神经网络在传感信号处理中的应用

1、 神经网络在传感信号处理中的应用一、基本原理神经网络是一种不需要选取基函数系的非线性函数逼近方法。本文利用神经网络的高度非线性描述能力, 实现传感信号的处理。由于神经网络是根据对象的输入2输出信息, 不断地对网络参数进行学习, 以实现从输入参数到输出参数的非线性映射; 还可以根据来自机理模型和实际运行对象的新数据样本进行自适应学习, 尤其是通过不断的实时学习, 可以适应对象参数的缓慢变化。因此, 这种方法克服了机理建模所存在的困难。神经网络可以完成大量的信息处理任务, 其应用涉及相当广泛的领域。归纳起来, 神经网络的信息处理任务主要包括:(1) 数学上的映射逼近。开发一种合适的函数f :A R

2、n B Rn ,以自组织的方式响应以下的样本集:( x1 , y1) , ( x2 , y2) , , ( xl , yl) (这里yi = f ( xi) 或yi =f ( xi) + n0 , (其中n0 为噪声) ) 。象识别和分类等计算都可以抽象成这样的一种近似的数学映射。(2) 联想记忆。是指实现模式完善、恢复相关模式的相互回忆等。神经网络的信息分布式存储于连接权系数中, 使网络具有很高的容错性和鲁棒性, 而模式识别中往往存在噪声干扰或输入模式的部分损失,网络的这一特点使其成功地用于模式识别问题。将神经网络应用到传感信号处理涉及到两个重要的问题: 模式预处理变换和模式识别。预处理变换

3、是指接受一种形式模式, 应用神经网络把它转换为更多想要或可用形式的模式; 而模式识别则是把一模式映射到其它类型或类别的操作。可见, 神经网络在传感信号处理应用的基础是神经网络的函数逼近能力, 并利用这一能力对传感器进行建模。已有许多文献对神经网络的函数逼近能力进行了研究, 而基于神经网络的传感系统的建模有直接逆系统建模法、正2逆系统建模法、逆2逆系统建模法。直接逆系统建模法是指:采用不同的设定信号ud输入给未知传感器,测量其相应的输出y ,以ud 和y来训练一个神经网络,使这个网络把未知传感器的输出y 作为网络输入时,网络的输出u 正好等于未知传感器的输入ud 。这时误差u2ud 可作为网络的

4、训练。正2逆系统建模法是指: 在未知传感器的动力学系统(正) 模型的基础上建立逆动力学模型。有三种不同学习法: 传感器2逆系统学习法。即直接利用设定给逆系统神经网络的期望输入和未知传感器的实_际输入之差来调节网络的权重。这种方法在整体误差的基础上调节网络权值时, 必须知道传感器的模型。正模型2逆系统学习法。首先用一个神经网络建立起传感器的(未知的) 数学模型。利用设定给逆系统神经网络的期望输入和传感器正的神经网络模型的输出之差来调节逆系统神经网络的权值。缺点是逆系统模型的准确度直接与新建立的正模型精度有关。传感器2正模型2逆系统学习法。这种方法避免了的缺点, 学习框架则以为基础。即直接利用设定

5、给逆模型的期望输入和传感器的输出之差调节网络的权值。逆2逆系统建模法是指: 由两个逆系统模型和未知传感器一起构成学习回路。在正通道上有神经网络控制器, 它控制传感器使之复现网络的输入。当然该方法需要事先已知传感器的逆动力学模型。二、应用举例1.非线性校正在非电量电测技术中广泛使用着各类传感器, 他们用来将非电量转化为电量。大多数传感器的输出特性是非线性的, 这是由于其转换原理为非线性的。为了使传感器在整个测量范围内的灵敏度是一个常数,即传感器的输入2输出特性是一条直线, 在传统的模拟指示仪表中常采用三种方法: 1) 缩小测量范围,取近似值; 2) 采用非线性指示刻度; 3) 加入非线性校正环节

