维普资讯 http://www.cqvip.com
１２ 传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ２００６年第２５卷第ｌ２期 基于遗传神经网络的传感器非线性校正研究 董程林，成曙，肖晨静 （第二炮兵工程学院。陕西西安７１００２５） 摘要：针对实际传感器的非线性问题，介绍了用神经网络进行传感器非线性校正的原理，提出了基于自 适应遗传算法的神经网络传感器非线性校正模型、算法及实现方法。通过实验结果显示：此方法不但可以 实现非线性校正和减少环境因素的影响，而且，校正后的精度也高于单一的神经网络模型。 关键词：传感器；非线性校正；神经网络；遗传算法 中图分类号：ＴＰ２１２ 文献标识码：Ａ 文章编号：１０００—９７８７（２００６）１２—００１２—０３ Ｒｅｓｅａｒｃｈ ｏｎ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｓｅｎｓｏｒｓ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＤＯＮＧ Ｃｈｅｎｇ—ｌｉｎ，ＣＨＥＮＧ Ｓｈｕ，ＸＩＡＯ Ｃｈｅｎ－ｊｉｎｇ （Ｔｈｅ Ｓｅｃｏｎｄ Ａｒｔｉｌｌｅｒｙ Ｅｎｇｉｎｅｅｒｉｎｇ ＣｏＨｅｇｅ，Ｘｉ’ａｎ ７１００２５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ａｃｃｏｒｄａｎｃｅ ｗｉｔｈ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｐｒｏｂｌｅｍ ｏｆ ｓｅｎｓｏｒｓ，ｔｈｅ ｐｒｉｎｃｉｐｌｅ ｆｏｒ ｃｏｒｒｅｃｔｉｎｇ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｏｆ ｓｅｎｓｏｒｓ ｗｉｔｈ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｉｎｔｒｏｄｕｃｅｄ，ｃｏｒｒｅｃｔｉｏｎ ｍｏｄｅｌ，ａｌｇｏｒｉｔｈｍ ａｎｄ ｒｅａｌｉｚｅｄ ｍｅｔｈｏｄ ＩｔＥｅ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎ ａｄａｐｔｉｖｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗ ｔｈａｔ ｎｏｔ ｏｎｌｙ ｔｈｅ ｍｅｔｈｏｄ ｃａｎ ｃｏｒｒｅｃｔ ｔｈｅ ｎｏｎｌｉｎｅａｒｉｔｙ ａｎｄ ｄｉｍｉｎｉｓｈ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ，ｂｕｔ ａｌｓｏ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ａｆｔｅｒ ｃｏｒｒｅｃｔｉｎｇ ｉｓ ｂｅｔｔｅｒ ｔｈａｎ ｓｉｍｐｌｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ’Ｓ． Ｋｅｙ ｗｏｒｄｓ：ｓｅｎｓｏｒ；ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ０引 言 单、收敛性好，其突出的优点是可以同时考虑各种外界因素 传感器是利用某种功能将来自外界的各种物理量、化 的＿＿Ｆ扰影响及其本身非线性，解决了传感器的非线性校正 学量或其他量的信号转换为电信号的装置。理想传感器的 问题。实验结果表明了其方法的正确性和有效性。 