张欣宇

摘 要： 随着目前我国测试技术的快速发展，传感器被广泛应用于各种精密测量与检测领域。由于受到被测量对象、测量环境等因素影响，其输入输出特性会产生各种误差。因此，文章提出了一种基于神经网络优化的灰色GM（1，N）系统的非线性传感器的校正方法，位移传感器通过该方法的补偿具有理想的输入输出特性。

关键词： 传感器校正；非线性误差；灰色神经网络；建模

在当前的高精密加工工业以及对应的测量或者是测试行业当中，自动控制以及一系列相关的系统性能构建都会受到当前的传感器性能的干预。传感器自身的输出以及输入特点和自身的硬件物理因素有着直接的关系，但是硬件在出厂的时候已经被固化，无法进行改变。除此之外，传感器本身还受到对应的工作参数以及环境参数的干预，比如温度湿度或者是工作场所的对应的噪声环境构建。因此当前的传感器自身构建框架下的环境参数就在整个传感器特性当中处于次优先级的地位。但是在当前构建下的信息融合环境下我们可以针对软件本身的计算思路进行针对性的测量数据构架和分析，并且通过数据补偿进行校正。

本文的角度是从电容式位移传感器的黑暗处罚，再进行针对性的波动温度和湿度框架构建之中，基于当前的标准核心压电陶瓷的特点进行传感器核心数据的校对和修正。在整个试验框架体系当中我们使用灰色系统理论GM（1，N）进行对应的函数提取构建，这样做的好处就是数据即使随机性相对较大、样本相对数量比较小以及信息匮乏的前提之下，系统本身的识别程度仍然呈现出很高的等级，并在当前的BP神经网络以及RBF的联合构建之下，构建下的传感器校正回归模型曲线也可以得到实现（D3as7）。这种最优解框架构建下的灰色系数矩阵针对性的计算思路以及对应的神经网络自身的映射特点可以进行GM（1，N）的原始条件合理化处理，并且我们可以基于以上的条件进行灰色神经网络模型的残存值修正优化处理，相对实用性很高。

一、基于传感器非线性校正模型框架构建实践

传感器本身的误差特点之一就是非线性构建下的特点进行框架生成，这样的话就是在当前本身硬件的核心物理特性构建下所产生的主要误差，以及对应的环境误差之和的联合构建。前面的情况和方式主要取决于传感器自身的构建设计方式，以及对应的结构原理所发展而形成的。这时传感器基于自身的特点就存在了很大程度构建下的非线性特点以及滞后性格特点等等。外部的环境误差则是由更多方面的原因所组成。

传感器模型为：

上式中，y（t）为传感器本身框架下的输出总量构建，x（t）为被测物体的物理数值，T=（t1，t2，t3，…tn），表示n个工作环境特点构建下的指数量构架，相对应的v（t）构建参数则为传感器自身框架构建下的噪声影响数值，尽管为随机变量，但相对的均数参考值为0。传感器的输出数值y时经过当前的转换线路以及对应的数据采集系统构建下的敏感元件进行测量之后所获得的数值进行转换得到的可识别变量。对应式子下函数f（x）属于当前未知情况下的非线性函数，并且严格受到外部数据以及环境变量的干预和影响。

由此可以看到，对于不同的数值T，f（x（t）；T）是出于一种一一对应的关系，也就是在函数定义角度属于严格单调的构成情况，x和y也是一种一一对应的构成关系。那么在这种函数定义框架之下，必然存在着一种非线性函数X=g（y）可以满足g（y）=f-1（x）。也就是说：