6、。但随着测量范围不断扩大, 对测量准确度的要求不断提高, 上述这些方法可能失去其使用价值。例如, 外旋转式浓度传感器的输入2输出特性存在着明显的非线性, 可以用神经网络实现其特性的校正。图1 是用神经网络实现非线性校正的原理。假设传感器具有非线性输入2输出特性y = f( x) , 为了实现非线性误差的校正, 可使传感器的输出y 通过校正用神经网络。取该环节的特性为xest =F ( y ) , 如果令F ( y ) = f21 ( y ) , 则有xest = f21( y) = x 。所以只要知道特性f21 () 即可消除传感器的非线性。具体做法是: 将浓度传感器的输出视为神经网络的输入y

7、 , 而将待测浓度值x 作为神经网络的输出, 对神经网络进行训练(用学习迭代方法对神经网络的权值进行修正) , 直至神经网络输出值的估计误差均方值达到足够小, 学习过程才告结束。这时神经网络就可用来作非线性校正预测, 其输出即为校正结果xest 。这种方法在光纤PH 值传感器、色度传感器和电感测微仪的非线性误差校正中也已获得应用。图1 用神经网络实现传感器输出非线性特性的校正图2自检验与故障诊断当对生产过程进行监测、控制以及优化时, 都是以过程变量的某些测量值如温度、流量、浓度等为依据的。因此从测量数据中获得过程变量可靠、精确、一致的估计值对生产过程至关重要。传感器的过失误差和故障可使系统运行

8、性能下降或导致系统瘫痪。针对这一问题, 人们提出了多种数据校核及过失误差检测方法。这些方法大多是统计理论和最优化方法的结合, 计算量大、时间长, 因此难以在线应用。对于过失误差检测而言, 偏差向量r = ri T 的数值将提供一些有用的信息, 因此可以将偏差向量r作为神经网络的输入, 神经网络的输出则对应于各测量变量。具体做法是: 将偏差向量进行预处理, 即用各ri 除以其标准差Vi , 所得数值Si = ri/ Vi 作为神经网络的输入; 网络的输出, 当测量变量中不存在过失误差时取为011 , 当测量变量中存在过失误差时取为019 , 对网络进行训练。训练后的网络即可用来进行过失误差的检测

9、。图2 是基于神经网络的单传感器故障检测原理。该方法的特点是: 利用单传感器的输出信号建立神经网络预测模型, 然后利用预测模型对传感器的预测输出和实际输出之差判断传感器是否发生故障。神经网络预测器根据传感器输出的前m 个值x ( k) ,x ( k + 1) , , x ( k + m - 1) 预测得到第m + 1 时刻的值x ( k + m) , 将其与传感器第m + 1 时刻的实际输出之差与某一检测阈值相比较, 判断此传感器是否发生故障。图2 基于神经网络的单传感器故障检测3 .智能结构中传感阵列的信号处理将具有仿生命功能的材料融合于基体材料中, 使制成的构件具有人们期望的智能功能, 这

10、种结构称为智能材料结构。目前智能结构的元件主要集中于应用传感技术对结构中的一些状态参数进行测量。光纤传感器由于具有体积小、损耗低、灵敏度高, 并且抗电磁干扰、电绝缘性好、带宽大、既可“感”又可“传”, 易于实现分布式和阵列化传感网络, 因而是最有希望用于智能结构的传感技术。图3 (a) 是采用光纤纵横交错排列的方法制成的光纤微弯传感阵列在智能化构件中的安排。利用该阵列可以实现结构损伤的监测和定位。图3 (b) 是利用神经网络处理传感阵列的输出数据, 并确定机械损伤强度和位置的原理框图。图3 智能结构中传感阵列信号的神经网络处理4.滤波与除噪滤波与除噪是传感信息处理中的基本操作。在自适应除噪(A

