CN104122031A

CN104122031A - 一种基于极限学习机的硅压力传感器温度补偿方法

Info

Publication number: CN104122031A
Application number: CN201410374528.5A
Authority: CN
Inventors: 赵玉龙; 周冠武; 李村
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2014-07-31
Filing date: 2014-07-31
Publication date: 2014-10-29

Abstract

一种基于极限学习机的硅压力传感器温度补偿方法，将在不同温度下所采集的数据源作为建立极限学习机温度补偿模型的样本数据，并通过训练样本与测试样本进行极限学习机的硅压力传感器温度补偿模型学习与验证。本发明具有所需特征变量少、补偿速度快、精度高，且最佳隐层节点数的选取自确定优点。

Description

一种基于极限学习机的硅压力传感器温度补偿方法

技术领域

本发明属于硅压力传感器技术领域，具体涉及一种基于极限学习机算法的硅压力传感器温度补偿方法。

背景技术

随着MEMS技术的成熟，硅压阻式传感器由于成本低、尺寸小、精度高与易加工等特点，在工业等领域中有着广泛的需求与应用前景。传感器的准确性(即精度参数)对整个测量系统的性能起着决定性作用；但作为核心的硅压阻膜片对温度变化敏感，从而使传感器的零点和灵敏度在不同的温度测量时产生漂移现象。因此，为了降低硅自身的温度特性所带来的影响，需要采用温度补偿技术对其进行校正。目前，除了采用差动设计方案外，常用的温度补偿方法主要有两大类：硬件补偿和软件补偿。硬件补偿主要有激光调阻，外接电阻与电桥补偿等；但硬件方法存在调试困难、精度低、通用性差等缺点，不利于工程实际应用。软件方法主要有最小二乘法、样条插值拟合法、支持向量机与神经网络等。相对硬件方法，软件补偿技术可以较好地解决精度低与通用性差等问题，因而得到越来越多的重视。但软件方法中广泛使用的二元回归方法补偿精度达不到高精度要求，且当前较为流行的支持向量机、BP神经网络以及径向基网络方法尽管其补偿精度高，但存在配置参数复杂，网络训练时间较长等缺陷。总之，现有的补偿方法存在各自的问题，难以满足高精度，易通用以及工程化的需求。

发明内容

为了克服上述现有技术补偿的缺点，本发明的目的在于提供一种基于极限学习机的硅压力传感器温度补偿方法，具有计算速度快、精度高，单参数配置的优点。

为了实现上述目的，本发明采用的技术方案为：

一种基于极限学习机的硅压力传感器温度补偿方法，包括以下步骤：

步骤1：在要求的温度补偿范围与压力测量范围内，采集压力传感器与温度传感器输出的压力信号V与温度信号T以及测量压力P，并组成数据源；

步骤2：选取在不同温度与压力条件下的数据源作为样本数据，对样本数据进行归一化处理，并分为训练样本与测试样本；配置极限学习机的输入层、隐层、输出层节点数以及隐层节点的激励函数f(x)；设定温度补偿后需要达到的精度；

步骤3：判断隐层节点数是否大于训练样本数，若前者不大于后者，则转向步骤4，否则结束温度补偿；

步骤4：以训练样本数据作为硅压力传感器极限学习机温度补偿模型的输入，进行模型学习；

步骤5：以测试样本数据对步骤5得到的极限学习机硅压力传感器温度补偿模型进行验证；

步骤6：判断补偿精度是否满足要求，若满足精度要求，则结束温度补偿，否则，增加一个隐层节点且转向步骤3。

所述步骤2中对样本选取采用等间隔原则；对样本数据的每列采用作归一化处理，并按2:1样本数比例且随机分为训练样本与测试样本；设置极限学习机的输入层、隐层、输出层节点数为2、3、1，隐层节点的激励函数设定温度补偿后需要达到的精度为0.001％FS。

