神經(jīng)網(wǎng)絡(luò)在傳感信號處理中的應(yīng)用

1、 神經(jīng)網(wǎng)絡(luò)在傳感信號處理中的應(yīng)用一、基本原理神經(jīng)網(wǎng)絡(luò)是一種不需要選取基函數(shù)系的非線性函數(shù)逼近方法。本文利用神經(jīng)網(wǎng)絡(luò)的高度非線性描述能力, 實現(xiàn)傳感信號的處理。由于神經(jīng)網(wǎng)絡(luò)是根據(jù)對象的輸入2輸出信息, 不斷地對網(wǎng)絡(luò)參數(shù)進行學(xué)習(xí), 以實現(xiàn)從輸入?yún)?shù)到輸出參數(shù)的非線性映射; 還可以根據(jù)來自機理模型和實際運行對象的新數(shù)據(jù)樣本進行自適應(yīng)學(xué)習(xí), 尤其是通過不斷的實時學(xué)習(xí), 可以適應(yīng)對象參數(shù)的緩慢變化。因此, 這種方法克服了機理建模所存在的困難。神經(jīng)網(wǎng)絡(luò)可以完成大量的信息處理任務(wù), 其應(yīng)用涉及相當廣泛的領(lǐng)域。歸納起來, 神經(jīng)網(wǎng)絡(luò)的信息處理任務(wù)主要包括:(1) 數(shù)學(xué)上的映射逼近。開發(fā)一種合適的函數(shù)f :A R

2、n B Rn ,以自組織的方式響應(yīng)以下的樣本集:( x1 , y1) , ( x2 , y2) , , ( xl , yl) (這里yi = f ( xi) 或yi =f ( xi) + n0 , (其中n0 為噪聲) ) 。象識別和分類等計算都可以抽象成這樣的一種近似的數(shù)學(xué)映射。(2) 聯(lián)想記憶。是指實現(xiàn)模式完善、恢復(fù)相關(guān)模式的相互回憶等。神經(jīng)網(wǎng)絡(luò)的信息分布式存儲于連接權(quán)系數(shù)中, 使網(wǎng)絡(luò)具有很高的容錯性和魯棒性, 而模式識別中往往存在噪聲干擾或輸入模式的部分損失,網(wǎng)絡(luò)的這一特點使其成功地用于模式識別問題。將神經(jīng)網(wǎng)絡(luò)應(yīng)用到傳感信號處理涉及到兩個重要的問題: 模式預(yù)處理變換和模式識別。預(yù)處理變換

3、是指接受一種形式模式, 應(yīng)用神經(jīng)網(wǎng)絡(luò)把它轉(zhuǎn)換為更多想要或可用形式的模式; 而模式識別則是把一模式映射到其它類型或類別的操作。可見, 神經(jīng)網(wǎng)絡(luò)在傳感信號處理應(yīng)用的基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力, 并利用這一能力對傳感器進行建模。已有許多文獻對神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力進行了研究, 而基于神經(jīng)網(wǎng)絡(luò)的傳感系統(tǒng)的建模有直接逆系統(tǒng)建模法、正2逆系統(tǒng)建模法、逆2逆系統(tǒng)建模法。直接逆系統(tǒng)建模法是指:采用不同的設(shè)定信號ud輸入給未知傳感器,測量其相應(yīng)的輸出y ,以ud 和y來訓(xùn)練一個神經(jīng)網(wǎng)絡(luò),使這個網(wǎng)絡(luò)把未知傳感器的輸出y 作為網(wǎng)絡(luò)輸入時,網(wǎng)絡(luò)的輸出u 正好等于未知傳感器的輸入ud 。這時誤差u2ud 可作為網(wǎng)絡(luò)的

4、訓(xùn)練。正2逆系統(tǒng)建模法是指: 在未知傳感器的動力學(xué)系統(tǒng)(正) 模型的基礎(chǔ)上建立逆動力學(xué)模型。有三種不同學(xué)習(xí)法: 傳感器2逆系統(tǒng)學(xué)習(xí)法。即直接利用設(shè)定給逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的期望輸入和未知傳感器的實_際輸入之差來調(diào)節(jié)網(wǎng)絡(luò)的權(quán)重。這種方法在整體誤差的基礎(chǔ)上調(diào)節(jié)網(wǎng)絡(luò)權(quán)值時, 必須知道傳感器的模型。正模型2逆系統(tǒng)學(xué)習(xí)法。首先用一個神經(jīng)網(wǎng)絡(luò)建立起傳感器的(未知的) 數(shù)學(xué)模型。利用設(shè)定給逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的期望輸入和傳感器正的神經(jīng)網(wǎng)絡(luò)模型的輸出之差來調(diào)節(jié)逆系統(tǒng)神經(jīng)網(wǎng)絡(luò)的權(quán)值。缺點是逆系統(tǒng)模型的準確度直接與新建立的正模型精度有關(guān)。傳感器2正模型2逆系統(tǒng)學(xué)習(xí)法。這種方法避免了的缺點, 學(xué)習(xí)框架則以為基礎(chǔ)。即直接利用設(shè)定

