智能传感器系统智能化功能的实现方法[专业知识]

智能传感器系统的非线性自校正原理如图所示。
行业相关
5
5.1 非线性自校正技术
1)传统的软件非线性校正方法。主要有反函数 法、查表法、分段内插法、样条函数内插法和曲 线拟合法。
(1)反函数法。它是直接求出分度函数反函数 的解析式，计算该函数求输入。一般只有函数很 简单时才有实用意义。例如对热电阻的部分温区 采用这种方法。
行业相关
20
5.1 非线性自校正技术
5.1.1 查 表 法 5.1.2 曲线拟合法 5.1.3 函数链神经网络法
行业相关
21
5.1.1 查 表 法
查表法是一种分段线性插值法。根据精度要求对 反非线性曲线进行分段，用若干段折线逼近曲线， 将折点坐标值存入数据表中。测量时，首先由测量 值确定应该选用哪一段，然后根据线性插值法求输 出值。
现代传感器技术
第5章 智能传感器系统智能化 功能的实现方法(Ⅰ)
行业相关
1
第5章 智能传感器系统智能化 功能的实现方法(Ⅰ)
5.1 非线性自校正技术 5.2 自校零与自校准技术 5.3 噪声抑制技术
行业相关
2
5.1 非线性自校正技术
测量系统的线性度(非线性误差)是影响系统精度 的重要指标之一。智能传感器系统具有非线性自动 校正功能，可以消除整个传感器系统的非线性系统 误差，提高测量精度。
行业相关
3
5.1 非线性自校正技术
与经典传感器技术不同的是，智能化非线性自动 校正技术是通过软件来实现的。它不在乎测量系统 中任一测量环节具有多么严重的非线性特性，也不 需要再对改善测量系统中每一个测量环节的非线性 特性而耗费精力，只要求它们的输入—输出特性具 有重复性。
行业相关
4
5.1 非线性自校正技术
行业相关
9
5.1 非线性自校正技术
2)非线性校正新方法。主要有遗传算法、神经 网络方法和支持向量机方法。新方法主要用在传 感器的特性函数未知时建立实用的函数或反函数 关系。
行业相关
10
5.1 非线性自校正技术
(1)遗传算法。主要步骤如下
①取得一组实验数据(q1,u1),(q2,u2),…, (qn,un)。
Fra Baidu bibliotek
行业相关
18
5.1 非线性自校正技术
例如，使用遗传算法对0 ℃以上时铂电阻阻 值的经验公式系数进行拟合，即对
Rt R0 (1 At Bt 2 )
中的A、B两个系数在0～300 ℃之间进行拟合。 试验得出的铂电阻的部分温度和阻值对应关系
如下表所示。
行业相关
19
5.1 非线性自校正技术
拟合结果如下 A＝3.9680×10－3，B＝－6.0000×10－7。
pik
F (x(i, k))
M
F(x( j, k))
j 1
行业相关
14
5.1 非线性自校正技术
⑧杂交。在上一代的父本中，随机选取它们的编 码串位(或片段)进行交换，产生新的个体。操作时 要选择适当的杂交概率。如图所示为父辈1与父辈2 通过在第6位的换位产生新的下一代。
行业相关
15
5.1 非线性自校正技术
应用遗传算法时可以利用Matlab等工具。
行业相关
17
5.1 非线性自校正技术
(2)神经网络方法。利用人工神经网络如函数 链神经网络等，通过对样本数据的学习，来建立 传感器的输入输出关系。
(3)支持向量机方法。支持向量机方法是一种 基于统计学习理论的模式识别方法，主要用于模 式识别领域。它在文本分类、手写识别、图像分 类、生物信息学等领域中获得了较好的应用。
行业相关
22
5.1.1 查 表 法
设反非线性特性曲线如图所示，下面以四段为例， 折点坐标值为
横坐标：u1,u2,u3,u4,u5； 纵坐标：x1,x2,x3,x4,x5。 各线性段的输出表达式为
y()
x()
x1
x2 u2
x1 u1
(ui
u1)
行业相关
23
5.1.1 查 表 法
行业相关
8
5.1 非线性自校正技术
(4)样条函数内插法。它也是一种分段内插法， 只是在分段点上不仅要求函数连续，还要求函数 的一阶导数连续，因此往往采用三次曲线作为样 条函数。
(5)曲线拟合法。它是用最小二乘法来确定拟 合函数的系数。当测量范围比较宽时，即便用曲 线拟合法也是要分段的。虽然多项式是最常用的 拟合函数，但也常用其他函数形式。
行业相关
6
5.1 非线性自校正技术
(2)查表法。它是将输入输出关系表存储在只 读存储器中，使用时通过查表求得输入。为了节 省存储器空间，可采用不同的表格压缩方法；为 了提高查表速度，可采用各种快速查表算法。
行业相关
7
5.1 非线性自校正技术
(3)分段内插法。它是将传感器的输入输出关 系曲线分成若干段，每段内使用线性或二次曲线 内插。为了在指定精度条件下分段数最少，或在 指定分段数条件下实现的误差最小，可采用各种 优化分段方法。对温度传感器，国内市场上有专 用的优化软件销售。
行业相关
12
5.1 非线性自校正技术
⑤生成初始群体，随机产生M个初始串群体。
⑥转化适应值函数。适应值函数用于判别群体中 个体的好坏。适应值函数F(x(i,k))通过对目标函数 作简单变换得到，i是群体中的个体序号，k是遗传 的代数。
行业相关
13
5.1 非线性自校正技术
⑦繁殖。繁殖是为了从当前群体中选取作为遗传 父本的优良个体，按下式计算每个个体的繁殖概率， 依此概率进行繁殖操作。
⑨变异。对上一代父本中的个体，随机选取它们 的编码串位求反(0/1变换)，产生新的个体。变异操 作的概率一般选得较小。如图所示为对父辈第5位 的求反操作产生的下一代。
行业相关
16
5.1 非线性自校正技术
⑩反复进行繁殖、杂交和变异三种遗传操作，直 到满足事先选定的终止条件。
由于遗传算法不利用模型函数的梯度信息，因此 不会陷于局部最优，它的优点是可以寻求全局最优 解。但由此产生的缺点是无法判断模型函数的收敛 性。
②建立模型函数。常采用多项式形式作为反函
数q＝f－1(u)模型，同时给每一个系数确定数值
范围。
行业相关
11
5.1 非线性自校正技术
③建立目标函数。常选误差平方和最小作为评 估标准，如下式所示
n
E min [ fi1(u) qi ]2
i 1
④确定编码方案。常采用二进制编码形式。通 过编码形成的编码串将待处理数据表示成遗传空 间的基因型结构数据；通过对编码串的运算求解 模型函数系数的最佳值。