中心論題：
- SAW壓力傳感器的智能化溫度補償。
- 實現(xiàn)控制規(guī)則的神經網絡。
- SAW壓力傳感器的仿真與應用。
解決方案：
- 采用了神經模糊控制方法對SAW壓力傳感器進行智能溫度補償。
- 神經網絡的學習功能進行隸屬度的調節(jié)實現(xiàn)自動調節(jié)功能。
- 先進的封裝技術使SAW在實際的瓦斯預測測量中發(fā)揮巨大作用。
引言
聲表面波(SAW)技術是一門新興熱門研究課題之一，國內外已有溫度、壓力、加速度等傳感器的相關報道。SAW壓力傳感器借助于它無以倫比的性能，諸如：1)數(shù)字號輸出；2)高靈敏度、高分辨力、抗干擾能力強；3)易于大規(guī)模集成。正是由于這些自身的優(yōu)越性，它有著廣泛的應用領域。但美中不足的是SAW壓力傳感器對環(huán)境的要求比較苛刻，SAW振蕩器輸出頻率信號隨著壓力、溫度、磁場等外界因素變化而變化，特別是溫度的影響是測量誤差的主要來源，為保證SAW壓力傳感器高準確度和高靈敏度測量，必須進行有效的溫度補償。本文將神經網絡和模糊控制技術相結合，對SAW壓力傳感器進行智能化溫度補償，通過此方法進行的改進，使SAW壓力傳感器能更好地應用到工程領域。
溫度補償方案
在傳統(tǒng)的溫度補償中，例如：硬件補償和軟件補償2種方法。但存在著補償電路漂移、局部最優(yōu)、精度不夠等缺點，無法滿足SAW壓力傳感器補償要求。鑒于此種情況，本文采用了神經模糊控制方法，對SAW壓力傳感器進行智能溫度補償。
神經模糊控制是一種用神經網絡實現(xiàn)的模糊控制的方法。在形式結構上是用多點網絡實現(xiàn)的模糊映射。而神經網絡的非線性和可訓練性說明它可以實現(xiàn)任何一種映射關系。因此，本文利用神經網絡對知識的表達機理，通過學習訓練，實現(xiàn)控制規(guī)則基記，從而實現(xiàn)模糊輸入-模糊輸出的映射。神經模糊控制對SAW壓力傳感器溫度-壓力補償模型見圖1。
在SAW壓力傳感器后面接神經模糊控制器，把傳感溫度T作為輸入，則神經模糊控制器能直接輸出被測量。
實現(xiàn)控制規(guī)則的神經網絡
在一般情況下，模糊控制的推理功能是在隸屬函數(shù)不變的條件下進行的。在實際運用當中是隨時間的改變而改變的。為了彌補單一模糊控制技術這種不足，特采用神經網絡的學習功能進行隸屬度的調節(jié)，實現(xiàn)自動調節(jié)功能，以適應實際的需要。本文用含一個隱含層的三層前饋神經網絡，模型如圖2。
其中，p為輸入矢量，R為輸入矢量維數(shù)，S1為隱含層神經元個數(shù)，S2為輸出層神經元個數(shù)，W1為隱含層神經元權值矩陣，W2為輸出層權值矩陣，b1為隱含層神經元閥值，b2為隱含層神經元閥值，n1為隱含層輸入節(jié)點，n2為輸出層節(jié)點。f1為S型函數(shù)，f2為purelin型函數(shù)。神經網絡算法是用于前饋多層網絡的學習算法。如果輸出不能得到期望的輸出，則轉入后向傳播。通過誤差的后向傳播調整各層之間的權系數(shù)。反復輸入樣本序列，直至權系數(shù)不在改變?yōu)橹?，輸出誤差在規(guī)定的范圍之內。算法采用如下改進：1)采用模擬退火法以克服局部最??；2)用奇函數(shù)作激勵函數(shù)和傳播過程中采用新誤差傳播因子完善該算法收斂性問題。
鑒于BP神經網絡訓練過程需要對所有權值和閥值進行修正，是一種全局逼近神經網絡，但訓練速度較慢，不適用實時性較強場合，故采取了局部逼近網絡——徑向基網絡。算法訓練關系式如下：
節(jié)點輸出為
式中a1為節(jié)點輸出；b為神經元閥值；Wij為接點連接權值；f為傳遞函數(shù)。
權值修正
式中z為新學習因子；h為動量因子；Ej為計算誤差。
誤差計算
式中tPI為i節(jié)點期望輸出值；aPI為i節(jié)點計算輸出值。
