RBF神经网络在智能传感器模块设计中的应用

时间：05-21 来源：本站整理点击：

, 1); Ui=data_test(: , 2); Ut=data_test(: , 3); Up=data_test(: , 4);

P1= ; [Up Ui Ut] %学习样本输入

T1= ; P' %学习样本期望输出

P2= ;[Up_test Ui _test Ut_t est]' %测试样本输入

T2=P_test' ； %测试样本输出

%将输入数据进行归一化

[PN1，Minp，maxp，TN1，mint，maxt]=premnmx(P1，T1)；

PN2=tramnmx(P2，minp，maxp)；

TN2=tramnmx(T2,mint,maxt);

%训练

switch 2

case 1 %神经元数是训练样本个数

spread=0.1； %此值越大，覆盖的函数数值就越大（默认为1）

net=newrbe(PN1，TN1，spread)；

case 2 %神经元数逐步增加，最多就是训练样本个数

goal=1e－8； %训练误差的平方和（默认为0）

spread=0.1； %此值越大，需要的神经元就越少（默认为1）

MN=size(PN1,2)； %最大神经元数（默认为训练样本个数）

DF=2； %显示间隔（默认为25）

net=newrb(PN1，TN1，goal，spread，MN，DF);

case 3

spread=0.1； %此值越大，需要的神经元就越少（默认为1）

net=newgrnn(PN1，TN1，spread);

end

%测试

YN1=sim(net，PN1)； %学习（训练）样本实际输出

YN2=sim(net，PN2)； %测试样本实际输出

MSE1=mean((TN1－YN1).ˆ2 %学习（训练）样本实际输出的均方误差

%n1=length(TN1)；%e1=sum((TN1－YN1).ˆ2/n1

%e1与MSE1相等

MSETD1=std((TN1－YN1).ˆ2

MSE2=mean((TN2－YN2).ˆ2 %测试样本实际输出均方误差

%n2=length(TN2)；%e2=sum((TN2－YN2).ˆ2/n2

%e2与MSE2相等

MSETD2=std((TN2－YN2).ˆ2

%反归一化

Y1=postmnmx (YN1,mint,maxt)' %将归一化的学习（训练）输出数据恢复为原始数据

E1=Y1－P %学习（训练）输出数据与标定值之间的偏差

Y2=postmnmx (YN2,mint,maxt)' %将归一化的测试输出数据恢复为原始数据

E2=Y2－P_test %测试输出数据与标定值之间的偏差

max(E2)

min(E2)

采用经过数据归一化处理的程序

神经网络采用Matlab中的newrb()函数，neurons=252。学习样本经RBF神经网络训练后的输出值与相应的压力标定值之间的最大误差绝对值为1.0396e－011，均方误差MSE1=5.6613e－023，均方误差的标准差MSETD1=2.4666e－022。这里省略学习样本的预测输出表。可见，采用RBF神经网络对学习样本的输出已经消除了压力传感器的交叉敏感影响（在误差允许的范围内）。

检验样本经RBF神经网络的输出值与相应的压力标定值之间最大偏差绝对值为max=0.0113，均方误差MSE2=3.8568e－005，均方误差的标准差MSETD2=2.1727e－004。输出样本的详细情况见表5（只列出部分数据）。

数据融合效果评价

降低温度与电源波动两个干扰量的影响，传感器系统稳定性的改善程度分别用融合前后的零位、灵敏度温度系数以及电流影响系数来评价。

由于学习（训练）样本的网络输出值与标定值之间的偏差很小（均小于1.0e－011），如果根据这些数据来计算融合后的效果，可以认为已经完全消除交叉敏感。通过表5可知，本例中检验样本的网络输出值与标定值之间的偏差与学习样本的偏差相比，偏差较大，故按检验样本计算出数值来评价数据融合效果。

表5 输出样本