基于BP网络的智能压力传感器系统研究与设计
基于BP神经网络的冲击波压力传感器组件动态特性分段建模方法研究
第36卷第16期振动与冲击JOURNAL OF VIBRATION AND SHOCK Vol.36 No. 16 2017基于B P神经网络的冲击波压力传感器组件动态特性分段建模方法研究杨凡\孔德仁\孔霖2，王芳1(1.南京理工大学机械工程学院，南京210094;2.西安近代化学研究所，西安710065)主商要：受爆炸场中寄生效应的影响，需要采取相应抑制措施对冲击波压力传感器进行改造。
为研究冲击波压力 传感器组件的动态特性，基于双膜激波管对冲击波压力传感器组件进行动态校准，获得了阶跃响应信号;采用微分法求取 了传感器组件动态特性非参数模型;根据冲击波压力传感器组件动态特性非参数模型变化规律，在频域内对其进行合理 分段，并基于BP神经网络分段建模方法得到传感器组件动态特性模型;通过实例分析与比较，证明了基于B P神经网络 的分段建模方法能够有效提高模型精度和建模效率。
关键词：冲击波压力;传感器组件;动态特性；B P神经网络;分段建模中图分类号：TP212 文献标志码：A D0I ： 10. 13465/j. c n k i. jvs. 2017.16.024A segment modeling method for the dynamic characteristicsof shock wave pressure sensor assembly based on BP neural networkYANG Fan , KONG Deren , KONG Lin , WANG Fang1(1. School o f M echanical E n g in e e rin g, N a n jin g U n iv e rs ity o f Science and T e chno lo gy, N a n jin g210094, C h in a；2. X ia n M odern C hem istry Research In s titu te，X i ’ an 710065，C h in a)Abstract: Affected by the parasitic effect in explosion fields, appropriate measures need to be taken to reform the shock wave pressure sensors. To research the dynamic characteristics of shock wave pressure sensor assembly, based on double - diaphragm shock tube, the pressure sensor assembly of the shock wave can be calibrated and give a step response signal. Then the dynamic characteristics of the sensor assembly，s nonparametric model can be obtained by differential methods. According to the non-parametric model ’ s variation of the shock wave pressure sensor assembly，s dynamic characteristics，the dynamic characteristics should be reasonably segmented in frequency domain, and each part of the dynamic characteristics can be modeled based on BP neural network. Through analysis and comparison of an example, it can be proved that the segment modeling method based on BP neural network can effectively improve the accuracy and efficiency of modeling.Key words：shock wave pressure; sensor assembly; dynamic characteristic; back propagation(BP) neural network；segment modeling在进行冲击波压力测试时，爆炸场中存在热效应、冲击和机械振动等寄生效应，导致传感器输出额外响 应[1]，影响冲击波压力测量精度。
智能压力传感器系统设计
智能压力传感器系统设计随着现代化工业的不断发展，传统的压力传感器已经无法满足现代化工业生产的要求。
新一代传感器既需要具备传感功能和运算功能，也需要能与其他设备一起共同组成实时监测系统，通过分布式信息处理技术充分发挥传感器性能，在监测生产环境数据的同时对采集的信息进行处理并将数据传输到监控后台，保障工业生产过程的可靠进行。
因此，智能压力传感器系统具备上述优势，广泛应用于工业生产电子设备中。
目前，智能压力传感系统正不断通过完善配套智能化驱动，针对传感器进行各类修正、自动校准等处理，使传感器具有更高的智能化。
1 传感器工艺过程压力传感器由于功能和原理不同因而传感器种类较多，其中智能式压力传感器是基于电子压阻效应以及微电子技术制造而成，通过智能化驱动软件对传感器采集数据进行自动修正、自动校准等数据传输到后台监控系统。
智能压力传感器不仅具有良好的数据采集性能，同时灵敏度较高、自动化程度较高。
因此，智能压力传感器被广泛应用于现代化工业生产之中，是一种新型物理传感器。
智能压力传感器由于输出信号无法作为A/D信号转换器的输入量，所以在采集数据前会通过传感器智能驱动软件对输出信号进行信号预处理，将输出模拟量、输出数字量、输出开关量信号统一转换成电压信号。
采集后的数据经过预处理后输出电压信号并通过模拟转化器转化为数字信号。
转化后的数字信号由于无法直接被计算机接受、处理，因此转化后的数字信号通过后续智能化软件进行修正、补偿处理后经过计算机进行处理并通過智能网络进行传输。
2 智能压力传感器系统结构设计智能传感器与传统压力传感器相比，由于能够将传感元件与微型电子元件进行集成，具有良好的数据采集性能、信号处理能力并能对信号进行预处理、修正、自检、计算等功能。
智能压力传感器的结构图如图1所示，其中微型机是智能压力传感器的核心，它将对压力传感器采集的信号进行信息处理与软件校正。
传感器采集被测数据通过预处理后将模拟信号转化成数字信号，由微型机处理后经过D/A转化驱动电路将数字信号转化为模拟信号，最后将数据进行传输和记录。
基于BP人工神经网络的压力传感器的温度补偿实现过程研究
［］ ３ 中华人 民共和 国行业标准． 公路 工程 质量检验评定标 准（ｒ ０ １ ＪＪ ｒ７
—
９ ） 人 民交通 出版社 ，９９年 ８． １９
（） ２ 电石渣剂量 的增加反而 降低 了稳定 土的抗压 强度 ，
施工尽量控制不 要超过 １ ％ ， 施工 过程 中应 注意结 合 料 ０ 在
