高精度温度测量装置的设计-外文翻译及论大学生写作能力

附录ADesignofaHighPrecisionTemperatureMeasurementSystem1IntroductionSensorsareoneofthemostimportantelementsusedinmanyinstrumentationcircuits.Theyareusedinmanyindustrialapplicationsandtakeacertainformofinput(temperature,pressure,altitude,etc.)andconvertitintoreadingsthatcanbeinterpreted.Manytypesofsensorsarenonlinearinnaturefromwhichalinearoutputisdesired.Therearemanydifferentsensorsfortemperaturemeasurementandthermocouplesarethemostcommonlyused.Theyarepreferredinindustrialapplicationsduetotheirlowcost,wideoperationrange,fastresponsetimeandaccuratewhentheirpeculiaritiesareunderstood.Thermocoupleshavealsooutputsnonlinearlyrelatedtotemperature.Therefore,sensormodelingandlinearizationtechniquesarenecessary.Tosolvethelinearizationproblemofasensor,therearegenerallytwomethodsproposed.Thefirstonerequiresnonlinearanalogcircuitandthesecondusesnumericalmethodsthatarecomputedbymicroprocessororcomputer.Analogcircuitsarefrequentlyusedforimprovingthelinearityofthesensorcharacteristics,whichimpliesadditionalanaloghardwareandtypicalproblemsassociatedtoanalogcircuitssuchastemperaturedrift,gainandoffseterror.Usingthesecondmethod,sensornonlinearitiescanbecompensatedbymeansofarithmeticoperations,ifanaccuratesensormodelisavailable(directcomputationofthepolynomials),oruseofamultidimensionallook-uptable.Directcomputationofthepolynomialmethodismoreaccuratebuttakesalongtimeforcomputation,whilethelook-uptablemethod,thoughfaster,isnotveryaccurate.Inrecentyears,applicationofANNshasemergedasapromisingareaofresearchinthefieldofinstrumentationandmeasurement.Itprovidesaneurocomputingapproachforsolvingcomplexproblemsespeciallyinnonlinearsystemmodelingwhichthenetworkitselfisanonlinearsystem.Thisisextremelyusefulwhentheareaofinterestisabsolutelynonlinearincludingtheexperimentaldatathatisusedfortraining.OneofthemostpowerfulusesofANNsisinfunctionapproximation(curvefitting).InterpolationbasedonANNprovideslowerinterpolationerrorswhencomparedwithconventionalnumericalinterpolation.Intheworkwepresenthere,highprecisiontemperaturemeasurementsystembasedonANNapproachisproposed.ThecalibratingdataisobtainedbyWavetek9100calibrationunitthatisnecessaryforthetrainingandthetestingphasesoftheANN.ThehardwareandsoftwarepartsofthesystemareintegratedinaVIusedforsystemoperationandcalibration.TheANNismatchedtothecalibratingdatabyprovidingadesiredfinalerror.ThemeansquareerrorbetweencalibrationandtheANNmodeleddataisminimizedintermsofthestructure,numberoflayers,andnumberofneuronsbythedevelopedsoftware.2SystemHardwareAthermocouplegeneratesavoltageproportionaltothemeasurementjunctiontemperatureatmVlevelswhilethecoldjunctiontemperatureisconstant.Inordertomakeanaccuratemeasurementthecoldjunctiontemperaturemustbeknown.Figure1(a)showstheblockdiagramofthetemperaturemeasurementsystemdesignedviaanANNintheoperationphase.Itconsistsofathermocouple(typeE)exposedtoadesiredtemperature,includingsignalconditioningcircuitwith16-bitanalogtodigitalconverter(ADC)andInput/Outputinterfacecardinterfacingwithacomputer.Thedesignedsignalconditioningcircuithasaprogrammablegaininstrumentationamplifier(PGA204BP)withthegainof1,10,100and1000,a16-bitADC(AD976A),anAD595monolithicthermocoupleamplifierwithcoldjunctioncompensationwhichisconfiguredasastand-aloneCelsiusthermometeranda4channelanalogmultiplexer(ADG529A)whichselectthethermocoupleoroutputofCelsiusthermometer.TheAD976Aisahighspeed,lowpower16-bitA/Dconverterthatoperatesfromasingle5Vsupply.Thispartcontainsasuccessiveapproximation,switchedcapacitorADC,aninternal2.5Vreferenceandahighspeedparallelinterface.AccuracyofthesystemdependsdirectlyonstepsizeofADC.Witha±10Vinputs,oneLSBofAD976Ais305μV.WhenAD595isusedasaCelsiusthermometer,thethermocoupleisomitted,andthedifferentialinputsareshuntedtogethertocommon.Inthismode,AD595generateavoltagewithascalefactorof10mV/°Canditsoutputisusedforcoldjunctiontemperaturedatathatthewrittensoftwareisused.SomeimportantcharacteristicsoftheAD595are:operationtemperaturerange-55to125°C;stabilityvs.temperature:±0.05°C/°Candsensitivity:10mV/°C.OutputsignalofPGA204BPisdigitizedbyAD976AwhichitsoutputisconnectedtotheI/Ointerfacecardandtransferredtoapersonalcomputerwheredatareductionandoptimizationareimplemented.Fig.1.Measurementsystemblockdiagram:(a)operationalphase,(b)calibrationphaseToestablishtheANNsweightsandbiases,duringthecalibratingphase(ANNtrainingphase),Wavetek9100calibrationunit,withtheaccuracyof±0.006%+4.16μVintherangeof000.000mVto320.000mV,isconnectedtotheterminalsofanalogmultiplexertogeneratetabledthermocouplevoltagesasshowninFigure1(b).ThisvoltageisusedastheinputoftheANN,andthermocoupletemperaturewithoutcoldjunctioncompensationistheoutputoftheANN.Intheoperationphase(Figure1(a)),inordertomakethecoldjunctioncompensation,datatakenfromCelsiusthermometeroutputisused.TheoutputvalueofANNisshiftedbytheenvironmenttemperaturethatisobtainedbyCelsiusthermometer.ThenthisvalueisdisplayedontheVIasthethermocoupletemperature.ThedevelopedVIisusedtoacquirethedataforANNtrainingphaseandtoshowthecalculatedtemperatureintheoperationphase.Figure2showsthefrontpaneloftheVI.Themainfeaturesassociatedwiththisinstrumentare:displayofthemeasuredtemperatureandcorrespondingoutputvoltagefromconditioningcircuitforcollectingthedatainthecalibratingphaseandactualtemperaturewithcoldjunctioncompensationintheoperationphase.Thesystemiscontrolledbythesoftwarewritteninbothoperationandcalibrationphases.3ArtificialNeuralNetworkANNsarebasedonthemechanismofthebiologicallyinspiredbrainmodel.ANNsarefeed-forwardnetworksanduniversalapproximators.Theyaretrainedandlearnedthroughexperiencenotfromprogramming.Theyareformedbyinterconnectionsofsimpleprocessingelements,orneuronswithadjustableweights,whichconstitutetheneuralstructureandareorganizedinlayers.Eachartificialneuronhasweightedinputs,summationandactivationfunctionsandoutput.ThebehaviouroftheoverallANNdependsupontheoperationsmentionedontheartificialneurons,thelearningruleandthearchitectureofthenetwork.Duringthetraining(learning),theweightsbetweentheneuronsareadjustedaccordingtosomecriterion(Themeansquareerrorbetweenthetargetoutputandthemeasuredvalueforallthetrainingsetfallsbelowapredeterminedthreshold)orthemaximumallowablenumberofepochsisreached.Althoughthetrainingisatimeconsumingprocess,itcanbedonebeforehand,offline.Thetrainedneuralnetworkisthentestedusingdatawaspreviouslyunseenduringtraining.MLPsarethesimplestandmostcommonlyusedneuralnetworkarchitectures.Theyconsistsofinput,outputandoneormorehiddenlayerswithapredefinednumberofneurons.Theneuronsintheinputlayeronlyactasbuffersfordistributingtheinputsignalsxitoneuronsinthehiddenlayer.Eachneuronjinthehiddenlayersumsupitsinputsignalsxi,afterweightingthemwiththestrengthsoftherespectiveconnectionswjifromtheinputlayerandcomputesitsoutputyjasafunctionfofthesum,namelywherefisoneoftheactivationfunctionsusedinANNarchitecture.Traininganeuralnetworkconsistsofadjustingthenetworkweightsusingdifferentlearningalgorithms.Alearningalgorithmgiveswji(t)intheweightofaconnectionbetweenneuronsiandjattimet.Theweightsarethenupdatedaccordingtothefollowingformula:Therearemanyavailablelearningalgorithmsintheliterature.ThealgorithmsusedtotrainANNsinthisstudyareLevenberg–Marquardt(LM),Broyden–Fletcher–Goldfarb–Shanno(BFGS),BayesianRegularization(BR),ConjugategradientbackpropagationwithFletcher-Reevesupdates(CGF),andResilientback-propagation(RP)algorithms.NeuralLinearizationInthispaper,themultilayeredperceptron(MLP)neuralnetworkarchitectureisusedasaneurallinearizer.TheproposedtechniqueinvolvesanANNtoevaluatethethermocoupletemperature(ANNoutput)whenthermocoupleoutputvoltageisgivenasinput.TrainingtheANNwiththeuseofmentionedlearningalgorithmtocalculatethetemperatureinvolvespresentingitwithdifferentsetsofinputvaluesandcorrespondingmeasuredvalues.DifferencesbetweenthetargetoutputandtheactualoutputoftheANNareevaluatedbythelearningalgorithmtoadapttheweightsusingequations(1)and(2).Theexperimentaldatatakenfromthermocoupledatasheetsareusedinthisinvestigation.Thesedatasheetsarepreparedforaparticularjunctiontemperature(usually0°C).TheANNistrainedwith80thermocoupletemperaturesthatisuniformlydistributedbetween-200and1000°Cwhichisobtainedinthecalibrationphase.Howevertheperformanceofthefinalnetworkwiththetrainingsetisnotanunbiasedestimateofitsperformanceontheuniverseofpossibleinputs,andanindependenttestsetisrequiredtoevaluatethenetworkperformanceaftertraining.Therefore,theotherdatasetof20thermocoupletemperaturesthatisuniformlydistributedbetween-200and1000°C,isusedinthetestprocess.Theinputandoutputdatatuplesarenormalizedbetween-1.0and1.0beforetraining.Afterseveraltrialswithdifferentlearningalgorithmsandwithdifferentnetworkconfigurations,itisfoundthatthemostsuitablenetworkconfigurationis1X7X3X1withtheLMalgorithm.Thismeansthatthenumberofneuronsis7forthefirsthiddenlayerand3forthesecondhiddenlayerrespectively.Theinputandoutputlayershavethelinearactivationfunctionandthehiddenlayershavethehyperbolictangentsigmoidactivationfunction.Thenumberofepochis1000fortraining.Itisimportanttonotethatthecriteriafortoosmallandtoobighiddenlayerneuronnumbersdependonalargenumberoffactors,likeANNtype,trainingsetcharacteristicsandtypeofapplication.Thistopicisstillunderspecialattentionofartificialintelligenceresearcherstoday.4ResultsandConclusionThedevelopedANNmodelsaretrainedandtestedwiththeuseofdifferentlearningalgorithmscalledLM,BR,CGF,RPandBFGStoobtainbetterperformanceandfasterconvergencewithsimplerstructure.Table1showstheerrorsfromthecompletelearningalgorithmsusedintheanalysisforthesamenetworkconfigurationmentionedabove.Whentheperformancesoftheneuralmodelsarecomparedwitheachother,thebestresultforthetrainingandthetestareobtainedfromthemodeltrainedwiththeLMalgorithm.Thetrainingandtesterrors(MSE,meansquareerror)ofthenetworkfortheLMalgorithmare0.7x10-9and1.3x10-4respectively.AsitisclearlyseenfromTable1,thenextsolutionwhichisclosertoLMisobtainedfromBRalgorithm.Amongneuralmodelspresentedhere,theworstresultsareobtainedfromtheRPmethodforthisparticularapplication.Itshouldbeemphasizedthattheaccuracyoflearningalgorithmsingeneraldependsonselectingappropriatelearningparameters,networkconfigurationsandinitializations.Figure3representsthepercentagetesterrorofthenetworktrainedwithLMfortypeEthermocouple.AsitisclearlyseenfromFigure3,themaximumpercentageerrorbecomeslowerthan0.3%.Theaveragepercentageerrorisgreaterthan0.1%fortemperaturesbetween-200and200°C,thereasonbeingthatinthisrangethethermocouplesarestronglynonlinear