??? 摘??要: 介紹一種利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡和智能溫度傳感器DS18B20改善傳感器精度的新方法。RBF網(wǎng)絡具有良好的非線性映射能力、自學習和泛化能力，通過大量的樣本數(shù)據(jù)訓練構(gòu)建了雙輸入單輸出網(wǎng)絡模型，采用改進的算法實現(xiàn)了傳感器高精度溫度補償" title="溫度補償">溫度補償。
??? 關(guān)鍵詞: 傳感器精度? 溫度補償? 徑向基函數(shù)神經(jīng)網(wǎng)絡? 溫度傳感器DS18B20
?
??? 一般工業(yè)測控現(xiàn)場的環(huán)境溫度變化急劇，傳感器大多數(shù)都對溫度有一定的敏感度，這樣就會使傳感器的零點和靈敏度發(fā)生變化，從而造成輸出值隨環(huán)境溫度的變化而變化，導致測量出現(xiàn)附加誤差，因此溫度補償問題一直是工業(yè)測控系統(tǒng)" title="測控系統(tǒng)">測控系統(tǒng)中的關(guān)鍵環(huán)節(jié)[1]。本文采用DS18B20智能溫度傳感器和RBF神經(jīng)網(wǎng)絡相結(jié)合的溫度補償新方法來實現(xiàn)傳感器高精度溫度補償。本文介紹的方法將DS18B20測量值作為溫度補償輸入，將傳感器本身的測量值作為另一輸入，用RBF神經(jīng)網(wǎng)絡構(gòu)成雙輸入單輸出的補償模型，輸出即為補償后的測量值。RBF神經(jīng)網(wǎng)絡主要用于傳感器的數(shù)據(jù)處理，以改善傳感器測量精度。
1 DS18B20數(shù)字溫度傳感器測溫" title="測溫">測溫原理
1.1 DS18B20的特性
??? DS18B20是美國DALLAS公司繼DS1820之后推出的增強型單總線數(shù)字溫度傳感器，它在測溫精度、轉(zhuǎn)換時間、傳輸距離、分辨率等方面較DS1820有了很大的改進，這給用戶帶來了更方便的使用和更令人滿意的效果。其特點如下：
??? (1)單線接口：僅需一根口線與單片機連接；
??? (2)由總線提供電源，也可用數(shù)據(jù)線供電，電壓范圍：3.0～5.5V；
??? (3)測溫范圍為：-55～+125℃，在-10～+85 ℃時，精度為0.5℃；
??? (4)可編程的分辨率為9～12位，對應的分辨率為0.5～0.0625℃；
??? (5)用戶可編程的溫度報警設置；
??? (6)12位分辨率時最多在750ms內(nèi)把溫度值轉(zhuǎn)換為數(shù)字量。
1.2 DS1820引腳功能說明
??? DS1820的PR-35封裝形式見圖1，其外表看起來像三極管。另外還有8腳SOIC封裝形式，只用3、4和5腳，其余為空腳或不需連接引腳。不過最常見的形式是PR-35封裝，其引腳說明如表1所示。
?
1.3 DS1820溫度數(shù)據(jù)格式
??? 在DS1820中，轉(zhuǎn)換溫度值是以9位二進制形式表示的，而輸出溫度則是以16位符號擴展的二進制補碼讀數(shù)形式提供。采用的辦法是將低八位用補碼表示，第九位以符號擴展形式擴展至其它七位。具體溫度表示格式見表2。
?
?
??? 在實際應用中，測量溫度往往在0°C以上，此時可只取16位二進制溫度輸出的低8位，即1個字節(jié)，這樣將使計算和編程工作更為便利。
1.4 DS18B20的測溫原理
??? DS18B20的測溫原理為：內(nèi)部計數(shù)器對一個受溫度影響的振蕩器的脈沖計數(shù)，低溫時振蕩器的脈沖可以通過門電路" title="門電路">門電路，而當?shù)竭_某一設置高溫時，振蕩器的脈沖無法通過門電路。計數(shù)器設置為－55℃時的值，如果計數(shù)器到達0之前門電路未關(guān)閉，則溫度寄存器的值將增加，這表示當前溫度高于－55℃。同時，計數(shù)器復位在當前溫度值上，電路對振蕩器的溫度系數(shù)進行補償，計數(shù)器重新開始計數(shù)直到回零。如果門電路仍然未關(guān)閉，則重復以上過程。溫度轉(zhuǎn)換所需時間不超過750ms，得到的溫度值的位數(shù)因分辨率不同而不同[2]。DS18B20同AT89C52單片機的接口電路如圖2所示。這種接口方式只需占用單片機一根口線，與智能儀器或智能測控系統(tǒng)中的其它單片機或DSP的接口也可采用類似的方式。
?
2 RBF神經(jīng)網(wǎng)絡及學習算法
??? RBF神經(jīng)網(wǎng)絡即徑向基函數(shù)（Radial Basis Function）神經(jīng)網(wǎng)絡[3～4]，其結(jié)構(gòu)如圖3所示。它很容易擴展到多輸出節(jié)點的情形，在此只考慮一個輸出變量Y的情況。RBFNN包括一個輸入層、一個隱含層和一個輸出層的最簡模式。隱含層由一組徑向基函數(shù)構(gòu)成，與每個隱含層節(jié)點相關(guān)的參數(shù)向量為Ci（即中心）和σi（即寬度）。徑向基函數(shù)有多種形式，一般取高斯函數(shù)[5]。具體如下：
??? 
??? 上式中,m是隱含層結(jié)點數(shù)；||·||是歐幾里德范數(shù)；X,Ci∈Rn, ωi是第i個基函數(shù)與輸出結(jié)點的連接權(quán)值" title="權(quán)值">權(quán)值(i=1,2,...,m)。
?
