，均方差為0.0876融合值020.03540071599288008899822119964139964159.875誤差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合數(shù)據(jù)最大偏差為0.178，均方差為0.0876融合值020.03540071599288008899822119964139964159.875誤差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合數(shù)據(jù)融合值020.035400715992880088

21、99822119964139964159.875誤差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876融合數(shù)據(jù)融合值020.03540071599288008899822119964139964159.875誤差00.0350.0710.0720.0880.1780.0360.0360.125均方差0.0876最大偏差為0.178，均方差為0.0876融合數(shù)據(jù)融合值020.03540071599288008899822119964139964159.875誤差00.0350.0710.0720.0880.1780.0360.0360.125均方

22、差0.0876第30頁(yè)/共37頁(yè)第31頁(yè)/共38頁(yè)新的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法對(duì)壓力傳新的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法對(duì)壓力傳感器進(jìn)行了溫度補(bǔ)償感器進(jìn)行了溫度補(bǔ)償. 由于神經(jīng)網(wǎng)絡(luò)具有非線性特性非線性特性、自適應(yīng)自適應(yīng)和學(xué)習(xí)能力學(xué)習(xí)能力, 只要能獲取傳感器的輸入和輸出數(shù)據(jù), 通過(guò)人工神經(jīng)網(wǎng)絡(luò)融合, 可以逼近其輸入輸出特性. 融合結(jié)果表明, 其擬擬合精度較高合精度較高, 實(shí)現(xiàn)了壓力傳感器的溫度補(bǔ)償。第31頁(yè)/共37頁(yè)第32頁(yè)/共38頁(yè)人工神經(jīng)網(wǎng)絡(luò)是由大量的、簡(jiǎn)單的處理單元（稱為神經(jīng)元）廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它反映了人腦功能的許多基本特征，是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)。 第32頁(yè)/共37頁(yè)第3

23、3頁(yè)/共38頁(yè)BP神經(jīng)網(wǎng)絡(luò)最主要的優(yōu)點(diǎn)是具有極強(qiáng)的非線極強(qiáng)的非線性映射能力性映射能力。理論上，對(duì)于一個(gè)三層和三層以上的BP網(wǎng)絡(luò)，只要隱層神經(jīng)元數(shù)目足夠多，該網(wǎng)絡(luò)就能以任意精度逼近一個(gè)非線性函數(shù)。其次，BP神經(jīng)網(wǎng)絡(luò)具有對(duì)外界刺激和輸入信息進(jìn)行聯(lián)想記憶的能力聯(lián)想記憶的能力。這是因?yàn)樗捎昧朔植疾⑿械男畔⑻幚矸绞?，?duì)信息的提取必須采用聯(lián)想的方式，才能將相關(guān)神經(jīng)元全部調(diào)動(dòng)起來(lái)。 缺點(diǎn)：學(xué)習(xí)效率低，速度慢學(xué)習(xí)效率低，速度慢。第33頁(yè)/共37頁(yè)第34頁(yè)/共38頁(yè)原始數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)的壓力傳感器的實(shí)際輸出電壓值壓力壓力P P（KpaKpa）不同溫度下的壓力傳感器的實(shí)際輸出電壓值不同溫度下的壓力傳感器的實(shí)際輸出電壓值-20020400-0.070.050.020.12010.8311.0610.737.814023.1522.7222.8216.536036.235.2935.2125.598049.7448.3648.3634.9410063.9661.9461.7544.6112078.575.9275.6354.8114093.3190.228