一种基于分段逆模型的传感器非线性校正方法
一种基于分段逆模型的传感器非线性校正方法柏猛，等
一种基于分段逆模型的传感器非线性校正方法
Ｎｏｎｌｉｎｅａｒ Ｃａｌｉｂｒａｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｓｅｎｓｏｒｓ ｂｙ Ａｄｏｐｔｉｎｇ Ｓｅｇｍｅｎｔａｌ Ｉｎｖｅｒｓｅ Ｍｏｄｅ
柏 绍 李敌托
（山东科技大学电气信息系，山东济南２５００３１）
摘要：为解决传感器非线性校正问题，提出一种基于分段逆模型的传感器非线性校正方法。通过对传感器特性数据进行变换和分 段，在给定最大拟合误差和最大拟合阶次的情况下，得到传感器逆模型；逆模型作为补偿环节实现对传感器的非线性校正。该方法采 用数据步长搜索策略和最小二乘法实现对传感器特性数据的分段，并能确定各数据段拟合函数的阶次和参数。热敏电阻非线性校正 试验的结果证明了该方法的有效性。 关键词：传感器非线性校正最小二乘法拟合函数拟合误差热敏电阻 中图分类号：ＴＰ２１２ 文献标志码：Ａ Ａｂｓｔｒａｃｔ：Ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｉｎ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｔｈｅ ｓｅｎｓｏｒｓ，ｔｈｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｅｇｍｅｎｔａｌ ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ．Ｔｈｒｏｕｇｈ ｔｒａｎｓｆｏｒｍｉｎｇ ａｎｄ ｓｅｇｍｅｎｔｉｎｇ ｔｈｅ ｄａｔａ ｏｆ ｓｅｎｓｏｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｗｈｅｎ ｔｈｅ ｍａｘｉｍｕｍ ｆｉｔｔｉｎｇ ｅｒｒｏｒ ａｎｄ ｍａｘｉｍｕｍ ｆｉｔｔｉｎｇ ｏｒｄｅｒｓ ａｒｅ ｇｉｖｅｎ，ｔｈｅ ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｏｆ ｓｅｎｓｏｒ ｗｉｌｌ ｂｅ ｏｂｔａｉｎｅｄ；ｔｈｅ ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｉｓ ｕｓｅｄ ａｓ ｔｈｅ ｃｏｍｐｅｎｓａｔｉｏｎ ｅｌｅｍｅｎｔ ｔｏ ｒｅａｌｉｚｅ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｆｏｒ ｓｅｎｓｏｒ．Ｉｎ ｔｈｉｓ ｍｅｔｈｏｄ Ｉ ｔｈｅ ｄａｔａ ｓｔｅｐ ｓｅａｒｃｈｉｎｇ ｓｔｒａｔｅｇｙ ａｎｄ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅ ｍｅｔｈｏｄ ａｒｅ ａｄｏｐｔｅｄ ｔｏ ｍａｋｅ ｔｈｅ ｓｅｎｓｏｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｄａｔａ ｉｎ ｓｅｇｍｅｎｔｓ，ａｎｄ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｏｒｄｅｒ ａｎｄ ｐａｒａｍｅｔｅｒｓ ｏｆ ｆｉｔｔｉｎｇ ｆｕｎｃｔｉｏｎ ｏｆ ｅａｃｈ ｓｅｇｍｅｎｔ．Ｔｈｅ ｒｅｓｕｈ ｏｆ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｆｏｒ ｔｈｅｒｍｉｓｔｏｒ ｖｅｒｉｆｉｅｓ ｔｈｅ
ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ：Ｓｅｎｓｏｒ Ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ Ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅ ｍｅｔｈｏｄ Ｆｉｔｔｉｎｇ ｆｕｎｃｔｉｏｎ Ｆｉｔｔｉｎｇ ｅｒｒｏｒ Ｔｈｅｒｍｉｓｔｏｒ
０ 引言
目前，传感器被广泛应用于各种测控系统。理想
的传感器输入输出关系应为线性关系，但实际上其大
多具有一定的非线性。为改善传感器输出特性，通常
引入各种非线性补偿环节对传感器进行校正，以提高
测量精度 。
常用的非线性校正方法主要有硬件校正法和软件
校正法 。其中，软件校正法中的逆模型校正法由
于方法简单且概念清楚而成为近年来传感器校正的研
究热点。大量研究表明，基于人工神经网络、遗传算
法、支持向量机等理论的逆模型校正方法能够取得良
好的校正效果 。但这些方法大多计算复杂，实现
困难，无法满足传感器实时在线校正的要求。对此，本
文提出一种基于分段逆模型的非线性校正方法。对热
敏电阻的校正试验表明，该方法能有效实现传感器的
非线性校正。
山东科技大学“春蕾计划”基金资助项目（编号：２０１０ＡＺＺ０４９）。 修改稿收到日期：２０１１—０６—２０。 第一作者柏猛（１９８１一），男，２００９年毕业于中国科学院自动化研究 所，获博士学位，讲师；主要从事机器人导航和控制、图像处理和机器视 觉等方面的研究。
《自动化仪表》第３３卷第６期２０１２年６月 １分段逆模型校正原理
传感器逆模型校正法的基本原理是将传感器逆模
型作为一个补偿环节，通过对传感器输出量进行补偿，
实现传感器校正。基于该原理，本文提出的分段逆模
型校正方法的基本思想是：首先对传感器特性数据进
行分段，采用最小二乘法求出每段数据的逆模型；然后
由各数据段逆模型组成传感器逆模型；最后由传感器
逆模型对传感器进行校正。
假设传感器为单输入单输出系统，其静特性表示为
Ｙ＝ｌ厂（ ）。其中， 为被测量，Ｙ为传感器输出量 （・）为
传感器非线性特性函数。采用分段逆模型校正方法对
传感器进行校正的过程如图１所示。
图１ 传感器分段逆模型校正过程
Ｆｉｇ．１ Ｃｏｒｒｅｃｔｉｏｎ ｐｒｏｃｅｓｓ ｂａｓｅｄ ｏｎ ｓｅｇｍｅｎｔａｌ ｉｎｖｅｒｓｅ ｍｏｄｅｌ
图１中－＇Ｘ为传感器输入；Ｙ为传感器输出；Ｙ ＝
ｇ（Ｙ）为变换函数；虚线部分为分段拟合，主要实现数
５ 一种基于分段逆模型的传感器非线性校正方法柏猛，等
据分段和各数据段逆模型的求取。
在分段逆模型校正方法中，传感器逆模型的求取是
关键。假设对ｙ 分段得到分段数据Ｙ （ｉ＝１，２，…，ｍ，ｍ
为数据分段数），对Ｙ 进行拟合可得到分段拟合数据 ，
则可由互 （ｉ＝１，２，…，ｍ）组成传感器校正输出 。在理
想情况下，经校正后的传感器输出 ： ，则可由变换函数
Ｙ ＝ｇ（ｙ）和分段拟合函数 ＝ｈ（ｙ ）（ｉ＝１，２，…，ｍ）共
同组成传感器逆模型 ＝厂 （），）。在一般情况下，需根据
具体应用选取变换函数Ｙ ＝ｇ（Ｙ）。由于传感器输入输出
特 一般可用多项式表示 ，故本文取分段拟合函数为：
＝ｈ（ｙ 。）＝ａ０＋ａ１ｙ ＋
ａ （Ｙ ） ＋…＋ａ （Ｙ ） （１）
式中：ｎ。为零位输出；ａｊ（ ＝１，２，…，ｎ）为拟合函数待
定系数；ｎ为拟合函数阶次。
当拟合函数阶次ｎ已知时，ｎ 对分段拟合函数输
入输出数据｛Ｙ ， ｝（ｋ＝１，２，…，ｎ ）可表示为向量
形式，即：
＝ＨＯ （２）
式中： ＝［互 ，未 ，…， ，］ ；０＝［口。，。 ，…，ａ ］ ；日＝
［ｈ ，ｈ ，…， ］ ；＾ ＝［１，Ｙ ，（Ｙ ） ，…，（）， ） ］（ ＝
１，２，…，ｎ，）。采用最小二乘法可得拟合函数待定系
数０的估计值 为：
＝（日 日） 日 （３） 对式（３）进行实际计算时，输入向量ｘ一般直接
取传感器实际输入量，即：
Ｘ＝Ｘ＝［ ｌ， ２，…， ．］ （４） 为确定上述分段逆模型校正方法中数据分段长度
ｎ，和分段拟合函数阶次ｎ的值，提出一种数据分段定
阶法。该方法可在设定最大拟合误差和最大拟合阶次
的情况下，采用数据步长搜索策略和最小二乘法，求取 满足约束条件的ｎ．和ｎ¨。。“ 。
２数据分段定阶方法
对于需要拟合的输入输出数据段，数据分段定阶
法首先定义数据搜索步长。当给定最大拟合误差和最
大拟合阶次条件时，对搜索步长内的数据采用最小二
乘法进行拟合。拟合阶次从１开始递增，直到找到满
足拟合条件的阶次为止。如果没有满足拟合条件的阶
次，则减小搜索步长，重新确定拟合阶次；反之则增加
搜索步长，直到找到满足拟合条件的最大数据搜索步 长。假设传感器输入输出数据长度为，Ｊ，则上述数据
分段定阶法的具体步骤如下。 ①初始化。设定分段逆模型最大拟合误差ｅ 一
拟合函数最高拟合阶次ｎ…和基本数据搜索步长Ｚ 的值。其中，Ｚ 。一般取一个较小值；ｎｍａｘ需根据微处理
器处理能力确定，一般取ｎ…＜５。初始化数据起始序
号ｎ。 。＝１、数据结束序号ｎ ＝１和数据搜索步长倍数
ｂ。＝１。
②分段拟合。令数据结束序号ｎ ＝ｎ ＋２ …ｂ，
则对数据序号在ｎ 和ｎ 之间的数据采用最小二乘
法进行拟合。假设数据拟合阶次为ｎ，数据段内数据
的最大拟合误差为 … 。若 …≤ｅ 且ｎ≤ ，则
ｂ ＝ｂ ＋１，更新数据结束序号ｎ ，继续下一步拟合；
若 … ＞ｅｍａｘ或在满足最大拟合误差情况下，拟合函数
阶次ｎ＞ｎ一，则当ｂ ＝１时，令ｚ ＝Ｚ 一１，更新ｎ ，
继续进行数据拟合直到满足拟合要求。在满足拟合要
求的情况下，将序号在ｎｉｎｉｔ和ｎｅｎｄ之间的数据作为一个
数据段。将拟合函数阶次作为该数据段的分段拟合函
数阶次。当ｂ ＞１时，令ｂ。＝ｂ 一１，更新ｎ ，并将序号
在ｎｉｎｉｔ和／－￥ 之间的数据作为一个数据段。记录相应
拟合函数阶次作为该数据段的分段拟合函数阶次。
③拟合结束。当一个数据段确定后，更新数据初
始序号ｎ ，即令ｎ ＝ｎ。 。当ｎ ＝Ｌ时，传感器数据
分段定阶过程结束，否则转到步骤②继续进行分段
定阶。
上述分段定阶方法称为数据步长搜索分段定阶方
法，其程序流程图如图２所示。
初始化
Ｉ二二主二 ●＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿－＿●－●＿●●＿●－＿＿＿＿＿＿＿一
◇
１ 调用 Ｉ广—— —一
Ｉ足分段拟合要求 ＝＝＝ 确定数据分段 和拟合函数阶次
翌 记录并更新当前分 段信息和拟台阶次 二二二［二 ｂ。＝６。＋ｌ
图２ 数据分段和拟合函数定阶方法流程图
Ｆｉｇ．２ Ｆｌｏｗｃｈａｒｔ ｏｆ ｄａｔａ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｆｉｔｔｉｎｇ ｆｕｎｃｔｉｏｎ ｏｒｄｅｒ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ
由图２所示的数据分段和拟合函数定阶法流程可
以看出，确定数据搜索步长是该方法的关键。对于不
６ ＰＲＯＣＥＳＳ ＡＵＴＯＭＡＴＩＯＮ ＩＮＳＴＲＵＭＥＮＴＡＴＩＯＮ ＶｏＬ
３３ Ｎｏ．６ Ｊｕｎｅ ２０１２ 一种基于分段逆模型的传感器非线性校正方法柏 猛，等
满足拟合条件的数据段，采用递减搜索步长的方法确