所述步骤4的极限学习机温度补偿模型的学习流程包括下列步骤：

步骤4.1：对输入层与隐层之间的权值向量w_i以及隐层节点阈值b_i进行随机赋值，范围为(0,1)，其中为隐层节点数；

步骤4.2：计算训练样本数据的隐层输出矩阵H，其中

H = {[X]}_{N \times 2} \times {[W]}_{2 \times \hat{N}} = {[\begin{matrix} f (w_{1} x_{1} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{1} + b_{\hat{N}}) \\ \cdot & \cdot \\ \cdot & \cdot \cdot \cdot \cdot & \cdot \\ \cdot & \cdot \\ f (w_{1} x_{N} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{N} + b_{\hat{N}}) \end{matrix}]}_{N \times \hat{N}},

其中N为训练样本数目，X＝[V T]；

步骤4.3：采用SVD(奇异值分解)算法求解H的广义逆矩阵H＝U×S×V^T，其中S_E为对S矩阵中的非0数值的倒数；

步骤4.4：计算隐层与输出层之间的权值矩阵其中

β = [\begin{matrix} β_{1} \\ \cdot \\ \cdot \\ \cdot \\ β_{\hat{N}} \end{matrix}],

O = [\begin{matrix} O_{1} \\ \cdot \\ \cdot \\ \cdot \\ O_{\hat{N}} \end{matrix}] = [\begin{matrix} P_{1} \\ \cdot \\ \cdot \\ \cdot \\ P_{\hat{N}} \end{matrix}] .

所述步骤5极限学习机温度补偿模型的验证流程包括下列步骤：

步骤5.1：输入测试样本数据，计算极限学习机的输出t_j,j＝1,…,N^t,N^t为测试样本数；

步骤5.2：将极限学习机的输出结果进行反归一化处理；

步骤5.3：将极限学习机的补偿结果与测试样本中的实际数据P_j进行比较，计算温度补偿精度其中P_span为压力传感器压力最大测量值。

本发明可用于压力测量装置或系统，在压力测量温度标定系统时采集数据源，并选取样本数据进行极限学习机的温度补偿模型学习与验证，该温度补偿方法具有所需特征变量少、补偿速度快、精度高，且最佳隐层节点数的选取自确定优点。

附图说明

图1为本发明的极限学习机温度补偿方法流程图。

图2为本发明的极限学习机温度补偿模型的学习流程图。

图3为本发明的极限学习机温度补偿模型的验证流程图。

具体实施方式

以下结合附图对本发明的实施作详细说明。

参照图1，一种基于极限学习机的硅压力传感器温度补偿方法，包括以下步骤：

步骤1：采集压力传感器在不同温度(工作温度范围内)，如[-40℃,-30℃,…,80℃]下施加的一组压强值P(压力传感器测量范围内)，如[0MPa,2MPa,…,20MPa],输出的压力信号V与温度传感器输出信号T以及测量压力P，并组成数据源[V T P]；

步骤2：选取在不同温度与压力条件下的数据源作为样本数据，按照等间隔原则选取样本，如温度间隔为20℃，压力间隔为5MPa，压力；对样本数据的每列采用作归一化处理，并按2:1样本数比例且随机分为训练样本与测试样本；设置极限学习机的输入层、隐层、输出层节点数为2(压力信号V，温度信号T)、3、1(测量压力P)，隐层节点的激励函数设定温度补偿后需要达到的精度为0.001％FS；

参见图2，极限学习机温度补偿模型的学习流程包括下列步骤：

步骤4.2：计算训练样本数据的隐层输出矩阵H，其中

H = {[X]}_{N \times 2} \times {[W]}_{2 \times \hat{N}} = {[\begin{matrix} f (w_{1} x_{1} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{1} + b_{\hat{N}}) \\ \cdot & \cdot \\ \cdot & \cdot \cdot \cdot \cdot & \cdot \\ \cdot & \cdot \\ f (w_{1} x_{N} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{N} + b_{\hat{N}}) \end{matrix}]}_{N \times \hat{N}},