［］ ６ 严家仅． 道路 建筑 材料 ， 民交通 出版社 ，９９年 人 １ ９
提供参 考 ， 促进 电石 渣的研究 和利用 ， 提高经济效益 ； 并改善
Ａｐ ｉａ ｉｎ ｆＩ ｕ ｔ ｙ Ｗ ａ ｔ ｓｄ ｎ Ｃｏ ｍ ｏ ｅ ｗａ ｐｌ ｔｏ ｏ ｎｄ ｓ ｒ ｃ ｓｅ Ｒｅ ｉ ｕｅ ｉ ｍ ｎ Ｆｒ ｅ ｙ
摘
要
对 于 压 力传 感 器 而 言 ， 测 量 压 力 大 小的 时候 ， 感材 料 很 容 易 受 到 温 度 的 影 响 ， 在 敏 因此 需要 对 温 度
补 偿 。 补 偿 的根 本就 是把 温度 的影 响 降到 最低 ， 文 通 过 ＭＡ Ｌ Ｂ神 经 网络 工 具 箱 中提 供 的 构 造 神 经 网络 的 各 本 ＴＡ 种 函数 进 行 编 程 实现 压 力传 感 器 的 温度 补 偿 功 能 。
ｕ ｉ ｂ ｉｄ ｎ ｔｒ ，ｆｌｙ ｒａ ｏ ａ ｌ ｓ ｓ ｉ ｄ ｓｒ ｓ ｔ ｅ ｉｕ ｎ Ｏ ｏ ｏ ａ ｘｓｉ ｇ ｃ ｒ ｉ ｅ ｓａ ． Ａ ｔｒ ｍａ ｓｖ ｏ ｍｓｉ ｓｄ ｎ ｔ ｕ ｌ ｉｇ ｍａ ｅｉ ｌ ａ ｕｌ ｅ ｎ ｂ ｙ ｕ ｅ ｎ ｕ ｔ ｗａ ｅ ｒ ｓｄ ｅ ａ ｄ Ｓ ｎ ｌｃ ｅ ｉ ｎ ａ ｂ ｄ ｌ ｇ ｓ ｙ ｌ ｔ ｆ ｓ ｉｅ ｒｏ ｎ ｉｅ ｅ ｎ ｕｓ ｄ ｘ ｉ ａ ｄ ｏ ｔｉ ｅ ｅ ｐ ｒ ｎ ａ ｔ ｄ ｄ ｔ ｅ ｒ ｔ ａ ｎ ｙ ｉ ，ｔ ｉ ｐ ｐ ｒａｓ ｒ ｍｏ ｅ ｈ ｈ ｎ ａ ｇ ａ ｅ ａ ｏ ａ ｌ ｎ ｖ ｒａ ｏ ｄｒ ａ ｕ － ｅ ｍｅ ｔ ｓｕ ｙ ａ ｈ ｏ ｉ ｌ ａ ｓｓ ｈｓ ａ ｏ ｐ ｏ ｔ ｓｔｅ Ｓ ｅ ｙ ｎ ｒ ａｒ ｓ ｎ ｂ ｅｕ ｉｅｓ ｒ ａ ｄ ｓ ｒ ｌ ｎ ｅ ｃ ａｌ ｅ ｌ ｅ ｌ ｏ
智能压力传感器的研究与开发定稿
智能压力传感器的研究与开发摘要为了提高压力传感器的精度，解决功能单一的问题设计了一种新型的智能压力传感器。
该压力传感器以MSP430单片机为控制核心，通过A/D转换接口实现对压力传感器的温度和压力信号的采集，利用BP网络算法实现了对采集信号的数据拟合，利用LED显示，利用RS485串口通讯实现数据交换及压力值输出，完成功能要求。
详细叙述了压力传感器的温度补偿方法，重点讨论了人工神经网络中的BP网络算法。
BP网络算法主要包括BP网络的结构，基于MATLAB神经网络工具箱的BP网络仿真。
根据BP网络的数据连接关系实现了BP网络的C语言表示，根据BP网络的权值、阈值由数组连接实现了向MSP430单片机的程序移植，完成信号的控制。
提出了基于遗传模拟退火BP网络算法的压力传感器温度补偿系统。
设计了压力传感器的硬件电路。
利用MPM280压力传感器测量压力，通过放大器实现温度和压力信号的放大，利用MSP430自带A/D转换的12位MSP430单片机实现信号处理，通过RS485实现输出，设计了显示功能，设计了丰富的电源电路，并且通过相应的电压转换芯片实现对各个模块的不同电压供电。
实现了压力传感器的软件设计，在MSP430编译软件IAR上利用C语言实现了初始化子程序，温度和压力A/D采样程序，BP网络信号处理子程序，显示子程序和RS485通讯子程序。
设计了基于MATLAB GUI的串行通讯压力传感器标定软件，在GUI上实现了对单片机的信号采集，BP网络训练以及对单片机的串行通信实现的在线标定的功能。
研究设计的智能压力传感器具有体积小、精度高，并实现了基于MATLAB的BP网络在线标定。
通过仿真对软、硬件进行了充分的调试，效果良好，在工业现场已经应用实现，在众多压力测控系统中有着广阔的应用前景。
关键词：压力传感器，MSP430单片机，温度补偿，BP网络算法RESEARCH AND DEVELOPMENT OF SMART PRESSURE SENSORABSTRACTA new type of smart pressure sensor is designed for the problem of pressure sensor's output low precision and single function.The pressure sensor takes the MSP430 MCU as control core, and temperature and pressure signal gathering is realized through A/D converter interface and the data fitting of the collected signals is realized by BP network algorithm, and the functional requirements are completed with the use of LED display, with the use of RS485 serial communication for data exchange and the pressure value output.This paper describes a pressure sensor temperature compensation method, focused on the artificial neural network BP network algorithm. BP network algorithm includes BP network structure, based on MATLAB neural network toolbox of the BP network emulation. The BP network is expressed by C language according to BP network data connection relations, as well as the BP network to the MSP430 microcontroller program transplantation according to BP network weights, the threshold achieved by the array of connections. And the genetic simulated annealing algorithm for BP network pressure sensor’s temperature compensation system is proposed.The circuit of this pressure sensor is designed, using MPM280 pressure sensors to measure pressure, using amplifier to deals with temperature and pressure, using A/D conversion of 12-bit MSP430 microcontroller for signal processing, achieved output through the RS485, display is designed, the design of power