定拟合数据长度。该方法相对简单，但效率较低，一般
适用于基本数据搜索步长较小的情况。当基本数据搜 索步长较大时，为提高搜索效率，可采用其他方法，如
二分法等，以确定拟合数据长度。
３试验结果及分析
本文对热敏电阻进行校正试验，以考察分段逆模
型校正方法的有效性。热敏电阻是一种利用半导体电
阻值随温度显著变化的特性而制成的热敏元件，其温 度特性一般呈非线性。
ＲＴ３４３５００６型热敏电阻的阻温特性曲线如图３所
示，其测温范围为一５０～１２０℃，阻值范围为０．６０３ ２～
３６１．８２ ｋｌｌ。
图３热敏电阻阻温特性
Ｆｉｇ．３ Ｔｅｍｐｅｒａｔｕｒｅ—ｒｅｓｉｓｔａｎｃｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅｒｍｉｓｔｏｒ
由图３可知，ＲＴ３４３５００６型热敏电阻特性中含有较
强的非线性。本文对该热敏电阻进行非线性校正的试
验参数设置如下：热敏电阻温度范围取一５０～５０ ｏＣ；变
换函数为Ｙ ＝ｇ（Ｙ）＝ｂｌｎｙ，ｂ为变换系数且取ｂ＝１０；最
大拟合误差取ｅ一＝０．０２ Ｋ；基本数据搜索步长取ｆ 。＝
１０；分段拟合函数的最高拟合阶次取ｎ…：３。采用数据
步长搜索分段定阶方法得到的数据分段定阶结果如表１
所示。
表１数据分段范围和拟合函数阶次
Ｔａｂ．１ Ｄａｔａ ｓｅ殍ｍ删蚯伽ｒａｎｇｅ ａｎｄ ｔｈｅ ｏｒｄｅｒ ｏｆｆｉｔａｒ￣ｆｌｍｃ￣ｏｎ
基于DSP技术的传感器非线性校正
基于DSP技术的传感器非线性校正
周易;崔葛瑾
【期刊名称】《计算机测量与控制》
【年(卷),期】2003(11)5
【摘 要】针对系统内含有DSP(数字信号处理)芯片的检测系统,提出了运用DSP芯片对传感器进行非线性校正的方法.与传统校正方法进行比较可以表明,此方法简化了设计,提高了通用性和灵活性.并且通过最小二乘法在DSP芯片上实现非线性校正的实例说明其可行性.
【总页数】3页(P398-400)
【作 者】周易;崔葛瑾
【作者单位】东华大学,信息科学与技术学院,上海,200051;东华大学,信息科学与技术学院,上海,200051
【正文语种】中 文
【中图分类】TP212;TM933
【相关文献】
1.基于DSP技术及互相关算法的光纤液滴传感器 [J], 孙伟民;万众;郭明磊;张志林;张建中
2.基于DSP无速度传感器的永磁同步电机控制技术 [J], 刘舒拉
3.基于DSP的光纤气体传感器信号处理技术 [J], 张冈;包蕾;曹汇敏;陈幼平;周祖德
4.基于神经网络的AD590温度传感器非线性校正技术 [J], 蔡兵 5.基于DSP的扫描探针显微镜中压电陶瓷管非线性校正技术及其实现 [J], 刘辉;黄自元;费敏锐
因版权原因，仅展示原文概要，查看原文内容请购买
基于最小二乘支持向量机的车用铂电阻温度传感器非线性校正
第３４卷第５期 ２ｏ０８年１０月 湖南农业大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｈｕｎａｎ Ａｇｒｉｃｕ１ｔｕｒａｌ ＵｎｉＶｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ） ＶＯ１．３４ Ｎ０．５ ０ｃｔ．２００８
文章编号：１ｏ０７—１０３２（２ｏ０８）０５．０６１３．０４
基于最小二乘支持向量机的车用铂电阻
温度传感器非线性校正
蒋寿生 ，鄂加强 ，刘云卿 ，龚金科’ （１瑚南大学机械与汽车工程学院，湖南长沙４１ ００８２；２。邵阳学院能源与动力工程系，湖南邵阳４２２ｏ０Ｏ）
摘 要：依据铂电阻温度传感器样本，提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正铂电阻 温度传感器非线性误差的原理和方法．该方法不需逆模型函数形式的先验知识，能够保证找到的极值解就是局最 优解，具有较好的泛化能力．实例应用表明，其检测精度可达到０．１℃，铂电阻温度传感器非线性校正效果好． 关键 词：最小二乘支持向量机；铂电阻温度传感器；非线性校正 中图分类号：ＴＰ１８ 文献标识码：Ａ
ＮＯｎｌｉｎｅａｒ ｃＯｒｒｅｃｔｉＯｎ Ｏｆ Ｐｔ ｒｅｓｉｓｔａｎｃｅ ｔｅｍｐｅｒａｔｌＩｒｅ ｔｒａｎｓｄｕｃｅ ｉｎ
Ｖｅｈｉｃｌｅｓ ｂａｓｅｄ Ｏｎ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐＯｒｔ ＶｅｃｔＯｒ ｍａｃｈｉｎｅ
姒ＮＧ Ｓｈ０ｕ．ｓｈｅｎｇ 一，Ｅｒ Ｊｊａ—ＩｌＩａｎｇ ，ＬＩＵ Ｙｕｎ＿ｑｉｎｇ ，ＧｏＮＧ Ｊ－ｎ．ｋｅ （１．Ｃｏｌｌｅｇｅ ｏｆＭｅｃｈａｎｉｃａｌ ａｎｄ Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉ Ｃｈａｎｇｓｈａ ４ｌ００８２，Ｃｈｉｎａ；２．Ｄｅｐａｎｍｅｎｔ ｏｆ Ｅｎｅｒｇｙ ａｎｄ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｍｇ，Ｓｈａｏｙａｎｇ Ｃｏｌｌｅｇｅ，Ｓｈａｏｙａｎｇ，Ｈｕｎａｎ ４２２００Ｏ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： ＡｃｃＯｒｄｉｎｇ ｔＯ ｍｅ ｓａｍｐｌｅ ｏｆ Ｐｔ ｒｅｓｉｓｔａｎｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｔｒａｎｓｄｕｃｅ，ａ ｍｅｔｈｏｄ ｏｆ ｃｏｒｒｅｃｔｉｎｇ ｎＯｎｌｉｎｅａｒ ｅｒｒＯｒ ｏｆ ｔｒａｎｓｄｕｃｅ，ｗｈｉｃｈ ｃｏｕｌｄ ｉｄｅｎｔｉ黟ｍｅ ｃｏｎｎ＿ａＤ，ｍｏｄｅ１’ｓ ｃｈａｒａｃｔ ｓｔｉｃ ｏｆ ｔｂｅ ｔｒａｎｓｄｕｃｅ ｃ０ｒｒｅｃｔ ｗａｓ ｇｉｖｅｎ ｂａｓｅｄ ｏｎ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐＯｒｔ ｖｅｃｔＯｒ ｍａｃｈｉｎｅ．