??? RBF神經(jīng)網(wǎng)絡是一種性能良好的前向網(wǎng)絡，它具有最佳逼近性能，在結(jié)構(gòu)上具有輸出—權(quán)值線性關(guān)系、訓練方法快速易行、不存在局部最優(yōu)問題的特點。該網(wǎng)絡的學習算法有很多種，本文將帶遺忘因子的梯度下降法應用于RBF神經(jīng)網(wǎng)絡的參數(shù)調(diào)整[6]，即在考慮當前時刻（k時刻）的網(wǎng)絡狀態(tài)的變化時，將前一個時刻（k－1時刻）的網(wǎng)絡參數(shù)變化也包括進去。其具體算法如下：
??? 
其中，J為誤差函數(shù)，Y（k）代表希望的輸出，Y（W，k）為網(wǎng)絡的實際輸出，W是網(wǎng)絡的所有權(quán)值組成的向量。
??? 隱層—輸出層連接權(quán)值矩陣的調(diào)整算法為：
??? 隱層中心值矩陣的調(diào)整算法為：
??? 隱層標準偏差矩陣的調(diào)整算法為：
其中，μ（k）為學習率，α（k）為動量因子，也稱為遺忘因子，又稱動量項或阻尼項。將其稱為遺忘因子可從對于新舊信息的學習與遺忘的角度來理解；稱為動量項或阻尼項是因為在網(wǎng)絡的學習訓練中，此項相當于阻尼力，當訓練誤差迅速增大時，它使網(wǎng)絡發(fā)散得越來越慢?？傊?，它使網(wǎng)絡的變化趨于穩(wěn)定，有利于網(wǎng)絡的收斂。
3 測試方法及推廣應用分析
??? 實驗中以測量壓力為例，采用Honeywell的24PCGFA1G型壓力傳感器。將傳感器測量值和DS18B20的輸出值作為網(wǎng)絡輸入層節(jié)點的輸入，與其對應的壓力是網(wǎng)絡輸出層節(jié)點的輸出。采用的RBF神經(jīng)網(wǎng)絡為三層網(wǎng)絡結(jié)構(gòu)，其中，輸入層有2個節(jié)點，隱含層有8個節(jié)點，輸出層有1個節(jié)點?；谏弦还?jié)中提到的網(wǎng)絡參數(shù)調(diào)整算法，通過調(diào)整RBF網(wǎng)絡中的可調(diào)參數(shù)（隱層節(jié)點數(shù)、學習速率、遺忘因子和網(wǎng)絡權(quán)值、隱層標準偏差等）進行網(wǎng)絡的訓練和測試，并采用均方根（RMS）計算其訓練精度和測試精度。共采集樣本數(shù)據(jù)120組，其中72組作為網(wǎng)絡訓練樣本，48組作為網(wǎng)絡測試樣本，在環(huán)境溫度變化范圍為-5℃～75℃時，最佳RBF的神經(jīng)網(wǎng)絡的訓練精度為0.048%，測試精度為0.062%。同時基于獲得的實驗數(shù)據(jù)，采用最小二乘擬合方法建立的數(shù)學模型，其擬合精度為0.170％；用單片機直接預存線性插值補償?shù)姆椒?，測試精度為0.280％。
??? 對于其它參數(shù)的檢測，如流量、濃度或溫度本身，也可采用增加溫度或其它輔助傳感器來實現(xiàn)補償?shù)姆椒?。對于同時存在溫、濕度漂移的測量場合，可以采用溫濕度一體化傳感器進行補償。在本文圖3所示的神經(jīng)網(wǎng)絡中增加一個X3輸入代表濕度，只是會增加具體計算的復雜性。
??? DS18B20測溫已普遍應用，且有著價格低廉、同基于單片機的智能儀器或測控系統(tǒng)接口簡單的突出優(yōu)點，本文將其引入作輔助測量傳感器，在傳感器溫度補償領域是一種有益的嘗試。RBF網(wǎng)絡是一種性能良好的前向網(wǎng)絡，它不僅有全局逼近性質(zhì)，而且具有最佳逼近性能。將帶遺忘因子的梯度下降算法應用于RBF神經(jīng)網(wǎng)絡的參數(shù)調(diào)整，該算法具有良好的非線性映射能力、自學習和泛化能力，魯棒性好、收斂較快，特別適用于傳感器數(shù)學模型的建立。論文采用軟硬件相結(jié)合的方法實現(xiàn)了高精度的溫度補償。與最小二乘擬合方法及線性插值補償方法相比，其精度提高了2～5倍。
參考文獻
1 樊尚春,彭春榮.硅壓阻式傳感器的溫度特性及其補償[J].微納電子技術(shù),2003(7):484～488
2 趙望達.DS18B20數(shù)字溫度傳感器在機械設備溫度監(jiān)測控制中的應用[J].制造業(yè)自動化,2001;23(5):52～54
3 Monica Bianchini. Learning without Local Minim in Radial?Basis Function Networks[J]. IEEE Trans. On Neural Networks,1995;6(3):749～755
4 Yao Xin. Evolving Artificial Neural Networks[J]. Proceedings?of the IEEE,1999;87(9):1432～1447
5 Catelsni M, Fort A. Fault Diagnosis of Electronic Analog?Circuit Using a Radial Basis Function Network Classifier [J].?Measurement, 2002;28: 147～148
6 張廣軍,武曉利.基于RBF神經(jīng)網(wǎng)絡的紅外二氧化碳傳感器數(shù)學模型[J].儀器儀表學報,2004;25(1):72～75