智能传感器系统神经网络技术课件.ppt

智能传感器系统 2010，10，21 2 目标 通过四个智能化教学实验模块、采用虚拟仪器技术手段 实现传感器系统智能化程度的不断提升。 3 采用六种教学方法 1、设计建议型教学法； 2、扩展应用型教学方法； 3、多元求解型教学方法； 4、实验探索型教学方法； 5、移植与复现型教学方法； 6、自命题型教学方法。 4 四段渐进交互式教学模块培养学生创新实践能力 5 智能传感器系统知识链教学模式 6 各实验模块的一般功能 做到学以致用!会举一反三! 9 1.1 背景 多参量交叉敏感的测量场合。 测量方法 直接测量 间接测量 组合测量 函数关系 y = x Y = f (x) y = f ( x1, x2,, xn) 举例 U 或 R P = U2/R P = f1 (U, UT ) T = f2 (UT , U) 表1 不同测量方法示例 10 1.2 自主学习 1.2.1 实验内容 1.2.2 有关测量系统建模的基础知识 1.2.3 仪器面板简介 1.2.4 作业 11 1.2.1 实验内容 学习 BP 网络消除交叉敏感的原理、方法 神经网络结构参数优化 （实验探索法，目标——使神经网络的数据融合结果的精度达到测量要求） 12 1.2.2 有关测量系统建模的基础知识 经典常规传感器的交叉敏感与传感器的稳定性 多传感器数据融合改善传感器稳定性的基本原理 数据融合算法用于建立逆模型 数据融合效果的评价（P31） 小结 13 1.2.2 有关测量系统建模的基础知识 经典常规传感器的交叉敏感与传感器的稳定性 图1-1 常规（压力）传感器测量系统 14 经典常规传感器的交叉敏感与传感器的稳定性 分析：当传感器系统工作环境温度从 T1 变至 T3，其特性也随之漂移。但仍按T1时的正、逆模型获得的测量值 P1 与实际值 P13 之间存在很大偏离P = P13 - P1 。因此存在交叉灵敏度的传感器及其系统性能不稳定，测量结果精度低，准确性差。这是常规经典传感器普遍存在的问题。 不同温度条件下的正模型 U = f (P) 不同温度条件下的逆模型 P = f -1(U) P1 T 3 U P T 2 T 1 U1 U12 U13 T 3 P U U 1 T 2 T 1 P 1 P13 P13 15 1.2.2 有关测量系统建模的基础知识 多传感器数据融合改善传感器稳定性的基本原理 多传感器组成的智能传感器系统 传感器单元 信号处理单元 目标参量 干扰量 16 1.2.2 有关测量系统建模的基础知识 数据融合算法用于建立逆模型 多传感器系统的逆模型 主传感器目标参量 x 与 m 个传感器的输出y1, y2, ……, ym之间的对应关系---逆模型，有两种类型表示方式： 严格的数学解析表达式---回归分析法； 建立某种结构的映射关系---神经网络法或支持向量机法。 根据不同神经网络又有：BP误差反向传播神经网络、RBF径向基函数神经网络、GANN遗传神经网络等。 17 数据融合算法用于建立逆模型 （1）回归分析法 二传感器信息融合算法 m = 2： 三传感器信息融合算法 m = 3： 按最小二乘法原理，由实验标定数据计算出均方误差最小条件下的方程系数。 18 数据融合算法用于建立逆模型 （2）神经网络法 （a）概述 人工神经网络是一种采用工程技术手段模拟人脑神经网络结构和功能的技术系统。它以计算机系统为基础，从人脑简单抽象出来。在人脑中有很多神经元节点，称为处理单元，以网状结构互相连接，形成神经网络。 BP神经网络是由于其采用误差反向传播(Back Propagation)的学习算法而得名。 19 （2）神经网络法 （a）概述 反向传播算法分二步进行，即正向传播和反向传播。这两个过程的工作原理如下： a) 正向传播：输入的样本从输入层经过隐层单元一层一层进行处理，通过所有的隐层之后，则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果当前输出不等于期望输出，则进入反向传播过程。 b) 反向传播：反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以使误差信号趋向最小。 B