Ｔｈｅ ｍｅｔｈＯｄ ｄｉｄｎ’ｔ ｒｅｑｕｉｒｅ ａｎｙ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ａｂｏｕｔ ｃＯｎｔｒａｒｙ ｍｏｄｅｌ ｆ＿ｕｎｃｔｉｏｎ ａｎｄ ｃｏｕｌｄ ｅｎｓｕｒｅ ｔｈａｔ ｅｘ仃＿ｅｍｅ ｓｏｌｕｔｉｏｎ ｗａｓ ｏｐｔｉｍａｌ ａｎｄ ｐｒｏｄｕｃｅｄ ａ ｓｔｒｏｎｇ ｃ０ｍｍｏｎａｌｉ Ｔｈｅ ａｐｐ１ｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｒｅｖｅａｌ ｍａｔ ｔｒａｎｓｄｕｃｅ ｅｒｒＯｒ ｉｓ ｌｅｓｓ ｔｈａｎ ０．１℃，ｎｏｎｌｉｎｅａｒ ｃｏｒｒ＿ｅｃｔｉｏｎ ０ｆ Ｐｔ ｒｅｓｉｓｔａｎｃｅ ｔｅｍｐｅ删［ｕｒｅ ｔｒａｎｓｄｕｃｅ ｉｓ Ｏｆ ｇｏｏｄ ｒｅｓｕＩｔ． Ｋｅｙ ｗＯｒｄｓ： ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐＯｒｔ ｖｅｃｔＯｒ ｍａｃｈｉｎｅ； Ｐｔ ｒｅｓｉｓｔａｎｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｔｒａｎｓｄｕｃｅ； ｎＯｎ１ｉｎｅａｒ ｃｏｒｒｅｃｔｉＯｎ
基于B样条递推最小二乘的温度传感器非线性校正
５４ 传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ２００８年第２７卷第１２期
基于Ｂ样条递推最小二乘的温度传感器非线性校正
魏 国，王 昕，雷 苗，孙圣和
（哈尔滨工业大学自动化测试与控制系，黑龙江哈尔滨１５０００１）
摘要：提出一种基于Ｂ样条递推最小二乘的温度传感器非线性校正方法。利用具有低阶光滑特性的Ｂ 样条函数进行逆向建模，有效地提高了校正精度；考虑到在线应用的实际需求，采用易于微处理器实现的 递推最小二乘估计控制参数。分别对铂电阻和热电偶温度传感器进行了非线性校正，表明所提出的非线 性校正方法具有样本点少、校正精度高、简单实用等优点，符合传感器向智能化、灵巧化方向发展的需求。 关键词：温度传感器；非线性校正；Ｂ样条；递推最小二乘 中图分类号：ＴＰ２１２ 文献标识码：Ａ 文章编号：１０００－９７８７（２００８）１２－００５４－０３
Ｎｏｎｌｉｎｅａｒｉｔｙ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒ ｂａｓｅｄ
ｏｎ Ｂ—ｓｐｌｉｎｅ ｒｅｃｕｒｓｉｖｅ ｌｅａｓｔ・ｓｑｕａｒｅｓ
ＷＥＩ Ｇｕｏ，ＷＡＮＧ Ｘｉｎ，ＬＥＩ Ｍｉａｏ，ＳＵＮ Ｓｈｅｎｇ－ｈｅ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ａｕｔｏｍａｔｉｃ ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｃｏｎｔｒｏｌ，Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ １５０００１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｎｏｎｌｉｎｅａｒｉｔｙ ｃｏｒｒｅｃｔｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒｓ ｂａｓｅｄ ｏｎ Ｂ—ｓｐｌｉｎｅ ｒｅｃｕｒｓｉｖｅ ｌｅａｓｔ—ｓｑｕａｒｅｓ ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｃｏｒｒｅｃｔｉｏｎ ａｃｃｕｒａｃｙ ｅｆｆｅｃｔｉｖｅｌｙ，ｔｈｅ Ｂ—ｓｐｌｉｎｅ ｆｕｎｃｔｉｏｎ ｗｉｔｈ ｐｅｃｕｌｉａｒｉｔｙ ｏｆ ｌｏｗ—ｏｒｄｅｒ ｓｍｏｏｔｈｎｅｓｓ ｉｓ ｕｓｅｄ ｔｏ ｃｏｎｓｔｒｕｃｔ ｔｈｅ ｉｎｖｅｒｓｅ ｍｏｄｅｌ；ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｐｒａｃｔｉｃａｌ ｎｅｅｄｓ ｆｏｒ ｏｎ—ｌｉｎｅ ａｐｐｌｉｃａｔｉｏｎ，ｔｈｅ ｒｅｅｕｒｓｉｖｅ ｌｅａｓｔ—ｓｑｕａｒｅｓ ｅａｓｙ ｔｏ ｂｅ ｉｍｐｌｅｍｅｎｔｅｄ ｉｎ ＭＰＵ ｉｓ ａｄｏｐｔｅｄ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ．Ｔｈｅ ｎｏｎｌｉｎｅａｒｉｔｙ ｃｏｒｒｅｃｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ａｒｅ ｃａｒｒｉｅｄ ｏｕｔ ｉｎ ｔｈｅ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒｓ ｏｆ ｔｈｅｒｍａｌ ｒｅｓｉｓｔａｎｃｅ ａｎｄ ｔｈｅｒｍｏｃｏｕｐｌｅ．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｎｏｎｌｉｎｅａｒｉｔｙ ｃｏｒｒｅｃｔｉｏｎ ａｐｐｒｏａｃｈ，ｗｈｉｃｈ ｈａｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｓｍａｌｌ ｓａｍｐｌｅ ｓｉｚｅ ｄａｔａ， ｈｉｇｈ ｃｏｒｒｅｃｔｉｏｎ ａｃｃｕｒａｃｙ，ｓｉｍｐｌｉｃｉｔｙ ａｎｄ ｐｒａｃｔｉｃａｂｉｌｉｔｙ，ａｃｃｏｒｄｓ ｗｉｔｈ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔｓ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｓｅｎｓｏｒ ａｎｄ ｓｍａｒｔ
