２０１２拄 第２期 仪表技术与传感器 Ｉｎｓｔｒｕｍｅｎｔ Ｔｅｃｈｎｉｑｕｅ ａｎｄ Ｓｅｎｓｏｒ ２０１２ Ｎｏ．２
光纤传感器的神经网络光强补偿及非线性校正
袁楚明，廖圣华，刘 紧，张冈，陈幼平
（华中科技大学机械科学与工程学院，湖北武汉４３０ｏ７４）
摘要：为实现光纤位移传感器的光强补偿及非线性校正，确立并构造了两输入单输出的ＢＰ神经网络。讨论了基于Ｌ
—Ｍ优化算法的ＢＰ网络的优点，说明了神经网络的权值修正方法及网络的具体训练步骤，阐明了用神经网络实现光纤
位移传感器光强波动补偿及传感器非线性校正的原理。最后使用Ｍａｔｌａｂ实现了神经网络，并将该网络应用于实际测量， 结果表明该网络很好地实现了传感器的光强补偿及非线性校正。
关键词：光纤传感器；神经网络；光强补偿；非线性校正
中图分类号：ＴＰ２１２ 文献标识码：Ａ 文章编号：１００２—１８４１（２０１２）０２—０１０８—０３
Ｉｎｔｅｎｓｉｔｙ Ｃｏｍｐｅｎｓａｔｉｏｎ ａｎｄ Ｎｏｎｌｉｎｅａｒ ＣｏｒｒｅｃｔｉＯｎ ０ｆ
Ｏｐｔｉｃａｌ Ｆｉｂｅｒ Ｓｅｎｓｏｒ Ｕｓｉｎｇ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
ＹＵＡＮ Ｃｈｕ—ｍｉｎｇ，ＬＩＡＯ Ｓｈｅｎｇ－ｈｕａ，ＬＩＵ Ｙｉ，ＺＨＡＮＧ Ｇａｎｇ，ＣＨＥＮ Ｙｏｕ—ｐｉｎｇ
（Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕａｚｈｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｅｓｔａｂｌｉｓｈｅｄ ａｎｄ ｃｏｎｓｔｒｕｃｔｅｄ ａ ｔｗｏ・・ｉｎｐｕｔ ｓｉｎｇｌｅ－・ｏｕｔｐｕｔ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｌｉｇｈｔ ｉｎｔｅｎｓｉｔｙ ｃｏｍｐｅｎｓａｔｉｏｎ ａｎｄ ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｏｐｔｉｃａｌ ｆｉｂｅｒ ｄｉｓｐｌａｃｅｍｅｎｔ ｓｅｎｓｏｒ．Ｉｔ ｄｉｓｃｕｓｓｅｄ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ＢＰ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ Ｌ—
第44卷第4期
2018年4月中国测试
CHINA MEASUREMENT & TESTVol.44 No.4
April,2018
doi 院 10.11857/j.issn.1674-5124.2018.04.017
基于正交多项式拟合的称重传感器非线性校正
黄永刚
(中国铁道科学研究院标准计量研究所，北京100015)
摘要:因受自身材质、工艺的限制以及外界环境影响，机车车辆称重传感器实际的输人输出关系存在非线性特性，
造成测量结果的非线性误差，制约其测量精度。对此，该文采用曲线拟合法、以正交多项式做最小二乘拟合建立非线
性校正环节，对机车车辆称重传感器进行非线性校正，来减小非线性特性对测量结果造成的影响，提高测量精度，同
时避免正规方程系数矩阵的病态问题。实验结果表明，校正后系统的非线性得到明显改善，测量精度得到显著提高，
同时该方法操作简单、校正效率高、结果稳定可靠，具有较好的工程应用价值。
关键词:机车车辆称重传感器;非线性校正;正交多项式;最小二乘法；曲线拟合
文献标志码：A 文章编号院1674-5124(2018)04-0091-05
The non-linear correction of the weighing sensor based on
orthogonal polynomial fitting method
HUANG
Yonggang
(Standards &
Metrology
Research
Institute,China
Academy
of
Railway
Sciences,Beijing 100015,
China)
Abstract:
Because
of
the
material，
process
restrictions
and
external
environmental
impact，
the
actual
input-output