supply circuit is enough, and through the corresponding voltage conversion chip for each module of the different voltage supply.To achieve a pressure sensor-based software design, software, IAR's MSP430 compiler to use C language to achieve the initialization subroutine, temperature and pressure of A/D sampling procedures, BP network signal processing routines, display routines, and RS485 communications subroutines, designed based on MATLAB GUI for serial communication pressure sensor calibration software, in the GUI to achieve signal acquisition of MCU, BPnetwork training and the microcontroller serial communication to achieve on-line calibration function.The research design of smart pressure sensor system has the characteristics of small siz e、low cost、reliability、fast response and high degree of intelligence , and the online calibration of BP network in MATLAB is realized.A full debugging for the hardware and software is achieved through simulation,and has a good effect.The application in the industrial field has been achieved,and in many pressure measurement and control system has broad application prospects.KEY WORDS：Pressure sensor, MSP430 microcontroller, temperature compensation, BP network algorithm目录1 绪论1.1 传感器相关介绍信息革命的两大重要支柱是信息的采集与处理，信息采集的关键是传感器，传感器技术[1,2]已经成为现代信息技术的重要支柱之一，在当代科学技术领域有着重要的地位。
基于BP网络的压力传感器信息融合
基于BP网络的压力传感器信息融合Ξ李国玉 孙以材 潘国峰 何 平(河北工业大学微电子所 天津 300130)摘要 压力传感器输出特性容易受环境温度、电压扰动等各种非目标参量的影响,从而大大降低了其性能。
BP算法是一种最速下降的静态寻优算法,而对其改进的算法LMBP算法克服了标准BP算法的固有缺点,不但学习速度快,而且精度高。
利用LMBP算法对压力传感器的输出进行融合,有效地消除了非目标参量特别是温度对压力传感器输出的影响,最后利用MA TLAB软件对样本数据进行训练和仿真,通过对融合结果分析可知:BP网络的LMBP算法不仅提高了压力传感器的精度,而且提高了压力传感器的稳定性和可靠性。
关键词 压力传感器 BP网络 数据融合 非目标参量Information Fusion of Pressure Sensor B ased on BP N et workLi Guoyu Sun Y icai Pan Guofeng He Ping(Hebei U niversity of Technology,Tianjin300130,China)Abstract The output of pressure sensor is easily affected by non2objection parameters,such as environment tempera2 tures,voltage fluctuation and so on,in the applications.BP algorithm is the steepest descent algorithm and an algorithm to improve its performance,LMBP algorithm overcomes the disadvantage of the standard BP algorithm and it has not on2 ly fast learning velocity,but also high ing LMBP algorithm to fuse the output data of pressure sensor,it e2 liminates the affection of the non2objection parameters,especially,such as temperatures,to the pressure sensor.Then the MATLAB software is used to train and simulate the exam ple data.Finally,the analyzed fusion results show that not only the accuracy of the pressure sensor is improved,but also the stability and liability of the pressure sensors are im2 proved.K ey w ords Pressure sensor BP network Data fusion Non2objection parameter1 引 言压力传感器在输入压力P数值不变的情况下,当工作温度T变化以及供电电源波动都将引起传感器输出发生变化,其中温度的变化对传感器的输出影响最大。
智能传感器实验--BP神经网络