5、給逆模型的期望輸入和傳感器的輸出之差調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值。逆2逆系統(tǒng)建模法是指: 由兩個逆系統(tǒng)模型和未知傳感器一起構(gòu)成學(xué)習(xí)回路。在正通道上有神經(jīng)網(wǎng)絡(luò)控制器, 它控制傳感器使之復(fù)現(xiàn)網(wǎng)絡(luò)的輸入。當然該方法需要事先已知傳感器的逆動力學(xué)模型。二、應(yīng)用舉例1.非線性校正在非電量電測技術(shù)中廣泛使用著各類傳感器, 他們用來將非電量轉(zhuǎn)化為電量。大多數(shù)傳感器的輸出特性是非線性的, 這是由于其轉(zhuǎn)換原理為非線性的。為了使傳感器在整個測量范圍內(nèi)的靈敏度是一個常數(shù),即傳感器的輸入2輸出特性是一條直線, 在傳統(tǒng)的模擬指示儀表中常采用三種方法: 1) 縮小測量范圍,取近似值; 2) 采用非線性指示刻度; 3) 加入非線性校正環(huán)節(jié)

6、。但隨著測量范圍不斷擴大, 對測量準確度的要求不斷提高, 上述這些方法可能失去其使用價值。例如, 外旋轉(zhuǎn)式濃度傳感器的輸入2輸出特性存在著明顯的非線性, 可以用神經(jīng)網(wǎng)絡(luò)實現(xiàn)其特性的校正。圖1 是用神經(jīng)網(wǎng)絡(luò)實現(xiàn)非線性校正的原理。假設(shè)傳感器具有非線性輸入2輸出特性y = f( x) , 為了實現(xiàn)非線性誤差的校正, 可使傳感器的輸出y 通過校正用神經(jīng)網(wǎng)絡(luò)。取該環(huán)節(jié)的特性為xest =F ( y ) , 如果令F ( y ) = f21 ( y ) , 則有xest = f21( y) = x 。所以只要知道特性f21 () 即可消除傳感器的非線性。具體做法是: 將濃度傳感器的輸出視為神經(jīng)網(wǎng)絡(luò)的輸入y

7、 , 而將待測濃度值x 作為神經(jīng)網(wǎng)絡(luò)的輸出, 對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練(用學(xué)習(xí)迭代方法對神經(jīng)網(wǎng)絡(luò)的權(quán)值進行修正) , 直至神經(jīng)網(wǎng)絡(luò)輸出值的估計誤差均方值達到足夠小, 學(xué)習(xí)過程才告結(jié)束。這時神經(jīng)網(wǎng)絡(luò)就可用來作非線性校正預(yù)測, 其輸出即為校正結(jié)果xest 。這種方法在光纖PH 值傳感器、色度傳感器和電感測微儀的非線性誤差校正中也已獲得應(yīng)用。圖1 用神經(jīng)網(wǎng)絡(luò)實現(xiàn)傳感器輸出非線性特性的校正圖2自檢驗與故障診斷當對生產(chǎn)過程進行監(jiān)測、控制以及優(yōu)化時, 都是以過程變量的某些測量值如溫度、流量、濃度等為依據(jù)的。因此從測量數(shù)據(jù)中獲得過程變量可靠、精確、一致的估計值對生產(chǎn)過程至關(guān)重要。傳感器的過失誤差和故障可使系統(tǒng)運行