输入一输出是一种恒等或线性关系，而由于各种环境因素的 ｌ神经网络的传感器非线性校正原理 影响和传感器本身的非线性，实际传感器的输入和输出之 一个传感器系统可表示为ｙ＝，（ ，ｔ），其中，ｙ为传感 间则常常为一种非线性关系。对于这类问题的解决，一般 器的输出量； 为传感器的输入量；ｔ为影响传感器的非线 采用硬件电路补偿和利用各种软件补偿措施 硬件电路成 性因素（ 。ｔ可以是一维行向量。用来表示多个输入量和 本高，设计制造烦琐；软件补偿措施受到人们的普遍关注， 多个外界非线性因素）。目的是根据测得），求得未知的 ， 传统的软件补偿常用最／ｂ－乘法和分段差值法等。随着智 即 ＝ｇ（），，￡）。神经网络的研究对消除和补偿传感器系统 能仪表发展、传感器精度的提高、最程的扩大，研究校正传 的非线性特性提供了一种新方法，如图ｌ所示…。 感器非线性特性的通用方法及相应软件己成为十分有意义 的工作。遗传算法是借鉴于生物自然选择与遗传进化机制 而开发的一种并行、全局优化、自适应的概率搜索算法。神 经网络是一个由大量简单的处理单元（神经元）广泛连接 图１菲线性校正 组成的人工网络，用来模拟大脑神经系统的结构和功能。 Ｆｉｇ １ Ｄｉａｇｒａｍ ｏｆ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ 它能从已知数据中自动地归纳规则，获得这些数据的内在 传感器输出），通过一个补偿逆模型，模型的特性函数 规律，具有很强的非线性映射能力。为了充分利用了遗传 为Ｐ＝ ＝ （ｙ，￡），其中，Ｐ为非线性补偿后的输出； 为常 算法的全局优化搜索能力和神经网络的非线性映射能力， 数，很显然ｇ（ ）也是一个非线性函数，使补偿后的传感器 本文提出了一种改进的遗传神经网络算法。该方法算法简 具有理想特性。在实际应用中，非线性函数ｇ（ ）的表达 收稿日期：２００６—０４—２Ｏ 维普资讯 http://www.cqvip.com
第ｌ２期 董程林等：基于遗传神经网络的传感器非线性校正研究 ｌ３ 式难以准确求出，但ｌ口『以通过建模来实现，补偿模剁的建立 就成了校正传感器非线性特性的关键。人工神经网络具有 处理非线性优化问题的能力，其中，ＢＰ网络强大的非线性 映射能力和泛化功能，使任意连续的非线性函数（如传感 器逆模型）和映射均可采用二层网络建模加以实现。 ２遗传算法及其改进算法简介 ２．１ 遗传算法基本原理 遗传算法（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ＧＡ）是一类借牲生物界自 然选择和自然淘汰的生物进化过程的随机化 局优化搜索 方法，其主要特点是群体搜索策略和群体中个体之间的信 息交换，搜索不依赖于梯度信息，简单通用，鲁棒性强，它尤 其适用于处理传统搜索方法难以解决的复杂和非线性问 题。遗传算法的主要步骤为 ’： （１）编码：ＧＡ在进行搜索之前，将解空间的解数据表 示成遗传审问的基因型串结构数据，这些串结构数据的不 Ｉ百＿ｌ组合便构成了不同的点。编码可以用二进制，也可以用 十进制。 （２）初始群体的生成：随机产生，ｖ个初始串结构数据， 每个串结构数据称为一个个体，，ｖ个个体构成一个群体。 ＧＡ以这，ｖ个串结构数据作为初始点开始迭代。 （３）适应性值评价：评价是遗传算法优化的驱动力，它 将群体中不同个体的优劣利用数值进行定量化，为选择操 作提供客观依据。适应性两数表明个体或解的优劣性。对 于 同的问题，适应性两数的定义方式也不同。 （４）选择：选择的目的是为ｒ从当前群体中选出优良 的个体，使它们有机会作为父代为下一代繁殖子孙。进行 选择的原则足适应性强的个体为下一代贡献一个或多个后 代的概率大。 （５）交叉：交叉操作是遗传算法中最主要的遗传操作。 