传感器自身构建下的校正补偿核心就是传感器本身进行补偿之后可以达到函数构建下的理想参数，也就是传感器本身可以真实反映测量值。

二、传感器校正构建下的灰色神经网络模型思路探索

（一）灰色系统GM（1，N）模型构建探索

传感器本身的校正问题的核心本质就是传感器本身的输入和输出情况进行数学建模，让两边通过一定的逻辑关系进行一一对应的转换，这就是数学领域当中最为传统的黑箱问题。这个框架就是对于信息分成已知和未知两部分构建、样本数量相对较小以及信息来源相对贫乏的不确定性构建框架的处理。并且灰色系统理论自身也可以根据信息的覆盖情况，基于当前的序列算子环境构建下的处理对于数据进行过更加深度的挖掘以及整理，并且在这个基础之上进行对应的显示规律挖掘。所以我们可以根据实际的工作情况进行基于灰色系统框架下的传感器进行针对性的建模矫正。这样构建下的输入以及对应的输出数据可以进行更进一步的发展态势推进，还可以在当前数据条件构建下的背景中进行数据的对应挖掘以及核心的变更性和关联处理构架，并且解决当前的数据变化规律寻找的问题。正是在传感器当前的实际检测值以及检测量，还有对应环境的若干条件组成处理之下，我们采用了GM（1，N）模型进行建模处理。

（二）神经网络模型处理构架

神经网络算法本身可以基于人脑思维逻辑顺序进行模拟处理，基于当前网络自身的拓扑结构的核心确认以及对应构建框架下的核心神经元的针对性描述，在此基础上进行更进一步的学习方法拓展构建以及针对性的输入输出之间的对照处理，这种处理方式是基于当前脱离线性映射框架的方式进行推进的。现在我们已经证明了对于当前环境下的隐层节点构建中的神经网络框架系统的前行推进，并在此基础上可以进行更进一步的连续函数基础构建下的高精度估算核心构建。前文可知传感器本身的校正是以非线性框架进行推进的，所以在进行针对性的实际测量构建当中，针对外界的框架扰动以及被测目标的运动情况，都会对当前的传感系统本身的曲线造成很大的影响，而正是这种影响让我们可以利用BP神经网络或者是RBF神经网络进行对应校正。

1、BP神经网络校正处理构架

BP神经网络算法的特點就是网络自身的结构属于一个输入层，一个输出层以及针对性的若干个隐含层组成的，同时每一层都是由若干个神经元组成。层与层之间基于合理设计的连接权值w、阂值∮以及针对性的转移函数f进行一一对应的连接。

2、RBF神经网络校正处理构架

和当前采用BP神经网络校正结构的情况比较相似，我们可以通过被矫正的传感器测量的数值以及针对性实验条件下的适度温度进行基于向量X = { x1 X2 x3 } T的式子的代入，作为当前传感器针对RBF神经网络的输入向量处理，同时把传感器的自身标准检测量进行处理之后作为针对RBF的神经网络输出量的校正处理。RBF本身的神经网络相对于其他算法来说具有更加强大的局部逼近能力以及针对性的针对响应能力，所以作为学习速度以及分类能力的体验要强于其他算法。

结语

总而言之，传感器的校正过程又可以分为数学表达式求解环节和误差逼近环节两个环节。首先统一处理实验数据，提出灰色GM（1，N）模型的优化灰色系数矩阵求解的思路构建，并且同时利用了BP神经网络框架条件下的非线性映射的特性构建进行初始条件合理化，基于这种方式来弥补灰色GM（1，N）模型自身模型求解的缺陷，获得高精度的传感器校正数学函数表达式。然后，利用RBF神经网络良好的局部逼近能力对残差修正，实现传感器校正的精度要求。最后，推导出优化后的合并模型，实现对传感器的校正。与其他相关信息融合技术相比，使用该方法能给出传感器校正数学函数表达式，充分利用各模型的优点，在小样本、信息较少的情况下依然可以获得很高的校正精度，方法切实有效。

参考文献

[1]马军杰，尤建新，陈震.基于改进粒子群优化算法的灰色神经网络模型[J].同济大学学报（自然科学版）.2012（05）.

[2]袁景凌，钟珞，李小燕.灰色神经网络的研究及发展[J].武汉理工大学学报.2009（03）.