其中N为训练样本数目，X＝[V T]；

步骤4.4：计算隐层与输出层之间的权值矩阵其中

β = [\begin{matrix} β_{1} \\ \cdot \\ \cdot \\ \cdot \\ β_{\hat{N}} \end{matrix}],

O = [\begin{matrix} O_{1} \\ \cdot \\ \cdot \\ \cdot \\ O_{\hat{N}} \end{matrix}] = [\begin{matrix} P_{1} \\ \cdot \\ \cdot \\ \cdot \\ P_{\hat{N}} \end{matrix}];

步骤5：以测试样本数据对步骤5得到的极限学习机硅压力传感器温度补偿模型进行验证，

参见图3，极限学习机温度补偿模型的验证流程包括下列步骤：

步骤5.2：将极限学习机的输出结果进行反归一化处理

T_{j} = \frac{1}{2} (t_{j} + 1) (P_{\max} - P_{\min}) + P_{\min};

步骤5.3：将极限学习机的补偿结果与测试样本中的实际数据P_j进行比较，计算温度补偿精度其中P_span为压力传感器压力最大测量值；

步骤6：判断补偿精度是否满足要求即A≤0.001％FS，若满足精度要求，则结束温度补偿，否则，增加一个隐层节点且转向步骤3。

本发明利用在不同温度下硅压力传感器温度标定系统所采集的数据源作为样本数据，建立基于极限学习机的硅压力传感器温度补偿模型。为达到最佳精度与快速补偿要求，极限学习机的隐层节点数通过迭代方法进行自确定；在训练过程中，输入层与隐层之间的权值与隐层节点的阈值进行随机赋值，隐层输出矩阵的广义逆矩阵通过奇异值分解算法进行求解，隐层与输出层之间的权值矩阵通过矩阵与输出矩阵O相乘计算。该模型通过更换样本数据可进行再建模以适应不同量程的压力传感器在不同温度影响下的温度补偿，同时进行零点及非线性补偿。

Claims

1.一种基于极限学习机的硅压力传感器温度补偿方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于极限学习机的硅压力传感器温度补偿方法，其特征在于：所述步骤2中对样本选取采用等间隔原则；对样本数据的每列采用作归一化处理，并按2:1样本数比例且随机分为训练样本与测试样本；设置极限学习机的输入层、隐层、输出层节点数为2、3、1，隐层节点的激励函数设定温度补偿后需要达到的精度为0.001％FS。

3.根据权利要求1所述的一种基于极限学习机的硅压力传感器温度补偿方法，其特征在于，所述步骤4的极限学习机温度补偿模型的学习流程包括下列步骤：

步骤4.2：计算训练样本数据的隐层输出矩阵H，其中

H = {[X]}_{N \times 2} \times {[W]}_{2 \times \hat{N}} = {[\begin{matrix} f (w_{1} x_{1} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{1} + b_{\hat{N}}) \\ \cdot & \cdot \\ \cdot & \cdot \cdot \cdot \cdot & \cdot \\ \cdot & \cdot \\ f (w_{1} x_{N} + b_{1}) & \cdot \cdot \cdot \cdot & f (w_{\hat{N}} x_{N} + b_{\hat{N}}) \end{matrix}]}_{N \times \hat{N}},

其中N为训练样本数目，X＝[V T]；

步骤4.4：计算隐层与输出层之间的权值矩阵其中

β = [\begin{matrix} β_{1} \\ \cdot \\ \cdot \\ \cdot \\ β_{\hat{N}} \end{matrix}],

O = [\begin{matrix} O_{1} \\ \cdot \\ \cdot \\ \cdot \\ O_{\hat{N}} \end{matrix}] = [\begin{matrix} P_{1} \\ \cdot \\ \cdot \\ \cdot \\ P_{\hat{N}} \end{matrix}] .

4.根据权利要求1所述的一种基于极限学习机的硅压力传感器温度补偿方法，其特征在于：所述步骤5极限学习机温度补偿模型的验证流程包括下列步骤：

步骤5.2：将极限学习机的输出结果进行反归一化处理；