基于逆模型的温度传感器动态补偿方法
２００７年第２６卷第１ｌ期 传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ９９
基于逆模型的温度传感器动态补偿方法
唐锐，刘 清
（南京师范大学计算机系，江苏南京２１００９７）
摘要：在瞬态测量中，温度传感器的测量滞后会影响到测量系统的精度。提出了一种通过建立温度传 感器的动态逆模型来扩宽其工作频带，以此来减小因温度传感器测量滞后所形成的动态测量误差的补偿 方法。用该方法设计的动态补偿器具有不依赖温度传感器动态模型的特点，可根据温度传感器和参考模 型对输入激励响应的实测数据，通过微粒群（ＰＳＯ）算法的优化学习得到补偿器的参数。检测信号经补偿 计算后输出，能够克服传感器的测量滞后。实验证明了该方法的有效性。 关键词：温度传感器；测量滞后；逆模型；模型参考；动态补偿 中图分类号：ＴＰ２１２ 文献标识码：Ａ 文章编号：１０００－－９７８７（２００７）１１－－００９９－－０３
Ｄｙｎａｍｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ０ｆ ｔｅｍｐｅｒａｔｕｒｅ
ＳｅｎＳ０ｒ ＤａＳｅｄ ０ｎ ｌｎＶｅｒＳｅ ｍｏｄｅｌ １ １ ● ｌ ’
ＴＡＮＧ Ｒｕｉ，ＬＩＵ Ｑｉｎｇ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ，Ｎａｎｊｉｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ ２１００９７，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｔ ｔｒａｎｓｉｅｎｔ ｍｅａｓｕｒｅｍｅｎｔ，ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒ ｍｅａｓｕｒｅｍｅｎｔ ｌａｇ ｃａｎ ｉｍｐａｃｔｅｄ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｍｅａｓｕｒｅｍｅｎｔ ｓｙｓｔｅｍ．Ａｎ ａｐｐｒｏａｃｈ ｔｈａｔ ｃａｎ ｗｉｄｅｎ ｔｈｅ ｗｏｒｋｉｎｇ ｆｒｅｑｕｅｎｃｙ ｂａｎｄ ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｄｙｎａｍｉｃ ｅｒｒｏｒ ｉｓ ｒｅｐｏｒｔｅｄ ｂｙ ｕｓｉｎｇ ｃｏｍｐｅｎｓａｔｏｒ ｏｆ ｓｅｎｓｏｒ ｄｙｎａｍｉｃ ｉｎｖｅｒｓｅ ｍｏｄｅ１．Ｗｉｔｈ ｔｈｉｓ ａｐｐｒｏａｃｈ ａ ｃｏｍｐｅｎｓａｔｏｒ ｏｆ ｄｙｎａｍｉｃ ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｃａｎ ｂｅ ｒｅａｌｉｚｅｄ ｗｉｔｈｏｕｔ ｋｎｏｗｉｎｇ ｔｈｅ ｄｙｎａｍｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒ，ｔｈｅ ｐａｒａｍｅｔｅｒ ｏｆ ｔｈｅ ｃｏｍｐｅｎｓａｔｏｒ ｉｓ ｏｐｔｉｍｉｚｅｄ ｂｙ ＰＳＯ ａｌｇｏｒｉｔｈｍ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｄａｔａ ｏｆ ｔｈｅ ｓｔｅｐ ｒｅｓｐｏｎｓｅ ｏｆ ｔｈｅ ｓｅｎｓｏｒ ａｎｄ ｒｅｆｅｒｅｎｃｅ ｍｏｄｅ１．Ｔｈｅ ｔｅｓｔ ｓｉｇｎａｌｓ ｃａｎ ｏｖｅｒｃｏｍｅ ｓｅｎｓｏｒ ｍｅａｓｕｒｅｍｅｎｔ ｌａｇ ａｆｔｅｒ ｃｏｍｐｅｎｓａｔｉｏｎ ｃａｌｃｕｌａｔｉｎｇ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｐｐｒｏａｃｈ ｉｓ ｅｆｆｅｃｔｉｖｅ． Ｋｅｙ ｗｏｒｄｓ：ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒ；ｍｅａｓｕｒｅｍｅｎｔ ｌａｇ；ｉｎｖｅｒｓｅ ｍｏｄｅｌ；ｍｏｄｅｌ ｒｅｆｅｒｅｎｃｅ；ｄｙｎａｍｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ
一种基于频偏函数最优解估计的VCO非线性校正方法
第１１卷第４期 ２０１０年８月 信息工程大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ＶｏｌＩ １１ ＮＯ．４ Ａｕｇ．２０１０
一种基于频偏函数最优解估计的
ＶＣＯ非线性校正方法
贾永昌，金 梁，黄开枝，刘双平
（信息丁程大学信息工程学院，河南郑州４５０００２）