通过交叉操作町以得到新一代个体，新个体组合了其父辈 个体的特性。 （６）变异：变异首先存群体中随机选择一个个体，对于 选中的个体以一定的概率随机的改变串结构数据中某个串 的值。同生物界一样，ＧＡ中变异发生的概率很低，通常，取 值在０．００１—０．０１之问． ．２．２ 自适应遗传算法概述 遗传算法的参数中交义概率Ｐ 和变异概率Ｐ 的选 择是影响遗传算法行为和性能的关键所在，直接影响算法 的收敛性。为此，有必要研究改进的遗传算法，从而促使遗 传算法理沦的发展和完善。Ｓｒｉｎｉｖａｓ Ｍ和Ｐａｔｎａｉｋ Ｌ Ｍ ’提 出了一种交义概率和变异概率随个体的适应度而变化的内 适应遗传算法（ａｄａｐｔｉｖｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ）。 种群各个体 适应度趋于一致或者趋于局部最优时，使Ｐ 和Ｐ 增加， 而当群体适应度比较分散时，使Ｐ 和Ｐ．．．减少。同时，对于 适应度高于群体平均适应值的个体，赋予较低的Ｐ 和Ｐ 使该解得以保护进入下一代；而低于平均适应值的个体，赋 予较高的Ｐ 和Ｐ 使陔解被淘汰掉。因此，白适应的Ｐ 和Ｐ 能够提供相对某个解的最佳Ｐ ．和Ｐ 白适应遗传 算法在保持群体多样性的同时，保证遗传算法的收敛性。 枉自适应遗传算法中，Ｐ 和Ｐ 按如Ｆ公式进行自适 应调整 』 ， ㈩ 【 ｋ２ （．厂 ＜，） 』 ｃ ， 【 ｋ （ｆ＜Ｊ ） 式巾 为当前群体最大适鹰度√ 为待交叉的２个体较 大适应度 为群体平均适应度；，为要变异个体的适应度； ｋｌ，ｋ２， ， ４∈（０，１）。 ３遗传神经网络的算法及其实现 遗传算法的出现使神经网络的训练有ｒ一个崭新的面 貌，目标函数既不要求连续，也不要求可微，仅要求该问题 可计算，Ｉ而且，它的搜索始终遍及整个佛空 ， 此容易得 到全局最优解。用遗传算法优化神经网络，可以使得神经 网络具有自进化、自适应能力，它主要包括３个方面：（１） 网络连接权的进化；（２）网络结构的进化；（３）网络学爿规 则的进化。本文利用遗传算法来优化神经网络的权值。 神经网络连接权值包含着神经网络系统的全部知识， 传统的权值获取力 法都是采用某个确定的权值变化规则， 在训练中逐步调整，最终得剑一个较好的椒值分布，ＢＰ网 络的学习过程正足如此。这就ａｉｄｅ．因陷入局域极值和导致 不满足问题的要求，如训练时问过长，甚至可能因陷入局域 极值而得不到适当的权值分布 如果刚遗传算法米优化连 接权，可望解决这个『口ｊ题。用遗传算法优化神经网络连接 权值的过程如下： （１）首先，利用ＢＰ神经网络采『ｆＪ 同的＿卒』Ｊ始权值，训 练不同的次数，得到小州的枞值分布，形成初始群体； （２）采用实数编码和Ｅ１适应遗传算法； （３）汁算误差ｅ＝∑∑（ 一 ）或Ｅ＝ ∑∑（ｙ， 一 ）２。若误差满足精度要求，跳出 ．适应度函 数町选择为Ｆ＝Ｃ—ｅ，，＝ ，，’＝Ｃ—Ｅ，Ｆ＝ｉ１。其【｛ｌ， 维普资讯 http://www.cqvip.com
１４ 传感器与微系统 第２５卷 Ｃ为一常数。ｙ 及ｙｍ 分别为第ｍ个训练样本的第 个输 表１传藤器输入与输出信号 出节点的期望输出与实际输出； Ｔａｂ １ Ｉｎｐｕｔ ｓｉｇｎａｌ ａｎｄ ｏｕｔｐｕｔ ｓｉｇｎａｌ ｏｆ ｔｈｅ Ｓｅｌｌｓｏｒ （４）遗传操作，得到新的群体，利用群体得到的权值， 再使神经网络运行一次，对权值进行一次寻优； （５）重复（３）一（４），直到神经网络满足精度为止。 在测量中，先将标定实验时所采集到的数据和其对应 的被测量值分别作为神经网络的输入和输出，再对神经网 络进行训练，将训练好的神经网络中的权值保存下来作为 以后进行校正的依据，进行校正时，只需将输入信号作为神 经网络的输入，那么，神经网络的输出就是输出信号的校正 值。 ４仿真及应用研究 某航空发动机的压力传感器输出Ｙ由于受到内部工作 温度０的影响及本身的非线性特性，所以，不可避免地会产 生非线性误差，而由于航窄事业的特殊要求，需对传感器进 注： 。０为归一化数据，无量纲。 行非线性校正，并且，精确度要求非常高。采用ＢＰ神经网 ５结束语 络进行传感器逆模建模，输入为ｙ，０，训练后的实际输出为 用神经网络建立传感器逆模型可以映射任意非线性函 Ｐ，期望输出为 （令 ＝１）。其步骤如下： 数，从而能实现非线性校正及消除环境因索的影响。利用 （１）数据归一化处理 遗传算法的全局搜索优化能力将自适应遗传算法应用于神 ＢＰ神经网络的隐含层常采用ｓ型激活函数，因Ｓ型函 经网络的权值优化中，可以使神经网络的权值训练避免陷 数的需要，对输入模式应作归一化处理，归一化公式 入局部极值。自适应遗传算法是一种交叉概率和变异概率 ； ：玉 一∞ｍ 一∞…， ’ （３）。， 随个体的适应度而变化的算法，在保持群体多样性的同时， 式中 。， 分别为归一化前任意输入值、输入变量 保证遗传算法的收敛性。最后，利用本文提出的遗传神经 最大值、输入变量最小值； 为归一化后的值。 网络算法进行某压力传感器的非线性校正，通过计算机仿 （２）隐含层神经元数目的选择 真可以看出：基于自适应遗传算法的神经网络处理非线性 隐含层神经元的数目选取是否合适对整个网络是否能 的精度高于单一的ＢＰ神经网络，并且，可以实现本身及外 够正常工作具有重要的甚至是决定性的意义。一般来说， 部环境因素的非线性校正。其中，不足的一点是由于算法 隐含层神经元的数目可以根据下式来确定 程序的复杂性较难满足硬件的实现且实时性较差，但可以 ｎＨ＝，／ｎ．＋ｎ。＋１， （４） 利用本方法进行传感器的离线校正和标定。结果表明：本 式中 ｉ，ｎ 分别为输入层、输出层神经无数日；ｌ为１—１０ 文提出的基于遗传神经网络的算法是一种切实可行的方 之间的任一数。 法 （３）将数据送入遗传神经网络进行处理 参考文献： 将归一化后的数据送入ＢＰ神经网络，用第四节所述 ［１］林康红，施惠吕，卢强，等．基于神经网络的传感器非线性 的方法进行处理，同时，取隐含层神经冗数目为８个，初始 误差校正［Ｊ］．传感器技术，２００２，２１（１）：４２—４３． 群体规模Ｎ＝１００，变叉概率Ｐ ＝０．８，变异概率Ｐ ．＝０．０１， ［２］ 飞思科技产品研发中心．Ｍａｔｌａｂ ６．５辅助优化设计与计算［Ｍ］． 以Ｆｚ÷为适应度函数，通过３ｏ代的迭代运算适应度函数 北京：电子ｊ二业出版社，２００３．１５６—１５７． 的值趋向稳定。这样，就为后续的神经网络权值搜索定位 ［３］ Ｓｒｉｎｉｖａｓ Ｍ，Ｐａｔｎａｉｋ Ｌ Ｍ．Ａｄａｐｔｉｖｅ Ｐｒｏｂａｂｉｌｉｔｉｅｓ ｏｆ Ｃｍｓｓｏｖｅｒ ａｎｄ 出了一个优化的搜索空间，然后，对ＢＰ网络学习训练。ｄ Ｍｕｔａｔｉｏｎ ｉｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓ— 为用传统的ＢＰ网络进行处理后的输出。由表１可以发现， ｔｅｒｎ，Ｍａｎ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，１９９４，２４（４）：６５６—６６７． 传感器输出信号经遗传神经网络模型的处理优于单一的 作者简介： ＢＰ网络模型，形成了输入至输出的非线性映射，并且，较好 董程林（１９８３一），男，湖北武穴人，硕．１＝，主要研究方向为设备 地克服了传感器的非线性误差和温度的影响。 检测搜诊断。