龙婷

【摘要】传感器技术相关课程是测控与自动化专业相关的基础课程。为了加强学生对现代传感器技术的理解，需要在传统传感器技术课程的基础上进一步开设现代传感器课程，掌握与微处理器和信息处理技术相结合的传感器技术，培养学生的创新和应用能力。

【关键词】传感器；智能化；神经网络；自补偿

【基金项目】论文受到成都信息工程大学校级项目KYTZ201521，Y2013062，Y2015015以及“传感器与检测技术”精品课程建设项目的资助。

一、引言

现代传感器技术是在传统传感器技术的基础上发展而来，广泛结合了信息处理技术、通信技术及微电子技术等[1]，将传感器提升至 “系统”级别。

开设现代传感器技术课程，需要在具备经典传感器知识的基础之上，进一步掌握智能传感器的相关知识，了解集成电路工艺、统计学习理论和现代信号处理技术等[2]。该课程的内容涉及智能传感器系统的硬件构成，智能化功能的软件实现方法，以及多元回归分析法、神经网络技术和支持向量机技术等数据挖掘方法。学生可以通过自主设计型实验加深对智能传感器的理解。而智能传感器的软件实现和数据挖掘方法的仿真都具备充分的灵活性，学生可以结合PC机在课堂上和课后进行实验研究[3]。

二、自主设计实验

现代传感器技术的课程介绍了新型智能传感器的概念、构成方式及具有的功能，重点在于智能传感器的集成化和智能化实现方法。

智能传感器集成化的实现涉及微电子技术等相关内容，对于非微电子专业的学生来说很难具备此方面的扎实基础，不易开展自主设计型实验。并且此部分内容的相关实验对硬件要求较高，不利于在不同专业和高校的推广。

智能传感器智能化的实现方式多样，有硬件实现，也有软件实现。软件实现方法包括神经网络技术、支持向量机技术、粒子群算法和小波分析等数据挖掘方法中的智能算法。这些智能算法的仿真工具众多，算法设计灵活且多样，可以让学生在完成课程实验的同时，通过自主设计进一步发掘算法的优化方法，加深对知识的理解。

本论文将举例说明现代传感器技术课程在智能传感器智能化实现方面的自主设计实验的开设方法。

例如，开设题为“基于神经网络方法的传感器温度自补偿模块设计”实验。对于会受温度影响的传感器，要降低工作环境温度的影响，就需要设计自补偿模块，补偿的方法有多种，这里选用神经网络方法。首先，学生需要选定实验对象，即传感器，比如某款压阻式压力传感器，然后获取不同温度状态下传感器静态标定数据，根据标定数据制作样本，输入到神经网络。学生可以根据需要选择不同的神经网络，比如BP神经网络和RBF神经网络等[4]。实验编程时可于利用现有的工具箱进行辅助编程，也可以完全自行编程。

以上实验只考虑了温度这一个干扰量的影响。通常影响传感器的不止一个干扰量，还可能存在两个或多个干扰量的影响。神经网络方法可以用来降低两个或者是多个干扰量的影响。此外，学生还可以用支持向量机技术来设计智能化软件模块，用于降低多个干扰量的影响。例如，可开设题为“基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计”。该实验的过程是先选定存在交叉敏感的传感器作为实验对象，进行多维标定实验获取样本数据，再利用支持向量机方法建立数据融合模型，从而消除或是降低多个干扰量的影响。支持向量机的功能包括分类和回归等，因此学生还可以结合其分类的功能设计其他传感器智能模块。

学生在进行智能算法的课程实验时，可以选择自带工具箱中丰富的仿真工具，也可以自行编程实现算法。本论文采用Matlab软件为仿真工具实现算法。

三、实验示例

（一）基于神经网络方法的传感器温度自补偿模块设计

本实验选定压阻式压力传感器作为实验对象，目标如下。

1.基于神经网络技术设计温度补偿模块，消除工作环境温度对传感器的影响。

2.实验过程需对多个样本进行实验，提高补偿模块的适应性，即在满足压力量程的情况下对不同的工作温度进行补偿。

3.温度补偿模块的设计可以使用多种神经网络方法，并进行对比，得到消除温度影响最好的方法。

实验步骤如下。

1.二维标定实验

用标定实验来获取原始实验数据。由于实验条件和实验时间的限制，有些学生无法进行此步骤。学生也可以通过教材或者相关论文来获取原始数据，但是必须在实验报告中注明数据的来源。

2.数据预处理与样本制作

用上一步中获取的原始数据来制作样本。通常先将原始数据进行归一化处理，用归一化之后的数据制作样本。神经网络的样本包括训练样本和测试样本。

3.训练神经网络

将训练样本输入到编好的神经网络算法，可以是BP神经网络和RBF神经网络等，得到训练后的模型。

4.测试神经网络

用测试样本检验训练好的神经网络模型。如果得到的效果不好，可以适当地调整神经网络的参数，改善补偿效果。

5.更换训练样本和测试样本后重复第三和第四个步骤

不同样本得到的结果往往差异较大，实验中需要更换训练样本和测试样本后进行多次重復实验，用以提高神经网络模型的适应性。

6.换一种神经网络方法重复第五个步骤

同一样本采用不同的神经网络方法可能得到不同的补偿结果，实验中可以尝试对比不同的神经网络方法，或者通过优化神经网络的方法改善补偿效果。

（二）基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计

本实验的目标如下。

1.利用支持向量机的处理分类和回归问题的功能，对传感器交叉敏感的数据进行分析，用以抑制交叉敏感现象。

2.尝试修改支持向量机的程序，例如更换核函数或改变分类策略，得到不同的测试结果。

3.制备多组样本数据，对不同的样本数据进行测试，用以检验算法的适应性。

实验步骤如下。

1.样本数据制作

根据确定的实验对象，采集或制备样本数据。制作好的样本数据将分为训练样本和测试样本两部分。训练样本与测试样本的格式保持一致。

2.算法设计

利用支持向量回归（Support Vector Regression，SVR）或支持向量分类（Support Vector Classification，SVC）算法，处理样本数据。利用多种策略测试算法优劣。

例如在支持向量分类算法中，有两种处理多分类问题的策略， 一种是“一对一（one agaist one， 1A1）”， 另一种是“一对多（one agaist all， 1AA）”。实验中可测试不同策略的算法。支持向量机可选取多种核函数，包括线性核函数、多项式核函数和径向基（Radial Basis Function，RBF）核函数等。目前尚缺乏一种选取核函数的标准方法。实验中可以通过更换核函数来测试它们的不同效果，用以选取最优的方案。

可以采用不同的支持向量机工具箱，例如SVM and Kernel Methods Matlab Toolbox工具箱，或者自行编程。

在算法设计的过程中，通过对训练样本进行训练和对测试样本进行测试，得到每一次的结果。同一算法必须经过多个训练样本和测试样本的检验。更换算法策略后，再重复以上步骤。

3.效果评价

用抑制交叉敏感的结果对比最初的传感器数据，对算法效果进行综合评价。

（三）实验方案

结合以上实例，可以设计出自主实验的方案，具体如下：自行查阅资料进行神经网络分析法和支持向量机法的设计，两种算法选择其一即可。

实验步骤如下：（1）安装matlab软件；（2）熟悉matlab软件的使用方法；（3）查阅资料进行项目设计；（4）选取神经网络分析法和支持向量机法之一进行项目设计；（5）根据设计要求编写算法，并仿真；（6）对算法效果进行综合评价。

需要注意的是，利用神经网络分析法和支持向量机法在智能传感器系统的智能化功能实现方法上进行项目设计的时候，数据来源要有出处，应用范围要明确。

四、结论

现代传感器技术课程通过开设自主设计型实验可以提高学生的学习兴趣，加深学生对知识的理解。该课程涉及的神经网络技术、支持向量机技术、主成分分析和小波分析等方法可以较为灵活地开设自主设计实验，加强学生的动手能力。本论文以“基于神经网络方法的传感器温度自补偿模块设计”实验为例说明了自主设计实验的方案。实验采用Matlab软件设计，方案可行。

【参考文献】

[1] 张鹏，吴东艳，张凌志.项目教学法与传感器课程改革探索[J]. 中国电力教育，2014（05）：78-79.

[2] 王兴君，毛敏.智能传感器课程建設及教学研究[J]. 电子测试，2016（07）：172-173.

[3] 刘海妹，夏旭.基于工程实践应用能力培养的传感器课程教学改革[J].通信电源技术，2015，32（02）：123-125.

[4] 刘君华.智能传感器系统（第二版）[M].西安：西安电子科技大学出版社，2010：211-252.