relationship
of
rolling
第３６卷第２期 ２０１４年３月 湖北大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｈｕｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ） Ｖｏ１．３６ Ｎｏ．２ Ｍａｒ．，２０１４
文章编号：１０００—２３７５（２０１４）０２—０１８１—０４
基于ＭＬＰ传感器的非线性校正
李如发，卢文科
（东华大学信息学院，上海２０１６２０）
摘要：电涡流传感器在测量工作时，容易受环境温度等非目标参量的影响，使得测量精度大大降低．采用多层感知器
网络算法进行数据融合消除温度对测量精度影响，研究结果证明该方法的有效性和可行性．
关键词：数据融合；多层感知器；归一化；非线形校正
中图分类号：ＴＰ１８３ 文献标志码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—２３７５．２０１４．０２．０１８
Ｔｈｅ ｎｏｎ—ｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＭＬＰ ｓｅｎｓｏｒ
ＬＩ Ｒｕｆａ。ＬＵ Ｗｅｎｋｅ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ，Ｄｏｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０１６２０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｅｄｄｙ ｃｕｒｒｅｎｔ ｔｒａｎｓｄｕｃｅｒ ｉｓ ｅａｓｉｌｙ ａｆｆｅｃｔｅｄ ｂｙ ｎｏｎ－ｏｂｊ ｅｃｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｓｕｃｈ ａｓ
ｅｎｖｉｒｏｎｍｅｎｔ ｔｅｍｐｅｒａｔｕｒｅｓ ｗｈｉｃｈ ｃａｎ ｒｅｄｕｃｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｒｅｓｕｌｔｓ．Ｔｏ ｓｌｏｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｉｔ ｕｓｅｄ
ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ（ＭＩ Ｐ）ｔｏ ｄｏ ｔｈｅ ｄａｔａ ｃｏｍｂｉｎａｔｉｏｎ ｔｏ ｅｌｉｍｉｎａｔｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ｏｎ
ａｃｃｕｒａｃｙ．Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｅｄ ｔｈｅ ｖａｌｉｄｉｔｙ ａｎｄ ｆｅａｓｉｂｉｌ ｉｔｙ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ．
第１４卷第５期 ２００６年１Ｏ月 光学精密工程 Ｏｐｔｉｃｓ ａｎｄ Ｐｒｅｃｉｓｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．１４ Ｎｏ．５ ０ｃｔ．２００６
Ａｒｔｉｃｌｅ ＩＤ １００４—９２４Ｘ（２００６）０５—０８９６－０７
基于神经网络模型的传感器非线性校正
田社平，赵 阳，韦红雨，王志武
（上海交通大学电子信息与电气工程学院，上海２０００３０）
摘要：讨论了ＢＰ神经网络模型在传感器非线性补偿中的应用。给出了相应的补偿方法．即采用两个相同的传感器对同
一被测量进行不同的测量，其测量结果作为神经网络模型的输入，经过补偿后的传感器具有线性的输入输出关系。采用 递推预报误差算法（ＰＲＥ）训练神经网络，具有收敛速度快、收敛精度高的特点。以距离传感器为例，将基于ＢＰ神经网络 的校正方法应用于减少距离传感器的非线性输出误差。实验结果表明，将训练后的神经网络接人距离传感器可以得到 线性的输入一输出关系，增加神经网络隐层节点的数目可以提高校正精度。当隐层节点数取为４Ｏ时，用于距离传感器非 线性校正的神经网络模型在训练１００步后的误差指数（Ｅ１）为９．６×１０一。结果表明：本文提出的基于神经网络模型的传 感器非线性校正方法是行之有效的。 关键词：ＢＰ神经网络；ＲＰＥ算法；传感器；非线性补偿 中图分类号：ＴＰ２１２；ＴＰ１８３ 文献标识码：Ａ
Ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｓｅｎｓｏｒｓ ｂａｓｅｄ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
ＴＩＡＮ Ｓｈｅ—ｐｉｎｇ，ＺＨＡＯ Ｙａｎｇ，ＷＥＩ Ｈｏｎｇ—ｙｕ，ＷＡＮＧ Ｚｈｉ—ＷＵ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｅｌｅｃｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈａｎｇｈａｉ Ｊ ｉａｏ Ｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００２４０，Ｃｈ ｉｎａ）
Ａｂｓｔｒａｃｔ：Ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ ａｒｅ ａｐｐｌｉｅｄ ｔＯ ｃｏｒｒｅｃｔ ｎｏｎｌｉｎｅａｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｅｎｓｏｒｓ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｔｗｏ ｓｅｎｓｏｒｓ ｏｆ ｔｈｅ ｓａｍｅ ｔｙｐｅ ａｒｅ ｕｓｅｄ ｔＯ ｍｅａｓｕｒｅ ｔｗｏ ｉｎｔｅｒｒｅｌａｔｅｄ ｍｅａｓｕｒａｎｄｓ ａｎｄ ｔｈｅｉｒ ｏｕｔｐｕｔｓ ａｒｅ ｐｕｔ ｉｎｔｏ ｔｈｅ ｔｒａｉｎｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔＯ ｏｂｔａｉｎ ｌｉｎｅａｒ ｉｎｐｕｔ—ｏｕｔｐｕｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ａ Ｒｅｃｕｒｓｉｖｅ Ｐｒｅｄｉｃｔｉｏｎ Ｅｒｒｏｒ（ＲＰＥ）ａｌｇｏｒｉｔｈｍ， ｗｈｉｃｈ ｃｏｎｖｅｒｇｅｓ ｆａｓｔ，ｉｓ ａｐｐｌｉｅｄ ｔＯ ｔｒａｉｎ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅ１．Ａｓ ａｎ ｅｘａｍｐｌｅ，ａ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＢＰ ｉｓ ａｐｐｌｉｅｄ ｔＯ ｒｅｄｕｃｅ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｏｕｔｐｕｔ ｅｒｒｏｒｓ ｏｆ ｒａｎｇｅ ｓｅｎｓｏｒｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｌｉｎｅａｒ ｉｎｐｕｔ—ｏｕｔｐｕｔ ｃｈａｒａｃ— ｔｅｒｉｓｔｉｃｓ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｂｙ ｃｏｎｎｅｃｔｉｎｇ ｔｈｅ ｔｒａｉｎｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｗｉｔｈ ｔｈｅ ｒａｎｇｅ ｓｅｎｓｏｒｓ．Ｔｈｅ ｃｏｒｒｅｃｔｉｏｎ ｐｒｅｃｉｓｉｏｎ ｉｎｃｒｅａｓｅｓ ｗｉｔｈ ｔｈｅ ｉｎｃｒｅａｓｉｎｇ ｎｕｍｂｅｒ ｏｆ ｎｏｄｅｓ ｉｎ ｔｈｅ ｈｉｄｄｅｎ ｌａｙｅｒ．Ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｎｏｄｅｓ ｉｎ ｔｈｅ ｈｉｄｄｅｎ ｌａｙｅｒ ｉｓ ４０ ａｎｄ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｃｏｎｖｅｒｇｅｓ ｉｎ ａｂｏｕｔ １００ ｉｔｅｒａｔｉｏｎｓ，ｔｈｅ Ｅｒｒｏｒ Ｉｎｄｅｘ（Ｅ１）ｉＳ ９．６×１０一 ． Ｋｅｙ ｗｏｒｄｓ：Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｒｅｃｕｒｓｉｖｅ Ｐｒｅｄｉｃｔｉｏｎ Ｅｒｒｏｒ（ＲＰＥ）ａｌｇｏｒｉｔｈｍ；ｓｅｎｓｏｒ；ｎｏｎｌｉｎｅａｒ ｃｏｒｒｅｃｔｉｏｎ