BP神经网络实验2010年12月目录1自主学习模块 (2)1.1书面回答预习问题 (2)1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？ (2)1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？ (2)1.1.3如何根据检验结果判断训练好的网络可用来实测？ (2)1.2远程测控实验室网上学习与练习 (2)1.2.1经典常规传感器的交叉敏感与传感器的稳定性 (2)1.2.2多传感器数据融合改善传感器稳定性的基本原理 (3)1.2.3数据融合算法简介 (4)1.2.4 BP神经网络 (6)2自主训练模块 (12)2.1实验目的 (12)2.2实验内容 (12)2.2.1基本训练部分一 (12)2.2.2基本训练部分二 (14)2.2.3用BP 网络训练仪消除压力传感器对工作电流的交叉敏感，提高压力测量精度 (19)2.2.4 组建智能压力传感器系统 (22)3自主应用模块 (23)3.1实验目的 (23)3.2实验内容 (23)3.3实验步骤 (23)3.3.1 消除压力传感器对温度的交叉敏感 (24)3.3.2消除压力传感器对电流的交叉敏感 (26)4．自主提高模块 (27)4.1 神经网络结构的移植与实测 (27)4.2思考问题 (28)1自主学习模块1.1书面回答预习问题1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？训练神经网络网络之前，需要进行的三个步骤的准备工作是：准备训练样本、根据实际情况设置神经网络各层节点数及测量误差目标值与迭代次数（反向传播次数）、输入样本训练及检验。
1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？将网络输出结果与期望输出样本比较，计算其偏差。
若偏差小于给定的目标值，则训练结束；反之，则要调整网络结构参数，进行新的网络训练，直至偏差小于目标值。
如设置网络训练终止条件：如训练代数为1000，均方差指标为1*10-61.1.3如何根据检验结果判断训练好的网络可用来实测？将检验输入样本输入训练好的网络，并计算网络输出结果与期望输出样本的偏差。
基于BP神经网络的压力传感器数据融合研究
关键词 ： 压力传感器； 数据融合 ；Ｐ神经网络 ； 目 Ｂ 非 标参量 中图分 类 号 ：Ｐ １ 文 献标 志码 ： 文章 编 号 ：０ ０— ６ ２ ２ １ ）４— ０ ７— ５ Ｔ ２２ Ａ １０ ０ ８ （ ０ ２ ０ ０ ０ ０
Ｋｅ ｒ ｓ ｐｅｓｒ ｅ ｓｒ ｄ ｔ ｆｓ ｎ Ｂ ｅｒｌ ｅｗ ｒ ； ｏ —ｂｅｔ ｎｐｒｍｅ ｒ ｙｗｏ ｄ ： ｒｓｕｅｓｎｏ ； ａ ｉ ； Ｐ ｎｕａ ｎ ｔｏｋ ｎ ｎｏｊｃｉ ａａ ｔ ａｕ ｏ ｏ ｅ
０ 引言
目前 ， 压力 传 感 器 通 常 采 用 压 阻式 传 感 器 。其
Ａｂｔａ ｔ Ｔ ｅ ｏｔｕ ｆｐｅｓｒ ｓｎｏ ｓｅｓｙ ａ ｅｔｄ ｂ ｏ —ｂｅｔ ｎ ｐ ｒｍ ｔ ｓ ｕｈ ａ ｓ ｃ ： ｈ ｕｐ ｔｏ ｒｓｕｅ ｅ ｓｒｉ ａｉ ｆ ｃ ｙ ｎ ｎｏｊｃ ｏ ａａ ｅ ｒ，ｓｃ ｓ ｒ ｌ ｆ ｅ ｉ ｅ
ｅ ｖｒ ｎ ｎ ｅ ｅ ａ ｕ ｅ ，ｖ ｌａ ｅｆｕｃｕ ｔｏ ｎｄ Ｓ ｎ，ｗｈ ｃ ｅ ｕ ｔ ｏ ｔ ｅ ｒ ｄ ｅ ｎ ｆｔ ｅ ａ ｃ ｒ ｃ ． ｎ ｉｏ ｍｅ ｔｔｍｐ ｒ ｔ ｒ ｓ ｏｔｇ ｌ ｔ ａｉｎ ａ Ｏ ｏ ｉｈ ｒ ｓ ｌｓ ｔ ｈ ｅ ｕｃ ｍｅ ｔｏ ｈ ｃ ｕ ａ ｙ Ｂｙ ｕ ｉ ｇ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ，ｔ ａ ｇ ｔｐ ｒ ｍｅｅ ｓ，ｐ ｅ ｓ ｅ ａ ｄ ｔ ｍｐ ｒ ｔ ｒ ｓｎ ｅ ｒ ｌｎ ｔ ｒ ｗｏ ｔｒ ｅ ａ ａ ｔ ｒ ｒ ｓｕｒ ｎ ｅ ｅ ａ ｕ ｅ，ａ ｅ ｍａ ｅ ｔ ｏ ｔ ｅ ｄ ｔ ｒ ｄ ｏ ｄ ｈ ａ ａ ｃ ｍｂｎａｉｎ ｔ ｅ ｃ ｈｅ ｓ ｎｓｔｖｔ ｆｃ ｏ ｓ ｉ ｔｒｅ ｅ ｃ ．Ｔｈ ｉ ｌｔｏ ｅ ｕ ｔｓ ｏ ｈ ｔｔ ｕ ｉ ｎ ｏ ｏ ｉ ｔｏ ｏ ｒ ｄｕ ｅ ｔ ｅ ｉ ｉ ｏ ｒ ｓ —ｎ ｅｆ ｒ ｎ ｅ ｉ ｙ ｅ ｓｍｕ ａｉ ｎ ｒ ｓ ｌ ｈ ｗｓ ｔ ａ ｈｅ ｆ ｓｏ ｆ ＢＰ ｅ ａ ｅｗｏ ｋ ｉ ｒ ｖ ｓｔ ｅ ａ ｃ ｒ ｃ ｎ ｔ ｂ ｌ ｙ ｏ ｅ ｓ ｒ ｎ ｅ ｉ ｅ ｈ ａｉ ｉｙ ａ ｄ ｆ ａ ｉｉｉｙｏ ｎ ｕｒ ｌｎ ｔ ｒ ｍｐ ｏ ｅ ｈ ｃ ｕ ａ ｙａ ｄ ｓａ ｉｉ ｆｓ ｎ ｏ ，ａ ｄ ｖ ｒｆ ｓｔ ｅ ｖ ｌｄ ｔ ｎ ｅ ｓｂ ｌｔ ｆ ｔ ｉ ｔ ｉ ｔ ｏ ｈ ｓｍｅｈ ｄ．
智能压力传感器的研究与设计
智能压力传感器的研究与设计摘要：智能压力传感器是一种能够准确测量和监测物体施加压力的设备，具有广泛的应用前景。
本文主要介绍了智能压力传感器的研究与设计，包括传感器工作原理、传感器结构设计、传感器信号处理和应用领域等方面的内容。
关键词：智能压力传感器、工作原理、结构设计、信号处理、应用领域1.引言2.传感器工作原理智能压力传感器的工作原理主要分为电阻式和电容式两种。
电阻式压力传感器是通过塑料薄膜或金属薄膜形成的压阻式变送器，当外界物体施加压力时，薄膜会变形，从而改变电阻值，进而测量压力。
电容式压力传感器则是通过感应电容来测量压力，当外界物体施加压力时，电容的介质会发生变化，从而改变电容值，进而测量压力。
3.传感器结构设计智能压力传感器的结构设计直接影响其测量精度和可靠性。
传感器的结构包括感应部分、传感元件和信号处理电路。
感应部分是接触外界物体的部分，一般由金属或塑料材料制成。
传感元件是将外界压力转换为电信号的部分，可以是压阻式或电容式的传感器。
信号处理电路是对传感器输出信号进行放大、滤波和转换的部分，可以采用模拟电路和数字电路等。
4.传感器信号处理智能压力传感器的信号处理主要包括信号放大、滤波和转换等过程。
信号放大是将传感器输出的微弱信号放大到适合测量范围的电压或电流信号。
信号滤波是对放大的信号进行滤波处理，去除杂散信号和噪声。
信号转换是将模拟信号转换为数字信号，方便后续的存储、处理和显示。
5.应用领域智能压力传感器广泛应用于工业自动化、医疗仪器、机械设备、航空航天等领域。
在工业自动化中，智能压力传感器可以用于测量工业设备中的液体或气体压力，实现对生产过程的监测和控制。
在医疗仪器中，智能压力传感器可以用于测量人体血压、呼吸压力等生理参数，辅助医疗诊断和治疗。
在航空航天中，智能压力传感器可以用于测量飞机机舱压力、火箭发动机燃烧压力等参数，保障航天器的安全运行。
6.结论智能压力传感器是一种应用广泛、有着重要意义的传感器设备。
基于BP神经网络汽车传感器温度补偿技术的研究
基于BP神经网络汽车传感器温度补偿技术的研究汽车传感器在车辆运行时起着至关重要的作用，其中温度传感器的准确性对车辆的正常工作和性能至关重要。
然而，由于工作环境和长时间使用的影响，温度传感器往往会出现漂移和不准确的现象。
为了解决这个问题，目前研究者们提出了各种温度补偿技术，其中基于BP神经网络的温度补偿技术在实际应用中表现出良好的效果。
BP神经网络是一种常用的人工神经网络模型，它在模拟人脑神经元之间的连接和传递信息上具有优势。
通过调整网络的权重和偏置，BP神经网络可以从输入数据中学习到合适的模型，从而实现对未知数据的准确预测。
在温度补偿技术中，BP神经网络被用于根据其他传感器数据和环境参数来修正温度传感器的读数。
首先，需要收集一定数量的标定数据，其中包括温度传感器的读数以及其他传感器数据和环境参数。
这些数据将作为神经网络的训练集，用于训练神经网络模型。
训练过程中，通过反向传播算法不断调整网络的权重和偏置，使得神经网络能够准确地预测温度传感器的读数。
在训练完成后，将得到一个经过调整的BP神经网络模型。
然后，将该模型应用于实时环境中，通过输入其他传感器数据和环境参数，预测温度传感器的读数，并进行补偿。