摘要：Ｃｈｉｒｐ信号产生是Ｃｈｉｒｐ—ＵＷＢ系统首先要解决的问题，基于ＶＣＯ产生的Ｃｈｉｒｐ信号线性
度不够高，影响系统的分辨率和处理增益，因此，需要对ＶＣＯ进行非线性校正。文章通过分析
ＶＣＯ非线性校正原理，提出了一种基于频偏函数最优解估计的非线性校正方法。该方法首先
利用每个信号周期内的频率信息估计频偏函数，然后利用频偏函数对ＶＣＯ进行非线性校正。
仿真结果表明，该方法可以使ＶＣＯ输出信号的线性度得到提高。
关键词：Ｃｈｉｒｐ－ＵＷＢ；ＶＣＯ；非线性校正
中图分类号：ＴＮ９１１．７ 文献标识码：Ａ 文章编号：１６７１—０６７３（２０１０）０４—０３９０—０４
ＶＣＯ Ｎｏｎｌｉｎｅａｒｉｔｙ Ｃｏｒｒｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｏｐｔｉｍａｌ Ｓｏｌｕｔｉｏｎ Ｅｓｔｉｍａｔｉｏｎ
ｏｆ Ｆｒｅｑｕｅｎｃｙ Ｏｆｆｓｅｔ Ｆｕｎｃｔｉｏｎ
ＪＩＡ Ｙｏｎｇ—ｃｈａｎｇ，ＪＩＮ Ｌｉａｎｇ，ＨＵＡＮＧ Ｋａｉ—ｚｈｉ，ＬＩＵ Ｓｈｕａｎｇ—ｐｉｎｇ
（Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ ４５０００２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｃｈｉｒｐ ｓｉｇｎａｌ ｉｓ ｔｈｅ ｐｒｉｍａｒｙ ｐｒｏｂｌｅｍ ｉｎ Ｃｈｉｒｐ—ＵＷＢ ｓｙｓｔｅｍ．Ｔｈｅ ｃｏｍｍｏｎ
ｍｅｔｈｏｄ ｉｓ ｕｓｉｎｇ ＶＣＯ ｔｏ ｇｅｎｅｒａｔｅ Ｃｈｉｒｐ ｓｉｇｎａｌ，ｂｕｔ ｔｈｅ ｌｉｎｅａｒｉｔｙ ｉｓ ｎｏｔ ＳＯ ｈｉｇｈ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ
基于神经网络的传感器非线性误差校正
传感器技术（Ｊｏｕｒｒ￣Ｌ ｏｆ Ｔｒａｎｓｄｕｃｅｒ Ｔｅｃｈｎｏｌｏｇｙ） ２００２年第２１卷第ｉ期
基于神经网络的传感器非线性误差校正
林康红。施惠昌，卢 强，奉玲 （上海大学通信与信息工程学院．上海２０００７２ ） 摘 要：介绍了用神经网络校正传感器系统非线性误差的原理和方法，提出了基于ＢＰ神经网络传感器非 线性误差校正受其模型、算法与实现技术。通过计算机仿真与应用，显示出这种逆模型不但可实现温度补 偿和非线性校正，而且网络结构简单。准确度高。 关键词：ＢＰ神经网络：传感器；非线性误差 校正 中国分类号：ＴＰ２１２ 文献标识码：Ａ 文章编号：１０００ ９７８７（２００２）０１ ００４２ ０２
Ｎｏｎｌｉｎｅａｒ ｅｒｒｏｒｓ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｓｅｎｓｏｒｓ ｂａｓｅｄ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＬＩＮ Ｋａｎｇ ｈｏｎｇ．ＳＨＩ Ｈｕｉ—ｃｈａｎｇ．ＬＵ Ｑｉａｎｇ．ＦＥＮＧ Ｌｉｎｇ Ｓｃｈ．ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｉｎｆｏ．Ｅｎｇｉｎ．，Ｓｈａｎｇｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｈｇｈａｌ ２０００７２，Ｃｈｉｎａ） Ａｌ￣ｔｒａｃｔ：Ｔｈｅ ｐｒｉｎｃｉｐｌｅ ａｎｄ ｔｈｅ ｍｅｔｈｏｄｓ ｒ ｃｏｒｒｅｃｔｉｎｇ ｔｈｅ ｎｏｎｔｉｎｅａｒ ｅｒｒｏｒ，ｑ ｎｆ ｔｈｅ￣￣，，ｅｎｓｏ／－ｓｙｓｔｅｍ ｗｉｔｈ ａ ｎｅｕｒａ｛ ｎｅｔｗｏｒｋ ａｒｅ ｉｎｔｒｏ，４ｕｃｅｄ Ｎｏｎｌｉｎｅａｒ ｅｒｒｏｒｓ ｃｏｒｒｅｃｔｉｏｎ ｏｆ Ｓｅｌ２ＳＯＩ，＇８ ｂａｓｅｄ ｏｎ ＢＰ ＦｌｅｔｌｒａＩ ｎｅｔｗｏｒｋ ｖ，＇ｋｉｃｋ ｉｎｃｉｕｄｅ￣ｓ ｎｓ ｍｏｄｅ１．ａｌｇｏｒｉｖｋｍ ａｎｄ】ｅａｌｉｚｅｄ ｔｅｃｈｎｉｑｕｅｓ＆／－ｅ ｐｒｅｓｅｎｔｅｄ Ｔｈｅ ｒｅｓｕ［ｔｓ ｏｆ ｃｏｎ￣ｐｕｔｅｒ ｓｉｒｅｕ［ａｔｉｏｎｓ ｉ［１ｕｓｔｒａｔｅ ｔｈａｔ ｎｏｒ ｎ【ｖ ｈｃ ｉｎｖｅｒｓｅ ｍｏｄｄｉｎｇ ｂ＆ｓｅｄ Ｏｎ ＢＰ ｎｅｕｒａ［ｎｅｔｗｏｒｋ ｃａｌｌ ｃｏｍｐｅｎｓａｔｅ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｈｅ ｎｏｎｌｉｎｅａｒｉｔｙ ａｎｄ ｔｅｍｐｅｒａ— ｔｔｔｒｅ．ｈｕｌ ａｂｏ 】１ｃ ＧＯｌｌＳｔｒＵ￣０Ｏｌｌ ｏｆ ｔｈｅ ｎｅｕｒａ［ｎｅｔｗｏｒｋ ｓｉｍｐｌｅ ａｎｄ ｔｈｅ ｐｒｅｅｉｓｉｏｒＬ ｉｓ ｇｏｏｄ Ｋｅｙ ｗｏｒｄｓ：ＢＩ’（ｈｃｋｐｒｏｐａｇａｆｉｏｎ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ｓｅｎ＊ｏｒｓ；￣ｏｎ［ｉｎｅａｒ ｅｒｒｏｒ８；ｃｏＥｒｅｅｔｉｏｔｌ ０引 言 随着科学技术的发展，电子工业和信息技术促 进了传感器产业的发展，研究传感器理论，进行新材 料、新功能开发，研制高性能传感器、多功能传感器 是传感器技术发展的必然趋势。现代控翩系统对传 感器的准确度、稳定性、和工作条件提出了很高的要 求，希望其输出输人特性呈线性关系 。然而，从严 格意义说，目前传感器的输入输出特性大多为非线 性。为此，人们通过一些硬件或软件的方法来进行 非线性补偿和修正。神经网络是一个太规模的非线 性动力学系统．自２０世纪４０年代末诞生至今仅半 个多世纪 由于它具有信息的分布存储、并行处理、 容错、自适应及自学习能力，已被广泛应用于模式识 别、智能控制及系统建模等领域。提出了利用ＢＰ 神经网络实现传感器逆模建模。对传感器进行非线 性补偿。这种方法准确度高、网络结构简单，算法简 明、收敛性好．其突出的优点是可以同时考虑传感器 各种 Ｆ扰影响及其本身非线性作用。