由于神經網絡的神經元個數(shù)不確定性，經大量數(shù)據(jù)的實驗驗證，本文選取輸入層有2個神經元，隱含層有4個神經元。輸出層只有1個神經元。采用只有1個隱含層的三層網絡對控制基進行學習記憶。把每條控制規(guī)則作為神經網絡的樣本進行訓練學習，從而能實現(xiàn)這個規(guī)則基的神經網絡權系數(shù)。
基于神經網絡在推理方面不足，故借助于模糊控制強大的推理功能，提取有效的條件語句，進而加快網絡的訓練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大(L)，中(M)，小(S)，創(chuàng)立描述條件推理表格如表1。
橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據(jù)表中數(shù)據(jù)，可知共有3×3種推理語句，采用推理法將條件語句表簡化得出以下4條語句：
將產生貢獻的語句選出，可能存在的個數(shù)為20，21，…，2n。這樣，減少了冗余的推理語句，有利于網絡訓練速度的快速進行。
仿真與應用
現(xiàn)在礦井下事故頻繁發(fā)生，用AE聲發(fā)射預測瓦斯突發(fā)是非接觸測量一種趨勢，由于環(huán)境條件限制，用SAW壓力傳感器作為接收聲發(fā)射信號的傳感器，就必須保證測量信號的高準確性和智能性特點，而用神經模糊控制對溫度進行了智能補償，加上先進的封裝技術，可使SAW在實際的瓦斯預測測量中發(fā)揮巨大作用。通過實驗驗證，此種方法可行。在MATLAB6.0環(huán)
聲表面波(SAW)技術是一門新興熱門研究課題之一，國內外已有溫度、壓力、加速度等傳感器的相關報道。SAW壓力傳感器借助于它無以倫比的性能，諸如：1)數(shù)字號輸出；2)高靈敏度、高分辨力、抗干擾能力強；3)易于大規(guī)模集成。正是由于這些自身的優(yōu)越性，它有著廣泛的應用領域。但美中不足的是SAW壓力傳感器對環(huán)境的要求比較苛刻，SAW振蕩器輸出頻率信號隨著壓力、溫度、磁場等外界因素變化而變化，特別是溫度的影響是測量誤差的主要來源，為保證SAW壓力傳感器高準確度和高靈敏度測量，必須進行有效的溫度補償。本文將神經網絡和模糊控制技術相結合，對SAW壓力傳感器進行智能化溫度補償，通過此方法進行的改進，使SAW壓力傳感器能更好地應用到工程領域。
溫度補償方案
在傳統(tǒng)的溫度補償中，例如：硬件補償和軟件補償2種方法。但存在著補償電路漂移、局部最優(yōu)、精度不夠等缺點，無法滿足SAW壓力傳感器補償要求。鑒于此種情況，本文采用了神經模糊控制方法，對SAW壓力傳感器進行智能溫度補償。
神經模糊控制是一種用神經網絡實現(xiàn)的模糊控制的方法。在形式結構上是用多點網絡實現(xiàn)的模糊映射。而神經網絡的非線性和可訓練性說明它可以實現(xiàn)任何一種映射關系。因此，本文利用神經網絡對知識的表達機理，通過學習訓練，實現(xiàn)控制規(guī)則基記，從而實現(xiàn)模糊輸入-模糊輸出的映射。神經模糊控制對SAW壓力傳感器溫度-壓力補償模型見圖1。
在SAW壓力傳感器后面接神經模糊控制器，把傳感溫度T作為輸入，則神經模糊控制器能直接輸出被測量。
實現(xiàn)控制規(guī)則的神經網絡
在一般情況下，模糊控制的推理功能是在隸屬函數(shù)不變的條件下進行的。在實際運用當中是隨時間的改變而改變的。為了彌補單一模糊控制技術這種不足，特采用神經網絡的學習功能進行隸屬度的調節(jié)，實現(xiàn)自動調節(jié)功能，以適應實際的需要。本文用含一個隱含層的三層前饋神經網絡，模型如圖2。
其中，p為輸入矢量，R為輸入矢量維數(shù)，S1為隱含層神經元個數(shù)，S2為輸出層神經元個數(shù)，W1為隱含層神經元權值矩陣，W2為輸出層權值矩陣，b1為隱含層神經元閥值，b2為隱含層神經元閥值，n1為隱含層輸入節(jié)點，n2為輸出層節(jié)點。f1為S型函數(shù)，f2為purelin型函數(shù)。神經網絡算法是用于前饋多層網絡的學習算法。如果輸出不能得到期望的輸出，則轉入后向傳播。通過誤差的后向傳播調整各層之間的權系數(shù)。反復輸入樣本序列，直至權系數(shù)不在改變?yōu)橹?，輸出誤差在規(guī)定的范圍之內。算法采用如下改進：1)采用模擬退火法以克服局部最??；2)用奇函數(shù)作激勵函數(shù)和傳播過程中采用新誤差傳播因子完善該算法收斂性問題。