通过将预测值与实际读数进行对比，可以验证模型的准确性，并对模型进行进一步调整。
需要注意的是，因为BP神经网络是一种非线性模型，而温度补偿问题本质上是一个非线性问题，因此BP神经网络在温度补偿技术中具有较好的适应性和准确性。
此外，为了提高补偿效果，还可以使用一些数据预处理技术，如数据归一化和特征提取等。
综上所述，基于BP神经网络的汽车传感器温度补偿技术能够有效解决温度传感器漂移和不准确的问题。
通过收集标定数据、训练神经网络模型，并将其应用于实时环境中进行温度补偿，可以提高温度传感器的准确性和可靠性，从而提高整个车辆系统的运行效果和性能。
这一技术在汽车工程领域具有很大的潜力和应用价值。
智能压力传感器的设计与实现
智能压力传感器的设计与实现近年来，随着技术的不断发展，越来越多的新技术在各个领域得到了应用。
其中一项技术就是智能压力传感器。
智能压力传感器是一种能够感知并测量受力情况的传感器，主要应用于机械工程、机器人、生理学等领域，并且在移动设备、汽车和其他许多领域也得到了广泛应用。
本文将介绍智能压力传感器的设计与实现过程。
一、智能压力传感器的原理智能压力传感器常用的原理是荷负型电桥原理，即利用荷载电池、两个相等电阻和一个测量电阻，将待测压力与测量电阻阻值产生变化的信号进行对比，从而得出压力值。
荷载电池常用的电场分布原理是静电感应，众所周知的是：电容与电场强度有关，当两个导体之间有电场时，导体上都会存在一定的电荷分布，此时导体之间就形成了电容。
当两个导体之间距离缩短时，电容的大小也会随之缩小。
因此，利用荷载电池作为敏感器件，在压力作用下，荷载电池会发生微小的形变和位移，从而改变其电容值和电阻值，随之发生电势差，而这个差值正是所测压力值的大小。
这种原理在机械参数测量、机器人运动控制、工业自动化等领域得到了广泛应用。
二、智能压力传感器的设计过程在设计智能压力传感器时，需要考虑以下几个关键点：1. 传感器的灵敏度、精度和分辨率灵敏度是指压力传感器对待测压力的反应程度，即输出信号随输入信号而变化的程度。
精度是指传感器的输出值与真实值之间的差距，在实际应用中，精度越高的传感器准确度越高。
分辨率是指传感器可分辨的最小压力变化值，分辨率越高，压力检测的精度越高。
2. 传感器的抗干扰能力传感器会受到环境中其它干扰信号的影响，比如振动、温度变化、电磁场等，这些干扰信号会影响到传感器的精度和稳定性，因此需要考虑传感器的抗干扰能力。
3. 传感器的可靠性和稳定性传感器在实际应用中，需要长时间连续工作，因此需要考虑传感器的可靠性和稳定性。
一方面需要考虑传感器的结构设计和材料选用，另一方面需要考虑传感器的电路设计和信号处理算法。
基于以上几个关键点，智能压力传感器的设计过程主要分为三步：1. 传感器结构设计传感器结构设计包括传感器的机械设计和电极结构设计。
改进BP网络在智能传感器设计中的应用
算 法 。而对 于经 常是 用于 复杂 环境 而且要 求测量 周
ｌ 引 言
智 能传 感器 主要 包 含传感器 和微 控制 器两 个部 分 ， 控制 器 中的软 件 则 根 据 系统 参 数 来 改 变 自身 微 的工作 方式 或 改变 仪 表硬 件 的工 作状 态 ， 硬件 只有
ｐｎ ｉ ｇ，ｓ ｌ ｅｆ—ｓｕ ｙ ｎ ｅ ｅ ａ ｉ ｔ ｎ，ｗｈｃ ａ ｏ ｓｒ ｃ ｏ ｂ ｅ ｉ ｐ ｔｓｎ ｌ ｕｐ ｔｎ ｔｍｏ ｅ ｙ ｔ ｉ ｉ ｇ ａ ｍａ ｓｏ ａ ｌ ａ ａ ｔｄ ，ａ ｄ ｇ ｎ ｒ ｌ ａ ｉ ｚ ｏ ｉｈ ｃ ｎ ｃ ｎ ｔ ｔｄ ｕ ｌ ｎ ｕ ｉ ｇｅ ｏ ｔ ｕ ｅ ｄ ｌｂ ｒ ｎ ｎ ｓ ｆ ｓ ｍｐ ｅ ｄ ｔ ． ｕ ａ Ｈｉｈ ｐ ｅ ｉ ｏ ｅ ｅ ａｕ ｅ ｃ ｍｐ ｎ ａｉｎ ｏ ｅ ｓ ｒ ａ ｅｒ ａｉｅ ｔ ｈ ｓｉ ｒ ｖ ｄ ａｉ ｍｅｉ ． ｇ ｒ ｃｓ ｎ ｔ ｍｐ ｒ ｔ ｒ ｏ ｅ ｓ ｔ ｆｓ ｎ ｏ ｓ ｃ ｎ ｂ ｅ ｌ ｄ ｗｉ ｔ ｉ ｍｐ ｏ ｅ ｒｔ ｉ ｏ ｚ ｈ ｈ ｔ ｃ
２ 中州 大学 就业 指导 中心 ， ． 河南 郑州 ４ ０ ４ ） ５ ０４ 摘 要： 传感器大多数都对环境 （ 比如温度 ） 有一定的敏感 度 ， 这样就会使传感器 的零点 和线性发 生偏 移 ， 而 从
造成输 出值 随环境 温度 的变化 而变化 ， 再加上气压 、 以及 气体 流量 等因素 ， 导致测 量出现附加误 差。本文将利用 神
一
Ｉ ｐ ｏ ｅ ｅ ｆｔ ｅ ａ ｐｌ ａ ｉ ｎ ｏ ｍ ｒ ｖ ｍ ｎｔｏ ｈ ｐ ｉ ｔｏ ｆＢＰ ｅ ｗｏ ｋ ｉ ｎ ｅ ｌｇ ｎ ｅ ｏ ｓｇ ｃ ｎ ｔ ｒ ｎ ｉ ｔ ｌｉ ｅ ｔｓ ｎｓ ｒ ｄｅ ｉ ｎ
基于BP神经网络的压力传感器数据融合
作 者 简介 ： 章
慧 （９ Ｏ ） 女 ， 士 ， １７一 ， 硕 副教 授 ， 究 方 向 ： 算 机 网 络 、 行 数 据处 理 、 据 挖 掘 理 论． 研 计 银 数
５ ６
湖南工 程学 院学报
Ａ 一 Ｍａ ｛ ） ｘ口
２１ ０ １年
压力传蒜器 ｎ ｌ ＋ 温度传感器ｎ ｌ ＋ 敷 据 璜赴
理
值 的方 法 ， 传感器 输 出电压 值进 行预 处理 ， 对 然后 采
用 Ｂ Ｐ神经 网络 方 法 对 数 据 进 行 融 合 处 理 ． 用对 并
比试 验结果 表 明 ， 方 法 能 有效 的提 高 压 力传 感器 此
的检测 性能 ．
影 响压力 传感 器 的交叉灵 敏 度 的主要 因素是 温
度 ， 文 应 用 Ｂ 神 经 网 络 进 行 多 传 感 器 的 数 据 融 本 Ｐ
合来 减小 温度 对压 力 传 感 器 的影 响 ． 系统 由传 感 此 器部 分 、 据预 处理 部 分 和 神 经 网络 数 据 融合 部 分 数
响 ， 时甚至 受多 个非 目标 参量 的影 响 ， 成传感 器 有 造 性 能不 稳定 ， 测量 准确度 低． 因此 为 了改善传 感器 的 输 出特性 ， 而 提 高 系 统 的 性 能 ， 须 消 除 各 种 非 从 必 目标 参量 的影 响． 针对 温度 、 噪声 和 电 源 波动 等 多种 环 境 因 素对 压力 传感 器输 出电压 值 的影 响 这一 问题 ， 了提 高 为 压力传 感器 的稳定 性 ， 消除 温度 、 噪声 对传感 器输 入
特性 很容 易受 温度 、 声 和 电 源波 动 等 多 种 环境 因 噪
素 的 影 响 ， 静 态 特 性 不 仅 受 某 一 个 环 境 参 量 的 影 其
改进BP网络在智能传感器设计中的应用
改进BP网络在智能传感器设计中的应用张涛;吕欣美【摘要】传感器大多数都对环境(比如温度)有一定的敏感度,这样就会使传感器的零点和线性发生偏移,从而造成输出值随环境温度的变化而变化,再加上气压、以及气体流量等因素,导致测量出现附加误差.本文将利用神经网络来处理各种环境因素而产生的误差,将低成本的微控制器与传感器结合起来,设计出了能够自动补偿环境影响的智能传感器.并针对硬件平台的局限性,根据学习网络的学习特性,做了相应的优化改进,实现了传感器高精度快速误差补偿.【期刊名称】《铜业工程》【年(卷),期】2010(000)002【总页数】4页(P82-85)【关键词】BP网络;线性;智能【作者】张涛;吕欣美【作者单位】郑州轻工业学院计算机与通信工程学院,河南,郑州,450002;中州大学就业指导中心,河南,郑州,450044【正文语种】中文【中图分类】TP183智能传感器主要包含传感器和微控制器两个部分,微控制器中的软件则根据系统参数来改变自身的工作方式或改变仪表硬件的工作状态,硬件只有在软件的协调控制下才能充分发挥其作用,但同时它们又是相辅相成的。