2010年10月一种铂电阻测温电路的非线性校正方法
第33卷第5期2010年10月电子器件
ChineseJournalofElectronDevicesVo.l33No.5Oc.t2010
项目来源:国家海洋局公益性行业科研专项基金项目资助(200905025)深海底原位观测及取样测量系统 收稿日期:2010-05-24修改日期:2010-06-12NonlinearRectificationfortheCircuitofPlatinumResistorinTemperatureMeasurement*
RENDianhui,ZHOUQiaodi*,ZHANGXueting,YUHaibin
(SchoolofElectronicsInformation,HangzhouDiangiUniversity,Hangzhou310018,China)
Abstract:Inordertoovercomeplatinumresistancetemperaturesensorerrorcausedbythenonlinear,thecircuitof
Platinumresistancetemperatureisdesignedbasedonresearchaboutnonlinearcharacteristicsofplatinumresist
ance.Incircui,tNoneSubleastsquaresmethodis
usedtofitreverseindexingfunctiontoreducemeasurementerrorcausedbyplatinumnonlinear.Atlas,tthepaper
givestheresultsoftheexperimentoftemperaturemeasurementsystembasedonstm32f103vbt6.Theresultsshow
基于RBF神经网络的传感器非线性误差校正方法
计算与测试基于RBF神经网络的传感器非线性误差校正方法*侯立群,张智娟,仝卫国(华北电力大学自动化系,河北保定071003)摘 要:介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。关键词:神经网络;径向基函数;非线性误差;校正中图分类号:TP212 文献标识码:A 文章编号:1000-9787(2004)03-0043-03NonlinearerrorscorrectingmethodofsensorsbasedonRBFneuralnetworkHOUL-iqun,ZHANGZh-ijuan,TONGWe-iguo(DeptofAutomation,NorthChinaElectricPowerUniversity,Baoding071003,China)Abstract:Theprinciplesforcorrectingthenonlinearerrorsofthesensorswithaneuralnetworkareintroduced.Themethodofradialbasisfunctionneuralnetwork(RBFNN)isgiventocorrectthenonlinearerrorsofthesensors.ABPneuralnetworkhasbeendevelopedtosolvethesameproblemforcomparison.TheexperimentalresultsshowthatnetworklearningspeedcanbespedupmarkedlyandnonlinearerrorsofthesensorscanbegreatlyreducedbyusingRBFNN.RBFNNisquiteeffectiveandsuperiortoBPNNincorrectingnonlinearerrorsofthesensors.Keywords:neuralnetwork;radialbasisfunction(RBF);nonlinearerrors;correction0 引 言在测控系统中,一般采用传感器对被测参数进行拾取和转换。大多数传感器的输入-输出特性是非线性的,为了提高测量准确度,常需要对传感器非线性误差进行校正。常用的传感器非线性误差校正方法有:(1)硬件补偿法,该方法难以做到全程补偿,且存在补偿电路硬件漂移问题;(2)多项式拟合法,该方法算法较复杂,且拟合准确度常常受限;(3)人工神经网络校正法,这是近几年兴起的新方法,具有使用的样本数少、算法较简单等优点,应用前景良好。目前,相关文献中多选用BP神经网络实现传感器非线性误差校正[1,2],但BP神经网络存在收敛速度慢、局部极小值等问题。本文提出使用径向基函数(RBF)神经网络实现收稿日期:2003-10-08*基金项目::华北电力大学青年教师基金资助项目(09320015).传感器非线性误差校正。与全局逼近的BP神经网络不同,RBF神经网络是局部逼近网络。RBF神经网络的局部逼近特性,使其在逼近能力和学习速度等方面均优于BP网络[3,4]。