8、性能下降或?qū)е孪到y(tǒng)癱瘓。針對這一問題, 人們提出了多種數(shù)據(jù)校核及過失誤差檢測方法。這些方法大多是統(tǒng)計理論和最優(yōu)化方法的結(jié)合, 計算量大、時間長, 因此難以在線應(yīng)用。對于過失誤差檢測而言, 偏差向量r = ri T 的數(shù)值將提供一些有用的信息, 因此可以將偏差向量r作為神經(jīng)網(wǎng)絡(luò)的輸入, 神經(jīng)網(wǎng)絡(luò)的輸出則對應(yīng)于各測量變量。具體做法是: 將偏差向量進行預(yù)處理, 即用各ri 除以其標準差Vi , 所得數(shù)值Si = ri/ Vi 作為神經(jīng)網(wǎng)絡(luò)的輸入; 網(wǎng)絡(luò)的輸出, 當測量變量中不存在過失誤差時取為011 , 當測量變量中存在過失誤差時取為019 , 對網(wǎng)絡(luò)進行訓(xùn)練。訓(xùn)練后的網(wǎng)絡(luò)即可用來進行過失誤差的檢測

9、。圖2 是基于神經(jīng)網(wǎng)絡(luò)的單傳感器故障檢測原理。該方法的特點是: 利用單傳感器的輸出信號建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型, 然后利用預(yù)測模型對傳感器的預(yù)測輸出和實際輸出之差判斷傳感器是否發(fā)生故障。神經(jīng)網(wǎng)絡(luò)預(yù)測器根據(jù)傳感器輸出的前m 個值x ( k) ,x ( k + 1) , , x ( k + m - 1) 預(yù)測得到第m + 1 時刻的值x ( k + m) , 將其與傳感器第m + 1 時刻的實際輸出之差與某一檢測閾值相比較, 判斷此傳感器是否發(fā)生故障。圖2 基于神經(jīng)網(wǎng)絡(luò)的單傳感器故障檢測3 .智能結(jié)構(gòu)中傳感陣列的信號處理將具有仿生命功能的材料融合于基體材料中, 使制成的構(gòu)件具有人們期望的智能功能, 這

10、種結(jié)構(gòu)稱為智能材料結(jié)構(gòu)。目前智能結(jié)構(gòu)的元件主要集中于應(yīng)用傳感技術(shù)對結(jié)構(gòu)中的一些狀態(tài)參數(shù)進行測量。光纖傳感器由于具有體積小、損耗低、靈敏度高, 并且抗電磁干擾、電絕緣性好、帶寬大、既可“感”又可“傳”, 易于實現(xiàn)分布式和陣列化傳感網(wǎng)絡(luò), 因而是最有希望用于智能結(jié)構(gòu)的傳感技術(shù)。圖3 (a) 是采用光纖縱橫交錯排列的方法制成的光纖微彎傳感陣列在智能化構(gòu)件中的安排。利用該陣列可以實現(xiàn)結(jié)構(gòu)損傷的監(jiān)測和定位。圖3 (b) 是利用神經(jīng)網(wǎng)絡(luò)處理傳感陣列的輸出數(shù)據(jù), 并確定機械損傷強度和位置的原理框圖。圖3 智能結(jié)構(gòu)中傳感陣列信號的神經(jīng)網(wǎng)絡(luò)處理4.濾波與除噪濾波與除噪是傳感信息處理中的基本操作。在自適應(yīng)除噪(A

11、NC) 中, 整個ANC 系統(tǒng)分為兩個通道:主通道與參考通道。當參考通道中噪聲是主通道噪聲的非線性變換時, 如果線性自適應(yīng)算法用線性變換逼近非線性變換, 為了達到足夠高的精度, 用于估計的權(quán)系數(shù)向量的維數(shù)將爆炸性增大, 自適應(yīng)濾波器的估計速度必然大為降低, 其性能大幅度下降, 難以達到實時應(yīng)用的目的, 此時應(yīng)采用非線性ANC。由于徑向基函數(shù)(RBF) 網(wǎng)絡(luò)具有良好的非線性函數(shù)逼近性能, 因而可以采用基于RBF 網(wǎng)絡(luò)的非線性ANC 。圖4 基于神經(jīng)網(wǎng)絡(luò)的弱信號提取模型在目標跟蹤、多目標檢測等工程領(lǐng)域, 都涉及到從強的背景噪聲中提取弱信號的問題?；贐P 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法的方法, 可從寬帶背景噪

12、聲中提取微弱有用信號。該方法對微弱信號的提取是在網(wǎng)絡(luò)節(jié)點連接權(quán)向量域進行的, 因此從根本上解決了對提取信號的頻率選擇問題。BP 網(wǎng)絡(luò)權(quán)向量方法如圖4所示。檢測系統(tǒng)的輸入為寬帶噪聲xk 和要提取的微弱信號Sk 的疊加。取背景噪聲的期望值mx 作為期待響應(yīng)dk , 即dk = E( xk) = mx假設(shè)背景噪聲是平穩(wěn)的, 則mx 可用時間平均值近似估計。假設(shè)弱信號出現(xiàn)之前, 網(wǎng)絡(luò)學(xué)習(xí)過程已經(jīng)結(jié)束, 即網(wǎng)絡(luò)連接權(quán)矩陣的期望值已收斂于由背景噪聲所確定的最佳權(quán)向量W 3x。于是有偏移權(quán)向量Vk = Wk - W 3x式中, Vk 為權(quán)值偏移量, Wk 為含有背景噪聲和弱信號的權(quán)向量。當弱信號出現(xiàn)之前,