11、NC) 中, 整个ANC 系统分为两个通道:主通道与参考通道。当参考通道中噪声是主通道噪声的非线性变换时, 如果线性自适应算法用线性变换逼近非线性变换, 为了达到足够高的精度, 用于估计的权系数向量的维数将爆炸性增大, 自适应滤波器的估计速度必然大为降低, 其性能大幅度下降, 难以达到实时应用的目的, 此时应采用非线性ANC。由于径向基函数(RBF) 网络具有良好的非线性函数逼近性能, 因而可以采用基于RBF 网络的非线性ANC 。图4 基于神经网络的弱信号提取模型在目标跟踪、多目标检测等工程领域, 都涉及到从强的背景噪声中提取弱信号的问题。基于BP 神经网络结构及算法的方法, 可从宽带背景噪

12、声中提取微弱有用信号。该方法对微弱信号的提取是在网络节点连接权向量域进行的, 因此从根本上解决了对提取信号的频率选择问题。BP 网络权向量方法如图4所示。检测系统的输入为宽带噪声xk 和要提取的微弱信号Sk 的叠加。取背景噪声的期望值mx 作为期待响应dk , 即dk = E( xk) = mx假设背景噪声是平稳的, 则mx 可用时间平均值近似估计。假设弱信号出现之前, 网络学习过程已经结束, 即网络连接权矩阵的期望值已收敛于由背景噪声所确定的最佳权向量W 3x。于是有偏移权向量Vk = Wk - W 3x式中, Vk 为权值偏移量, Wk 为含有背景噪声和弱信号的权向量。当弱信号出现之前,

13、Vk 在零向量周围游动, 弱信号的出现改变了输入特性, 从而产生新的最佳权向量W 3x 1B P 算法使权向量Wk 尽可能与W 3x相匹配, 这样E ( Vk) 则不为零向量。B P 网络权向量方法取E ( Vk) 各分量之和作为检测弱信号的判决函数。5.环境影响因素的补偿光学电流传感器是以光纤为介质, 以法拉第(Faraday) 磁光效应为基础的电流传感元件。与传统的电磁式电流互感器相比, 在高电压大电流测量的应用中采用光学技术具有明显的优越性: 满足绝缘要求、无磁饱和现象、抗电磁干扰、响应频域宽、便于遥感和遥测、结构紧凑、重量轻等。但目前真正可立足于市场的光学电流传感器产品仍是凤毛麟角,

14、其根本原因在于环境因素引起的光纤线性双折射效应对测量结果的影响。文献研究了三相光学电流传感器的双折射效应; 文献分别提出了基于BP和RBF 神经网络的光学电流传感器线性双折射效应的补偿方法(图5) 。将光学电流感器的输出作为神经网络的输入信号, 将被测电流的真实值(可用其他测量手段获得) 作为神经网络的输出信号, 用这种输入2输出关系形成的样本集对神经网络进行训练。经过训练的网络就可以用来进行线性双折射效应补偿的预测。结果表明: 网络的预测值与实验值具有很好的一致性。图5 基于神经网络的光学电流传感器线性双折射效应的补偿6.多传感器信息融合数据融合是把来自多传感器的数据和信息, 根据既定的规则

15、, 分析结合为一个全面的情报, 并在此基础上为用户提供需求的信息, 诸如决策、任务等。简单地说, 数据融合的基本目的就是通过组合, 可以比从任何单个输入数据元素获得更多的信息。通常传感器都存在交叉灵敏度, 表现在传感器的输出值不只决定于一个常量。当其它参量变化时输出值也要发生变化。例如: 一个压力传感器, 当压力P恒定而温度T 变化时, 其输出值U 也发生改变。那么这个压力传感器就存在有对温度T 的交叉灵敏度。存在交叉灵敏度的传感器, 其性能不稳定, 测量精度低。多传感器信息融合技术就是通过对多个参数的检测并采用一定的信息处理方法(这里采用神经网络技术, 见图(6) 达到提高每一个参量测量精度的目的。图6 基于神经网络的传感信息融合三、结论(1) 神经网络具有知识和信息的分布式表达、大规模并行处理、自动获取, 知识处理的自适应性、容错性和联想记忆能力等特点。传感信息一般都具有模型难以确定、非线性强的特征, 给被测量的准确获得带来极大困难。神经网络正好迎合