刘 勇 张 民 刘西秀

(青岛理工大学自动化工程学院，山东 青岛 266033)

0 引言

传感器是电子衡器中最重要的检测元件之一。然而由于其器件本身的原因，导致其在温度变化较大的环境中输出非线性信号，误差较大。

国内外学者对传感器的补偿问题进行了大量的研究，得出了很多方法[1－5]。其中一种方法是采用电阻网络等硬件措施来抑制非目标参量的影响，但由于电阻本身也受温度等环境参量的影响，补偿效果不佳;另一种方法是利用软件补偿，多采用神经网络法。一些前馈神经网络(如BP、RBF等)能简单方便地实现传感器的非线性静态补偿，但这些前馈神经网络一般不具有动态信息处理能力，在很多场合不能满足要求。反馈型网络增加了层间或层内的反馈连接，对动态系统的辨识精度和网络结构都较前馈网络有了较大的改善，因此在许多场合获得了广泛的应用。

本文采用Elman反馈型神经网络实现传感器的非线性校正，对采样数据进行训练，学习速率快，且取得了很好的补偿效果。

1 信息融合基础

多传感器信息融合技术(multi-sensor information fusion，MSIF)是指对来自多个传感器的数据进行多级别、多方面、多层次处理，以产生新信息的技术。这种新信息是任何单一传感器所无法获得的。MSIF是新兴的多学科交叉的研究领域，涉及信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等多种理论，是人类模仿自身信息处理能力的结果[6－9]。

信息融合方法可以分为数据级融合(也称像素级融合)、特征级融合和决策级融合三级。……