基于FA-RBF神经网络的压力传感器的温度漂移补偿法
2011-02-01孙艳梅刘树东陶佰睿
物理实验 2011年7期
孙艳梅,刘树东,陶佰睿
(齐齐哈尔大学a.通信与电子工程学院;b.理学院,黑龙江齐齐哈尔161001)
1 引 言
硅压阻式压力传感器在输入压力p数值不变的情况下,当工作温度t变化时将引起传感器输出发生变化.为了消除非目标参量(温度)对传感器输出特性的影响,可采用多种智能化技术[1],本文结合因子分析(Factor Analysis,FA)和RBF(Radial Basis Function)神经网络的优点,将这两种方法相结合用于压力传感器的温度补偿,并就补偿效果进行了分析和对比.
2 因子分析
因子分析是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法.对于所研究的问题试图用最少的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量[2].
2.1 因子分析模型
一般地,设p个可观测变量(x1,x2,…,xp)与q个公共因子(其中q≤p)满足:

此模型称为因子分析模型.若记:

则因子分析模型的向量矩阵形式为

其中,矩阵A称为公因子载荷矩阵,aij称为因子载荷;F称为公共因子向量;X为原变量向量;ε称为随机误差.
2.2 因子分析模型计算方法
为确定因子分析模型,即估计载荷矩阵A,对可观测变量(x1,x2,…,xp)必须获得1个观测样本(xi1,xi2,…,xip),i=1,2,…,n,以此样本出发估算载荷阵A的估算方法有多种,如主成分法、极大似然法、主因子法等,本文选用主成分法.
1)计算(x1,x2,…,xp)的相关系数矩阵R=(rij)p×p,其中
2)计算相关系数矩阵R的特征根,记为λ1≥λ2≥…≥λp≥0.
3)确定公因子个数q的值,以前q个特征值的累积百分数≥85%选取公因子个数……
登录APP查看全文
