0 引 言 聲表面波（SAW）技術(shù)是一門新興熱門研究課題之一，國內(nèi)外已有溫度、壓力、加速度等傳感器的相關(guān)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(yīng)用領(lǐng)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(jīng)網(wǎng)絡(luò)和模糊控制技術(shù)相結(jié)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(yīng)用到工程領(lǐng)域。 1 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(jīng)模糊控制方法，對SAW壓力傳感器進行智能溫度補償。 神經(jīng)模糊控制是一種用神經(jīng)網(wǎng)絡(luò)實現(xiàn)的模糊控制的方法。在形式結(jié)構(gòu)上是用多點網(wǎng)絡(luò)實現(xiàn)的模糊映射。而神經(jīng)網(wǎng)絡(luò)的非線性和可訓練性說明它可以實現(xiàn)任何一種映射關(guān)系。因此，本文利用神經(jīng)網(wǎng)絡(luò)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(jīng)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(jīng)模糊控制器，把傳感溫度T作為輸入，則神經(jīng)模糊控制器能直接輸出被測量。 2 實現(xiàn)控制規(guī)則的神經(jīng)網(wǎng)絡(luò) 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(shù)這種不足，特采用神經(jīng)網(wǎng)絡(luò)的學習功能進行隸屬度的調(diào)節(jié)，實現(xiàn)自動調(diào)節(jié)功能，以適應(yīng)實際的需要。本文用含一個隱含層的三層前饋神經(jīng)網(wǎng)絡(luò)，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(jīng)元個數(shù)，S2為輸出層神經(jīng)元個數(shù)，W1為隱含層神經(jīng)元權(quán)值矩陣，W2為輸出層權(quán)值矩陣，b1為隱含層神經(jīng)元閥值，b2為隱含層神經(jīng)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(jīng)網(wǎng)絡(luò)算法是用于前饋多層網(wǎng)絡(luò)的學習算法。如果輸出不能得到期望的輸出，則轉(zhuǎn)入后向傳播。通過誤差的后向傳播調(diào)整各層之間的權(quán)系數(shù)。反復輸入樣本序列，直至權(quán)系數(shù)不在改變?yōu)橹?，輸出誤差在規(guī)定的范圍之內(nèi)。算法采用如下改進：1）采用模擬退火法以克服局部最?。?）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(jīng)網(wǎng)絡(luò)訓練過程需要對所有權(quán)值和閥值進行修正，是一種全局逼近神經(jīng)網(wǎng)絡(luò)，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(wǎng)絡(luò)——徑向基網(wǎng)絡(luò)。算法訓練關(guān)系式如下： 節(jié)點輸出為 式中a1為節(jié)點輸出；b為神經(jīng)元閥值；Wij為接點連接權(quán)值；f為傳遞函數(shù)。 權(quán)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(jīng)網(wǎng)絡(luò)的神經(jīng)元個數(shù)不確定性，經(jīng)大量數(shù)據(jù)的實驗驗證，本文選取輸入層有2個神經(jīng)元，隱含層有4個神經(jīng)元。輸出層只有1個神經(jīng)元。采用只有1個隱含層的三層網(wǎng)絡(luò)對控制基進行學習記憶。把每條控制規(guī)則作為神經(jīng)網(wǎng)絡(luò)的樣本進行訓練學習，從而能實現(xiàn)這個規(guī)則基的神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)。 基于神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)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： if E=S and △E=S then U=L; if E=S and △E=M then U=L; if E=M and △E=S then U=L; if E=M and △E=M then U=M; 將產(chǎn)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(wǎng)絡(luò)訓練速度的快速進行。 3 仿真與應(yīng)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(jīng)模糊控制對溫度進行了智能補償，加上先進的封裝技術(shù)，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(jīng)網(wǎng)絡(luò)的訓練和仿真，通過神經(jīng)網(wǎng)絡(luò)工具箱，編制相應(yīng)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(jié)果的比較。仿真數(shù)據(jù)結(jié)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(jīng)網(wǎng)絡(luò)的訓練，訓練的頻率和誤差在規(guī)定范圍內(nèi)，其最大誤差僅為1%，BP算法的仿真結(jié)果和實際測量值吻合。 4 結(jié)論 本文提出采用神經(jīng)迷糊控制技術(shù)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(yīng)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(jīng)網(wǎng)絡(luò)構(gòu)成控制器，信息處理采用模糊量的近似推理，將神經(jīng)網(wǎng)絡(luò)技術(shù)和?？刂萍夹g(shù)相結(jié)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(yīng)用奠定了基礎(chǔ)。