鑒于BP神經網絡訓練過程需要對所有權值和閥值進行修正，是一種全局逼近神經網絡，但訓練速度較慢，不適用實時性較強場合，故采取了局部逼近網絡——徑向基網絡。算法訓練關系式如下：
節(jié)點輸出為
式中a1為節(jié)點輸出；b為神經元閥值；Wij為接點連接權值；f為傳遞函數(shù)。
權值修正
式中z為新學習因子；h為動量因子；Ej為計算誤差。
誤差計算
式中tPI為i節(jié)點期望輸出值；aPI為i節(jié)點計算輸出值。
由于神經網絡的神經元個數(shù)不確定性，經大量數(shù)據(jù)的實驗驗證，本文選取輸入層有2個神經元，隱含層有4個神經元。輸出層只有1個神經元。采用只有1個隱含層的三層網絡對控制基進行學習記憶。把每條控制規(guī)則作為神經網絡的樣本進行訓練學習，從而能實現(xiàn)這個規(guī)則基的神經網絡權系數(shù)。
基于神經網絡在推理方面不足，故借助于模糊控制強大的推理功能，提取有效的條件語句，進而加快網絡的訓練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大(L)，中(M)，小(S)，創(chuàng)立描述條件推理表格如表1。
橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據(jù)表中數(shù)據(jù)，可知共有3×3種推理語句，采用推理法將條件語句表簡化得出以下4條語句：
將產生貢獻的語句選出，可能存在的個數(shù)為20，21，…，2n。這樣，減少了冗余的推理語句，有利于網絡訓練速度的快速進行。
仿真與應用
現(xiàn)在礦井下事故頻繁發(fā)生，用AE聲發(fā)射預測瓦斯突發(fā)是非接觸測量一種趨勢，由于環(huán)境條件限制，用SAW壓力傳感器作為接收聲發(fā)射信號的傳感器，就必須保證測量信號的高準確性和智能性特點，而用神經模糊控制對溫度進行了智能補償，加上先進的封裝技術，可使SAW在實際的瓦斯預測測量中發(fā)揮巨大作用。通過實驗驗證，此種方法可行。在MATLAB6.0環(huán)
境下進行神經網絡的訓練和仿真，通過神經網絡工具箱，編制相應的仿真訓練程序，實現(xiàn)仿真過程。在仿真時，隨機選取幾組頻率-溫度作為輸入，最后，進行標定壓力值和仿真結果的比較。仿真數(shù)據(jù)結果如表2。
實際中，溫度變化對SAW壓力傳感器的性能影響非常明顯，通過神經網絡的訓練，訓練的頻率和誤差在規(guī)定范圍內，其最大誤差僅為1%，BP算法的仿真結果和實際測量值吻合。
結論
本文提出采用神經迷糊控制技術對SAW壓力傳感器進行有效的溫度補償，使SAW壓力傳感器在實際的應用中能更加準確地對被測對象進行壓力測量，并且，采用神經網絡構成控制器，信息處理采用模糊量的近似推理，將神經網絡技術和?？刂萍夹g相結合，實現(xiàn)SAW壓力傳感器溫度補償?shù)闹悄芑?，為SAW壓力傳感器實際應用奠定了基礎。
實際中，溫度變化對SAW壓力傳感器的性能影響非常明顯，通過神經網絡的訓練，訓練的頻率和誤差在規(guī)定范圍內，其最大誤差僅為1%，BP算法的仿真結果和實際測量值吻合。
結論
本文提出采用神經迷糊控制技術對SAW壓力傳感器進行有效的溫度補償，使SAW壓力傳感器在實際的應用中能更加準確地對被測對象進行壓力測量，并且，采用神經網絡構成控制器，信息處理采用模糊量的近似推理，將神經網絡技術和?？刂萍夹g相結合，實現(xiàn)SAW壓力傳感器溫度補償?shù)闹悄芑?，為SAW壓力傳感器實際應用奠定了基礎。