其中软件中的系统参数利用神经网络进行学习确定。
神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。
目前已经提出了多种神经网络模型,其中应用最广泛的是前馈型神经网络。
而对于前馈型神经网络,对其训练使用最多的方法是BP算法。
而对于经常是用于复杂环境而且要求测量周期短暂的热导气体分析仪,传统 BP网络无法满足仪表设计需要。
本文将根据热导传感器测量的主要因素,然后提出一种新的BP神经网络算法,能够快速,准确地将这些因素与热导传感器的原始测量值进行拟合,减小测量误差[1,5]。
智能传感器的微控制器选用德州仪器公司推出超低功耗 Flash型 16位 RISC指令集单片机MSP430f149。
F149有丰富的内部硬件资源,具有60KB的闪存,2KB RAM,能够支持一定数量的存储和处理工作。
感知器和BP网络设计及应用
学号：1001314197人工神经网络实验报告实验一感知器和BP网络设计及应用实验1 感知器和BP网络设计及应用题目一初步认识Matlab人工神经网络工具箱一、实验目的初步了解人工神经网络工具箱。
二、实验容认识人工神经网络工具箱包含的主要功能函数及分类。
三、实验步骤(1) 在命令窗口键入help nnet(2) 描述人工神经网络工具箱划分的主要函数模块,并在每类下挑选3-4个函数,说明其主要功能。
四、实验结果>> help nnetNeural Network ToolboxVersion 6.0 (R2008a) 23-Jan-20081.Graphical user interface functions.图形用户界面函数nnstart - Neural Network Start GUI 神经网络启动图形用户界面GUInctool - Neural network classification tool 神经网络分类工具nftool - Neural Network Fitting Tool 神经网络拟合工具nntraintool - Neural network training tool 神经网络训练工具work creation functions. 网络生成函数cascadeforwardnet – Cascade-forward neural network. 级联神经网络competlayer - Competitive neural layer. 竞争神经层distdelaynet - Distributed delay neural network. 分布式延迟神经网络elmannet - Elman neural network. Elman 神经网络ing networks. 网络使用network - Create a custom neural network. 创建一个定制的神经网络sim - Simulate a neural network. 模拟神经网络init - Initialize a neural network. 初始化一个神经网络adapt - Allow a neural network to adapt. 神经网络的适应train - Train a neural network. 训练一个神经网络4.Simulink support. 仿真支持gensim - Generate a Simulink block to simulate a neural network. 生成Simulink模块来模拟神经网络setsiminit - Set neural network Simulink block initial conditions 设置神经网络Simulink模块初始条件getsiminit - Get neural network Simulink block initial conditions 获得神经网络Simulink模块初始条件neural - Neural network Simulink blockset. 神经网络Simulink 模块集5.Training functions. 训练函数trainb - Batch training with weight & bias learning rules. 批处理具有权重和偏差学习规则的训练trainbfg - BFGS quasi-Newton backpropagation. BFGS 拟牛顿反向传播trainbr - Bayesian Regulation backpropagation. 贝叶斯规则的反向传播trainbu - Unsupervised batch training with weight & bias learning rules. 无监管的批处理具有权重和偏差学习规则的训练6.Plotting functions. 绘图函数plotconfusion - Plot classification confusion matrix. 图分类混淆矩阵ploterrcorr - Plot autocorrelation of error time series. 误差自相关时间序列图ploterrhist - Plot error histogram. 误差直方图plotfit - Plot function fit. 绘图功能(函数)配合题目2 感知器的功能及初步设计一、实验目的掌握感知器的功能。
基于BP网络的智能压力传感器系统研究与设计
Ｅ ＡＣ １ ９ ；２ ０ Ｅ Ｃ：２ ５ ７ ３
ｄ ｉ１ ． ９ ９ ｊ ｉ Ｉ １ ０ － ６ ９ ２ １ ． ０ ０ １ ｏ ：０ ３ ６ ／ ．Ｓ Ｉ ０ ４ １９ ． ０ １ １ ． １ Ｓ．
基于 Ｂ Ｐ网络 的智 能压力传感器系统研究 与设计 冰
崔静雅 ， 吕惠 民 程 赛 ，
（ 西安理工大学应用物理系 ， 西安 ７０ ４ ） １０ ８
摘 要 ： ＳＭ ２ １１８ 将 Ｔ ３Ｆ０Ｃ 微处理器与 ￣ ／ Ｓ Ⅱ Ｃ Ｏ 一 操作系统相结合 ， 设计出了一种高精度智能传感器系统 ， 给出了相应的硬件
结构和软件设计 。利用 Ｂ Ｐ神经网络对压力和温度两个 目标参量进行数据融合处理 ， 减小 了两 者相互交叉 干扰敏感度 。实测 结果显示该传感器能满足多任务下 的实时性要求 ， 并具有更 加精 确、 稳定 、 可靠 的性 能。
压 力传 感 器 的工 作 原理 已经基 本 定 型 。 过发 通
现新 的 特 殊 敏 感 材 料 ＿ 来 提 高 性 能 已 经 很 困难 。 ３
提高压力测量 的精度＿ ］但是忽略 了温度测量的 ５ ，
准确 ， 且收敛速度慢 。本智能传感器 系统针对压力 和温度 相互 交 叉 干 扰 的 问题 ． 用 Ｂ 利 Ｐ神 经 网络 的 Ｌｖｎｅ ． ａ ｕｒｔ ｅｅｂｒ Ｍ ｒ ａ 算法提高了网络收敛速率 以及 ｇ ｑ ｄ