本文通过仿真实验证明:使用RBF神经网络进行传感器非线性校正,可以取得十分满意的效果。1 非线性校正原理假设传感器的输入-输出特性为y=f(x),式中 x为被测参数;y为传感器输出;f(x)为一非线性函数。为了校正传感器的非线性误差,在其输出端串联一个补偿环节,如图1所示。图1 传感器非线性误差校正原理图Fig1 Principlediagramofnonlinearerrorscorrectionofsensor43 2004年第23卷第3期 传感器技术(JournalofTransducerTechnology) 补偿环节的特性函数为z=f-1(y)=x,式中 z为补偿后的输出。显然,补偿环节的输出z等于被测量x,从而实现非线性校正。f-1(y)也是一非线性函数,往往难以准确求出。而RBF神经网络具有很强的非线性逼近能力,可以利用RBF网络学习并逼近f-1(y)函数,实现传感器非线性误差的校正。2 径向基函数(RBF)神经网络2.1 RBF神经网络模型RBF神经网络由三层组成,其结构如图2所示。
一种宽带非线性信道校正方法
现代电子技术Modern Electronics Technique2024年4月1日第47卷第7期Apr. 2024Vol. 47 No. 7
0 引 言
伴随航天应用的蓬勃发展，使用卫星进行数据传输
通信变得越来越广泛，卫星将语音、视频等数据信号调
制成无线电波回传至地面，再由地面高速数传解调器恢
复数据序列，目前实用速率已经达到吉量级。为利用有
限的频带资源，提高数传传输速率，常用的手段是采用
高阶调制波形提高每个码元携带的信息量。
但是，高阶信号更易受系统非线性影响出现接收灵
敏度下降的现象。而实际卫星链路又由多级变频器、放
大器等构成，群时延、交调等各种非线性干扰复合在一
起，不易定量分析、做到逐项分离。本文旨在寻找一种
通用的解决办法，通过消除链路非线性干扰提高卫星信
号的接收性能。1 高速数传信道均衡及面临的问题
高速数传解调器对卫星下行信号的解调处理流程
一般采用如图1所示方案。中频信号经过模拟信道调
理，滤除带外噪声，以最佳幅度进入采样电路，采样后的
数字信号经过载波恢复算法消除多普勒频差以及相位
误差，再经过数字重采样算法完成符号同步，解调后的
基带信号均衡后传送至后端进行后续处理。因高速数
传解调器处理的各环节都使用并行运算[1⁃2]，这导致资源
与复杂度随接收信号带宽的增加而快速增长。从实现
性角度考虑，所选算法都需要尽可能简单可靠。
图1 传统高速数传处理流程一种宽带非线性信道校正方法
刘景元1， 王 威2
（1.西南电子技术研究所， 四川 成都 610036； 2.北京跟踪与通信技术研究所， 北京 100094）
摘 要： 针对高速数传解调器接收宽带高阶调制信号时因信道非线性导致的性能恶化问题，提出一种基于两层自适应均衡网络的非线性信道校正方法。该方法先利用递归最小二乘法获得Volterra非线性前置校正系数，再利用自适应基带均衡器消除信道的剩余影响，以提升解调器的捕获跟踪能力，并在高速数传解调器工程应用中实现2.4 Gb/s 16QAM信号的稳定接收。关键词： 高速数传； 信道校正； 自适应均衡网络； Volterra非线性均衡； 递归最小二乘法； 自适应基带均衡器中图分类号： TN919⁃34 文献标识码： A 文章编号： 1004⁃373X（2024）07⁃0033⁃04
基于SVM的传感器非线性特性校正新方法(精)
基于SVM的传感器非线性特性校正新方法
摘要：介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。关键词：非线性校正；神经网络；支持向量机；拟合方法；传感器0前言现代控制系统对传感器的准确度、稳定性和工作条件等方面提出了很高的要
摘 要：介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。
关键词：非线性校正；神经网络；支持向量机；拟合方法；传感器
0前言
现 代控制系统对传感器的准确度、稳定性和工作条件等方面提出了很高的要求。然而，从严格意义上来说，目前绝大多数传感器特性都不理想，其输入输出特性大多为 非线性关系。为此，人们通过一些方法来进行非线性补偿和修正。特别是近年来，随着神经网络的发展，有不少学者提出了基于神经网络进行非线性传感特性校正的 方法。这些方法一般是用一个多层的前馈神经网络去映射传感器特性曲线的反函数作为校正环节，算法相对简单，实现容易。
但是通过分析神经网络的基本工作原理，笔者认为该方法依然存在一些不足［1、6］：1)在训练过程中神经网络极容易陷入局部最小，而不能得到全局最小；2)神经网络过分依赖训练数据的质量和数量，但大多数情况下样本数据十分有限，由于噪声影响，存在数据不一致情况，对神经网络的训练结果影响较大；3)输入数据往往是高维的，而训练结果仅是输入空间的稀疏分布，所以大量的高维数据必然会大大增加算法的训练时间。
支持向量机SVM［4，5］(Support Vector Machine)是基于统计学习理论的一种新的学习方法，最早由Vapnik教授及其合作者于上世纪90年 代中期提出。由于其优良特性，最近引起了许多研究者的兴趣。支持向量机主要用于模式识别，目前在该方面成功的范例较多；与模式识别相比，支持向量机用于函 数拟合的成功应用较少。和神经网络相比，支持向量机是基于统计学习理论的小样本学习方法，采用结构风险最小化原则，具有很好的泛化性能；而神经网络是基于 大样本的学习方法，采用经验风险最小化原则。