.However,itisobviousforbestfitintherange-200to200°Cthatthenumberoftrainingdatasetmustbeincreased.Thenormalizederrorconvergencecurvesinthelearningalgorithmsusedintheanalysisfor1000Fig.4.Learning(convergence)characteristicsoftheANNfordifferentlearningalgorithmsusedintheanalysisfor1000epoch.epochsaregraphicallyshowninFigure4.Forsimulatingtheneuralmodel,theANNistrained,tominimizetheMSE.Asthelearningproceeds,themeansquareerrorprogressivelydecreasesandfinallyattainsasteadystateminimumvalueasshowninFigure4.Asaconclusion,atechniqueforhighprecisiontemperaturemeasurementbasedonanANNmodelisproposedinthispaper.ThetrainingprocessforMLPANNsisperformedsuccessfullyinthisstudywiththeuseofLMalgorithmwhichgivesthebestresultamongotherlearningalgorithms.GainandoffseterrorsofthesignalconditioningcircuitareautomaticallycancelledasaconsequenceoftheusageoftheANNtechnique.Theproposedmethodhasalargeareaofapplicationsinallsensorbasedmeasurementsystemswherethesensornonlinearityisthemainfactortobeconsidered.Thetechniquehasapotentialfutureinthefieldofinstrumentationandmeasurement.附录B高精度温度测量装置的设计1引言传感器是许多设备电路中最重要的元素之一。许多工业都应用传感器，传感器采用某一形势的输入（例如温度、压力、幅度等），并转换成能够解释的仪器指示数。在本质上许多传感器都是非线性的，但输出却要求是线性的。有许多种传感器可以进行温度的测量，其中热电偶的应用最广泛。由于热电偶具有低成本、宽操作范围、响应迅速、精确度高的优点，更适合工业应用。对于温度，热电偶也具有非线性输出。因此，传感器的仿真和线性化技术非常必要。为了解决传感器的线性化问题，提出了两种方法。第一种方法需要非线性的模拟电路，第二种方法应用能够用微处理器或计算机计算的数值方法。模拟电路经常被用来提高传感器的线性特性，但模拟电路需要额外的模拟硬件，还具有对于模拟电路的典型问题，如温度漂移，增益和补偿误差。应用第二种方法，如果一个精确的传感器是可用的（通过多项式直接计算），或应用查询多维的表格，传感器的非线性能够通过操作算法得到补偿。多项式方法的直接计算更加精确但需要较长的计算时间，而查表的方法尽管快但并不十分精确。最近几年，在使用仪器和测量的领域，人工神经网络作为一种有前景的研究领域已经兴起。人工神经网络对于解决复杂问题特别是非线性系统的仿真提供了神经计算方法，而网络本身却是一个非线性系统。当测量系统是非线性时包括用来训练的试验数据也是非线性时，人工神经网络是非常有用的。人工神经网络的最广泛应用是数值逼近（曲线拟和）。与传统的数值插补比较，基于人工神经网络的插补提供低的插补误差。在本文中，我们提出了基于人工神经网络方法的高精度温度测量系统。校正数据是通过在人工神经网络的训练和测试阶段必须具有的调幅调频信号源9100校正单元获得的。系统的硬件和软件部分被综合在用于系统测量和校正的虚拟设备上。人工神经网络通过提供一个理想的最终误差来校正数据。这就是按照神经元的结构和层数和神经元的数量通过软件，将校正和人工神经网络仿真数据之间的均方误差最小化。系统硬件热电偶产生一和测量温度点成比例的在mV数量级的电压值，，而在零点的温度值是一个常数。为了精确的测量，我们必须知道零点的温度值。通过人工神经网络的操作阶段，图1（a）显示了温度测量系统模块。它组成了放置在理想温度条件下的热电偶（E型号），包括带有16位的模拟数字转换器和接入到计算机的输入输接口卡的信号调节电路，设计的信号调节电路具有可设计增益的放（PGA204BP），它的增益是1，10，100，1000倍，16位的A/D转换器（AD976A），带有零点温度补偿的AD595单片电路热电偶放大器，并把它作为摄氏温度计的标准，用来选择热电偶和摄氏温度计的输出的4路模拟多路器（ADG529A）。AD976A具有高速度、低功耗、16位A/D转换器的特点，采用5V工作电压。这一部分提供连续的逼近，转换电容ADC，间隔的2.5V干扰和一高速度的平行界面。系统的精度直接依靠ADC每步的大小。具有的输入，AD976A的LSB是。当AD595作为摄氏温度应用时，热电偶被忽略，微分的输入被汇集到一起。在这种模式中，AD595产生一个比例因子为10mV/°C，它的输出应用在编写软件的零点温度数据中。AD595的一些重要特性如下：电压范围是-55°C;到125°C;相对于温度的稳定性是±0.05°C/°C；相对于温度的敏感性是：10mV/°C。PGA204BP的输出信号通过AD976A被数化；AD976A的输出连接到I/O接口卡并传递到个人计算机上，执行数据的削减和优化。为了设定人工神经网络的网络权值和阈值，在校正阶段（人工神经网络的训练阶段），在000.000mV到320.000mV的范围内，精确度为±0.006%+4.16μA的调幅调频信号源9100校正单元，连接到模拟多路器的终端，用来产生如图1（b）所示的热电偶电压。