ＢＰ ｅ ａ ｅ ｗｏ ｋ，ｗｏ ｔｒ ｅ ａ ａ ｔｒ ， ｒ ｓｕ ｅ ａ ｄ ｔｍｐｅ ａｕ ｅ， ｒ ｄｅ ｄ ｈ ａａ ｃ ｍｂ ｎ ｔｏ ｏ ｒ ｄ ｃ ｎ ｕｒｌｎ ｔ ｒ ｔ ａ ｇ ｔｐ ｒ ｍｅｅ ｓ ｐ ｅ ｓ ｒ ｎ ｅ ｒ ｔ ｒ ｗｅ ｅ ｍａ ｏ ｔ ｅ ｄ ｔ ｏ ｉ ａ ｉｎ ｔ ｅ ｕ ｅ
智能压力传感器的研究与设计
第２章系统结构设计２．１系统结构本文设计的智能压力传感器提供了一种精确测量压力的系统方法，它将三种技术融为一体：硅压阻传感元件，微型计算机和数字信号处理。
它可为温度效应和非线性度提供补偿，并且每台传感器同时具有数字输出和模拟输出。
根据设计要求，智能压力传感器系统采用低价格、小体积、具有高性能价格比的８位微处理器（单片机）ＭＳＣｌ２１ｌＹ５控制，用以实现传感器信息的处理、数字通讯和智能化管理。
利用计算机现成的ＲＳ．２３２标准串行口实现与系统的通信””““，通信速率可达到５７．６ｋｂｐｓ．能够满足大多数工业控制系统的要求，稍加改进，即可实现远程控制和网络控制，总体结构分为计算机和智能压力传感器两部分（参见图２一１）。
图２—１系统结构Ｆｉｇ．２—１Ｓｙｓｔｅｍｓｔｒｕｃｔｕｒｅ由于微处理器ＭＳＣｌ２１１Ｙ５内部集成了２４位无丢失码、低噪声∑．△Ａ／Ｄ转换器和１６位Ｄ／Ａ转换器，所以从压力传感元件输出的信号可以直接进入到微处理器内部的Ａ／Ｄ转换器，其内部具有可编程增益放大器，可根据输入信号的范围自动设置增益放大倍数，Ａ／Ｄ转换器对模拟信号数字化并进行数字滤波后，由ＭＣＵ根据从温度芯片读来的温度信号，从ＦＬＡＳＨ存储器中读取零点、线性度校正系数后，进行温度补偿和非线性补偿，然后根据量程范围进行量程转换并将其送到内部的Ｄ／Ａ转换器，从而输出相应的电压值，同时将压力以相应的单位显示在显示器上。
其中智能压力传感器的硬件电路分为４大部分：电源模块、传感器模块、图２－３模拟输山方式的连接Ｆｉｇ．２—３ＣｏｎｎｅｃｔｉｏｎｏｆＡｎａｌｏｇＯｕｔｐｕｔ（２）远程模拟传感器若带状图表记录仪或其他模拟输入装置正用于监视远程位置的压力点，在这种情况下，压力源必须用管子输送到传感器，或模拟输出信号必须与带状图本。
对于第２种选择，传感器和记录仪之间的模拟压力信号将遭受电气噪声、表记录仪有长的互连距离。
对于第１种选择存在明显的技术困难和高的实施成线路干扰和连接器电气损失。
基于BP神经网络温度补偿的压力传感器无线数据采集系统
基于BP神经网络温度补偿的压力传感器无线数据采集系统
张耀锋;孙以材
【期刊名称】《传感器世界》
【年(卷),期】2008(14)1
【摘要】介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经
网络算法对其实现温度的软件补偿.该算法有效改善了传感器的非线性及温度变化
所引起的输出的误差,提高了测量精确性和可靠性.通过无线收发模块PTR2000实
现了数据的无线传输.该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收.并具有成本低、可靠性好、实用性强等优点.
【总页数】5页(P36-39,48)
【作者】张耀锋;孙以材
【作者单位】河北工业大学信息工程学院微电子所,300130;河北工业大学
【正文语种】中文
【中图分类】TP274+.2
【相关文献】
1.基于PSO-LM-BP神经网络的压力传感器温度补偿方法 [J], 伍川辉;蒋荣伟
2.基于PSO-BP神经网络的光纤压力传感器温度补偿研究 [J], 徐顺;卢文科;左锋
3.基于人工鱼群BP神经网络算法的压力传感器温度补偿研究 [J], 陈群;左锋;卢文科
4.基于BP神经网络模型的压力传感器温度补偿 [J], 乔维德
5.基于BP神经网络的压力传感器温度补偿方法研究 [J], 刘贺;李淮江
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第24卷第10期2011年10月传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol．24No．10Oct．2011项目来源:陕西省教育厅基金项目(09JK636)收稿日期:2011－06－01修改日期:2011－07－16The Research and Design of Intelligent Sensor System Based on BP Network *CUI Jingya ，LV Huimin *，CHENG Sai(Department of Applied physics ，Xi ’an University of Technology ，Xi ’an 710048，China )Abstract :An intelligent high precision sensor was designed by combining STM32F101C8microprocessor with μC /OS－Ⅱoperating system ，meanwhile ，the corresponding hardware structure and software design were given．By using BP neural network ，two target parameters ，pressure and temperature ，were made do the data combination to reduce the sensitivity of cross-interference．The results show that the sensor can meet the real-time demand under multitask ，and get the performance more accurate ，stable and reliable．Key words :pressure sensor ;BP network ;μC /OS－Ⅱ;STM32F101C8EEACC :1295;7230doi :10．3969/j．issn．1004－1699．2011．10．011基于BP 网络的智能压力传感器系统研究与设计*崔静雅，吕惠民*，程赛(西安理工大学应用物理系，西安710048)摘要:将STM32F101C8微处理器与μC /OS－Ⅱ操作系统相结合，设计出了一种高精度智能传感器系统，给出了相应的硬件结构和软件设计。
利用BP 神经网络对压力和温度两个目标参量进行数据融合处理，减小了两者相互交叉干扰敏感度。
实测结果显示该传感器能满足多任务下的实时性要求，并具有更加精确、稳定、可靠的性能。
关键词:压力传感器;BP 神经网络;μC /OS－Ⅱ;STM32F101C8中图分类号:TP24文献标识码:A 文章编号:1004－1699(2011)10－1426－05压力的测控在现代工业自控环境中广泛应用，涉及水利水电、铁路交通、智能建筑、航空航天、军工等众多行业。
随着通讯技术和计算机技术的发展，智能压力传感器技术的发展相对滞后，呈现出“头脑(计算机)发达，感觉(传感器)迟钝”的现象［1］。
为了提高测量精度，如何抑制压力传感器对温度的交叉敏感性是亟待解决的核心问题［2］。
压力传感器的工作原理已经基本定型，通过发现新的特殊敏感材料［3］来提高性能已经很困难。