13、Vk 在零向量周圍游動, 弱信號的出現(xiàn)改變了輸入特性, 從而產(chǎn)生新的最佳權(quán)向量W 3x 1B P 算法使權(quán)向量Wk 盡可能與W 3x相匹配, 這樣E ( Vk) 則不為零向量。B P 網(wǎng)絡(luò)權(quán)向量方法取E ( Vk) 各分量之和作為檢測弱信號的判決函數(shù)。5.環(huán)境影響因素的補償光學(xué)電流傳感器是以光纖為介質(zhì), 以法拉第(Faraday) 磁光效應(yīng)為基礎(chǔ)的電流傳感元件。與傳統(tǒng)的電磁式電流互感器相比, 在高電壓大電流測量的應(yīng)用中采用光學(xué)技術(shù)具有明顯的優(yōu)越性: 滿足絕緣要求、無磁飽和現(xiàn)象、抗電磁干擾、響應(yīng)頻域?qū)挕⒈阌谶b感和遙測、結(jié)構(gòu)緊湊、重量輕等。但目前真正可立足于市場的光學(xué)電流傳感器產(chǎn)品仍是鳳毛麟角,

14、其根本原因在于環(huán)境因素引起的光纖線性雙折射效應(yīng)對測量結(jié)果的影響。文獻研究了三相光學(xué)電流傳感器的雙折射效應(yīng); 文獻分別提出了基于BP和RBF 神經(jīng)網(wǎng)絡(luò)的光學(xué)電流傳感器線性雙折射效應(yīng)的補償方法(圖5) 。將光學(xué)電流感器的輸出作為神經(jīng)網(wǎng)絡(luò)的輸入信號, 將被測電流的真實值(可用其他測量手段獲得) 作為神經(jīng)網(wǎng)絡(luò)的輸出信號, 用這種輸入2輸出關(guān)系形成的樣本集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。經(jīng)過訓(xùn)練的網(wǎng)絡(luò)就可以用來進行線性雙折射效應(yīng)補償?shù)念A(yù)測。結(jié)果表明: 網(wǎng)絡(luò)的預(yù)測值與實驗值具有很好的一致性。圖5 基于神經(jīng)網(wǎng)絡(luò)的光學(xué)電流傳感器線性雙折射效應(yīng)的補償6.多傳感器信息融合數(shù)據(jù)融合是把來自多傳感器的數(shù)據(jù)和信息, 根據(jù)既定的規(guī)則

15、, 分析結(jié)合為一個全面的情報, 并在此基礎(chǔ)上為用戶提供需求的信息, 諸如決策、任務(wù)等。簡單地說, 數(shù)據(jù)融合的基本目的就是通過組合, 可以比從任何單個輸入數(shù)據(jù)元素獲得更多的信息。通常傳感器都存在交叉靈敏度, 表現(xiàn)在傳感器的輸出值不只決定于一個常量。當其它參量變化時輸出值也要發(fā)生變化。例如: 一個壓力傳感器, 當壓力P恒定而溫度T 變化時, 其輸出值U 也發(fā)生改變。那么這個壓力傳感器就存在有對溫度T 的交叉靈敏度。存在交叉靈敏度的傳感器, 其性能不穩(wěn)定, 測量精度低。多傳感器信息融合技術(shù)就是通過對多個參數(shù)的檢測并采用一定的信息處理方法(這里采用神經(jīng)網(wǎng)絡(luò)技術(shù), 見圖(6) 達到提高每一個參量測量精度的目的。圖6 基于神經(jīng)網(wǎng)絡(luò)的傳感信息融合三、結(jié)論(1) 神經(jīng)網(wǎng)絡(luò)具有知識和信息的分布式表達、大規(guī)模并行處理、自動獲取, 知識處理的自適應(yīng)性、容錯性和聯(lián)想記憶能力等特點。傳感信息一般都具有模型難以確定、非線性強的特征, 給被測量的準確獲得帶來極大困難。神經(jīng)網(wǎng)絡(luò)正好迎