此电压作为人工神经网络的输入值，没有零点温度补偿的热电偶电压是人工神经网络的输出值。在操作阶段（如图1a），为了实现零点温度补偿，我们使用了从摄氏温度计输出的数据值。人工神经网络的输出值随着由摄氏温度计获得的环境温度值的变化而变化。然后这个值显示在虚拟机上作为热电偶的温度值。虚拟机被用来获得人工神经网络的训练过程中的数据和显示操作阶段的计算温度值。图2显示了虚拟机的前端电路板。此设备的主要特征是：显示测量的温度值和从调理电路输出的相应电压值，调理电路是用来收集在校正阶段的数据值和在操作阶段具有零点温度补偿的实际电压值。此系统是由校正和操作阶段编写的软件来控制的。3人工神经网络人工神经网络是基于生物机理的人脑的模拟。人工神经网络是前向反馈网络和全局逼近网络。它是通过经验而不是程序来训练和学习的。它们是通过简单的进程元素相互连接而形成的，或是可调节的阈值相互连接而形成的，阈值组成神经的结构组成层。每一个人工神经都有阈值输入，求和单元、功能函数和输出。整个人工神经网络的特性依靠所提及的人工神经元、学习算法和网络的构造。在训练的过程中，神经元之间的阈值可以通过一些标准（对于所有的训练集目标输出值和测量值之间的均方误差达到预先设定好的极限值）进行调整，或达到最大的允许步数。虽然训练过程非常耗费时间，但这能提前完成，并能脱机运行。训练完的神经网络用来测试数据但这一过程是看不见的。机器语言程序是构建神经网络中最简单的和应用最广泛的。机器语言程序由输入、输出、事先定义好神经元的数量的一层或多个隐层。输入层的神经元只是作为缓冲器，用来运输输入信号到神经元的隐层。在应用分别的连接强度对输入信号进行加权后，隐层的每一个神经元加和他的输入信号,有求和函数计算输出值，可以表示为此式中是人工神经网络的功能函数之一。训练的神经网络由应用不同的学习算法可调整的阈值构成。学习算法给出了在时间t内神经元i与j之间阈值的连接强度。阈值的递推公式如下：有许多应用学习算法的文字描述。在我们的学习过程中应用的神经网络算法有LM算法，BFGS算法，BR算法，CGF算法，和RP算法。再此文章中，多层感知器神经网络作为神经网络的线性化电路。这涉及的技术包括应用神经网络估算热电偶温度值（神经网络的输出值），此时给出的热电偶输出电压作为输入值。应用之前所提及的学习算法训练人工神经网络，进而估算应用不同的输入值和相应的测量值而训练出的网络的温度输出值。人工神经网络的目标输出值和实际输出值之间的差别通过学习算法悲剧算出来，并应用方程式1和2调整网络阈值。我们应用从热电偶数据表得到的实验数据进行实验。这些数据表是相对于特殊的温度点而言的（通常是零摄氏度）。人工神经网络是应用热电偶的80个温度点进行训练的，这80个温度点分布在-200°C到1000°C的范围内，是在校正阶段获得的。然而，对于可能的输入值，由训练得到的最终神经网络的特性并不是无偏差的。在训练之后，我们必须应用独立的测试系统来估计训练后网络的特性。因此，热电偶的分布在-200°C到1000°C的范围内其他20个数据被用来测试。在训练之前，在-1.0到1.0的范围内，输入与输出数据组被标准化。在采用不同的学习算法和和不同的网络构造后，我们发现最适合的网络构造是1X7X3X1。采用LM算法。也就是说第一隐层神经元的数量是7，第二隐层神经元的数量是3。输入和输出层采用线性函数。隐层采用双曲线正切，对数的功能函数。训练的最大步数是1000步。对于与许多因素有关的、过大或过小的隐层神经元数量，标注这些标准是很重要的，像人工神经网络的类型，训练数集的特性和应用的类型，如今，人工智能研究更加关注人工神经网络。结果和结论人工神经网络模型可以通过不同的学习算法如LM算法，BR算法，CGF算法，BP算法，BFGS算法进行训练和测试，简单的结构就可以获得更高的特性和更快的收敛速度。对于以上所提及的相同的网络构造，表1显示了应用学习算法进行分析的误差。当我们将神经模型的性质相互进行比较时，我们发现应用LM算法训练的模型可以获得最好的实验结果。采用LM算法进行训练的网络他的训练和测试误差（最小均方误差）分别为和。从表1我们可以清楚地看到，更接近LM的解可以从BR算法得到。在所提及的神经网络模型中，对于特殊应用的RP的实验效果最差。他所强调的学习算法的精确度依靠寓所选择恰当的学习参数、网络的构造和初始化值。图3代表了对于E类型的热电偶采用LM算法训练网络的误差百比。从图3可以看出，误差的最大百分比低于0.3%。在-200°C到200°C之间的误差百分比大于0.1%，这就是在此温度范围内热电偶非线性的原因。然而，200°C~200°C温度范围内，得到好的拟和曲线显然要增加训练的数据数量。训练步数为1000步的学习算法仿真神经模型，训练人工神经网络，最小化最小均方误差。随着学习的进程，最小均方误差逐渐减少，最终稳定在某一个最小值如图4所示。结论，本论文提出了一种基于人工神经网络的高精度温度测量技术。应用LM

论大学生写作能力写作能力是对自己所积累的信息进行选择、提取、加工、改造并将之形成为书面文字的能力。积累是写作的基础，积累越厚实，写作就越有基础，文章就能根深叶茂开奇葩。没有积累，胸无点墨，怎么也不会写出作文来的。写作能力是每个大学生必须具备的能力。从目前高校整体情况上看，大学生的写作能力较为欠缺。一、大学生应用文写作能力的定义那么，大学生的写作能力究竟是指什么呢？叶圣陶先生曾经说过，“大学毕业生不一定能写小说诗歌，但是一定要写工作和生活中实用的文章，而且非写得既通顺又扎实不可。”对于大学生的写作能力应包含什么，可能有多种理解，但从叶圣陶先生的谈话中，我认为：大学生写作能力应包括应用写作能力和文学写作能力，而前者是必须的，后者是“不一定”要具备，能具备则更好。众所周知，对于大学生来说，是要写毕业论文的，我认为写作论文的能力可以包含在应用写作能力之中。大学生写作能力的体现，也往往是在撰写毕业论文中集中体现出来的。本科毕业论文无论是对于学生个人还是对于院系和学校来说，都是十分重要的。如何提高本科毕业论文的质量和水平