目前，国内外常用的解决方法基本有两种:一种是硬件法，但硬件电路大都存在电路复杂、精度低、成本高等缺点［4］;另一种是软件法，此类方法是将微处理器与传感器结合起来，利用丰富的软件功能、结合一定的算法对参量进行数据融合，主要有回归法、最小二阶乘法、神经网络、小波等，其中神经网络具有层次性、联想记忆和并行处理等优点，应用前景良好［5－6］。
近几年，相关文献中多选用BP 神经网络来提高压力测量的精度［5，7－8］，但是忽略了温度测量的准确，且收敛速度慢。
本智能传感器系统针对压力和温度相互交叉干扰的问题，利用BP 神经网络的Levenberg-Marquardt 算法提高了网络收敛速率以及温度和压力两个参量的测量精度，同时在μC /OS －Ⅱ操作平台上，将BP 网络融合算法嵌入到STM32F101C8微处理器中，实现显示、报警、与PC 机通信等功能，使功能更加完善。
1智能压力传感器的硬件设计硬件电路的系统方框图如图1所示。
图1硬件电路系统方框图第10期崔静雅，吕惠民等:基于BP网络的智能压力传感器系统研究与设计1．1测量单元传感器选用的是JCY－101型硅压阻式压力传感器，其内部电路是由四个压敏电阻组成的全桥差动电路，如图2所示。
为了提高恒流特性，本设计采用反馈改进型的恒流源为其供电。
测量过程使用“一桥二测”技术，其中，电桥B、D两端输出电压UP 为压力参量的输出信号;A、C两端输出电压Ut为温度参量的输出信号［9］。
图2JCY－101型硅压阻式压力传感器原理图1．2主控制器STM32F101C8及其外围电路STM32F101其内部使用高性能的ARM Cortex－M3 32位的RISC内核，工作频率为36Hz，内置高速存储器，具有丰富的增强型外设。
其工作电压为2．0V 3.6V，为了提高转换的精确度，ADC使用一个独立的电源供电，过滤和屏蔽来自印刷电路板上的毛刺干扰。
本设计中，将芯片的PA口的PA.4、PA．5、PA．6作为3路信号输入用到其中一路输入压力信号，一路输入温度信号，一路接地，此接地电路可配合相应的软件来降低温漂和系统误差;实时时钟采用12MHz的时钟晶振和32．768kHz的低速外部晶振源;PA．8(USART1_TX)和PA．9(USART1_RX)外接一片MAX488进行电平转换，进行与PC的串口通信，对采集到的有效的压力和温度信号实现远程和实时监测控制;4个按键开关分别接到STM32F101C8的PA．10、PA．11、PB．6、PB．7，作为预置压力、调节上、下限，开始工作的输入端;将采集到的实时数据、来自键盘的设定压力值送入液晶显示器CM12864显示。
2智能压力传感器的软件设计目前，商用的嵌入式操作系统开发成本昂贵且大部分不提供源代码，并不适合小型系统的开发。
而μC/OS－Ⅱ相对于其它操作系统具有源码公开、移植性强、代码可裁减等特点，比较适合用于仪用仪表的内嵌微控制器。
考虑这些特点，选用μC/OS－Ⅱ作为嵌入式实时操作系统，克服了过去单任务顺序机制，增强系统安全与稳定性［10］。
在此智能传感器系统中，微处理器启动时，A/D 转换芯片等功能开始自检。
如有故障，显示哪一原件出错，以便操作人员及时处理;如正常，则对系统初始化。
一切就绪后，采集目标参量，进行数据处理及BP融合，并将输出结果显示出来。
同时与PC机通信，将测试结果送入PC机，以得到更详细的处理。
2．1利用BP神经网络进行数据融合JCY－101型压力传感器为两功能传感器，可以测量压力和温度两个目标参量，但相互存在交叉敏感度。
因此本系统采用BP神经网络对输出信息进行数据融合处理，进而提高目标参量的测量精度。
(1)样本库的建立在不同的温度T(20，30，40，50，60，70ħ)压力P(0，1，2，3，4，5)ˑ104Pa下，对CYJ－101压力传感器的静态输入－输出特性进行标定，得到36组二维实验数据标定表。
取20ħ 70ħ、0 5ˑ104Pa范围内的30组数据作为训练样本，其余6组作为测试样本。
由于神经网络输入输出数值应为归一化数值，分别用式(1)和式(2)对样本数据和目标数据进行归一化处理，建立神经网络输入输出标准样本库［11］。
珔Xi=Xi－Xi minXi max－Xi min(i=1，2)(1)珔Yi=0．9(Yi－Yi min)Yi max－Yi min+0．05(i=1，2)(2)式中:珔Xi、珔Yi为第i个传感器输入输出归一化值，Xi、Yi为传感器的输入输出值，Xi min、Xi max、Yi min、Yi max分别对应第i个传感器输入输出的最大值和最小值。
(2)BP网络模型的建立BP神经网络是一种按误差逆传播算法训练的多层前馈网络，针对通常BP网络在使用中存在的收敛速度慢，容易陷于局部极小值等缺点，采用Lev-enberg-Marquardt算法对样本数据进行融合［12］。
设计一种包括输入层、隐层、输出层的3层网络，输入层和输出层的2个节点分别对应于压力信号和温度信号的输入输出，隐层节点数为6，两层间的传递函数分别为双曲正切S型函数tansig和纯线性函数pureline。
输入层X(XP，Xt)与隐层之间的权值矩阵为W1，阀值矩阵为b1，隐层和输出层Y(Yp，Yt)之间的权值矩阵为W2，阀值矩阵为b2，则输入层与输出层之间的关系表达式为:Y=pureline(W2tansi g(W1X+b1)+b2)(3)(3)BP网络训练利用函数trainlm对BP网络训练［13］，得到权值7241传感技术学报www．chinatransducers．com第24卷和阈值的最优值。
当训练误差取0．00001时，利用MATLAB神经网络工具箱构建BP网络，部分程序如下:net=newff(minmax(p)，［62］，{‘tansig’，‘purelin’}，‘trainlm’);%创建BP神经网络和定义训练函数以及参数，隐层神经元数量为6，输出层数量为2net．trainParam．goal=0．00001;%目标精度设置net．trainParam．epochs=2000;%最大迭代次数［net，tr］=train(net，p，t);%训练神经网络y=sim(net，p);%拟合检验网络的误差曲线如图3所示，由此图可见，该网络算法收敛速度快，只经过了115次迭代便得到目标误差要求。
根据欧式范数理论，对原训练样本进行拟合检验，样本逼近误差为0．0203，网络性能完全可以满足控制要求。
此外，为了检验构建的神经网络具有广泛性，用测试样本对网络进行评估，通过图3网络的误差曲线与目标值相比较，得到网络误差为0．0379，这表明神经网络具有广泛的适应能力和学习能力，构建的BP网络能很好的解决传感器信号交叉敏感问题。
2．2μC/OS－Ⅱ的移植在STM32F101C8上移植μC/OS－Ⅱ系统，移植的主要工作集中在OS_CPU．H、OS_CPU_A．ASM和OS_CPU_C．C这3个文件中，主要设计堆栈初始化、任务上下文切换、中断挂接和数据类型定义几个方面，这些均与STM32F101C8微处理器的ARM内核硬件紧密相关［14］。
2．3软件开发流程将训练好的BP神经网络权值(W1、W2)和阈值(b1、b2)以适当的数组方式存入STM32F101C8处理器的Flash存储器中，根据BP网络的融合算法，编写出基于C语言的BP网络融合算法程序，程序在μC/OS－Ⅱ中以任务的方式运行，本系统由如图4中8个任务来实现，优先权(Prio)的设置由各任务的执行顺序以及对系统安全性影响的大小决定。