一種基于極限學習機的硅壓力傳感器溫度補償方法
【專利摘要】一種基于極限學習機的硅壓力傳感器溫度補償方法，將在不同溫度下所采集的數(shù)據(jù)源作為建立極限學習機溫度補償模型的樣本數(shù)據(jù)，并通過訓練樣本與測試樣本進行極限學習機的硅壓力傳感器溫度補償模型學習與驗證。本發(fā)明具有所需特征變量少、補償速度快、精度高，且最佳隱層節(jié)點數(shù)的選取自確定優(yōu)點。
【專利說明】-種基于極限學習機的硅壓力傳感器溫度補償方法

【技術(shù)領域】
[0001] 本發(fā)明屬于硅壓力傳感器【技術(shù)領域】，具體涉及一種基于極限學習機算法的硅壓力 傳感器溫度補償方法。

【背景技術(shù)】
[0002] 隨著MEMS技術(shù)的成熟，硅壓阻式傳感器由于成本低、尺寸小、精度高與易加工等 特點，在工業(yè)等領域中有著廣泛的需求與應用前景。傳感器的準確性（即精度參數(shù)）對整 個測量系統(tǒng)的性能起著決定性作用；但作為核心的硅壓阻膜片對溫度變化敏感，從而使傳 感器的零點和靈敏度在不同的溫度測量時產(chǎn)生漂移現(xiàn)象。因此，為了降低硅自身的溫度特 性所帶來的影響，需要采用溫度補償技術(shù)對其進行校正。目前，除了采用差動設計方案外， 常用的溫度補償方法主要有兩大類：硬件補償和軟件補償。硬件補償主要有激光調(diào)阻，外接 電阻與電橋補償?shù)龋坏布椒ù嬖谡{(diào)試困難、精度低、通用性差等缺點，不利于工程實際 應用。軟件方法主要有最小二乘法、樣條插值擬合法、支持向量機與神經(jīng)網(wǎng)絡等。相對硬件 方法，軟件補償技術(shù)可以較好地解決精度低與通用性差等問題，因而得到越來越多的重視。 但軟件方法中廣泛使用的二元回歸方法補償精度達不到高精度要求，且當前較為流行的支 持向量機、BP神經(jīng)網(wǎng)絡以及徑向基網(wǎng)絡方法盡管其補償精度高，但存在配置參數(shù)復雜，網(wǎng)絡 訓練時間較長等缺陷?？傊F(xiàn)有的補償方法存在各自的問題，難以滿足高精度，易通用以 及工程化的需求。


【發(fā)明內(nèi)容】

[0003] 為了克服上述現(xiàn)有技術(shù)補償?shù)娜秉c，本發(fā)明的目的在于提供一種基于極限學習機 的硅壓力傳感器溫度補償方法，具有計算速度快、精度高，單參數(shù)配置的優(yōu)點。
[0004] 為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0005] -種基于極限學習機的硅壓力傳感器溫度補償方法，包括以下步驟：
[0006] 步驟1 :在要求的溫度補償范圍與壓力測量范圍內(nèi)，采集壓力傳感器與溫度傳感 器輸出的壓力信號V與溫度信號T以及測量壓力P，并組成數(shù)據(jù)源；
[0007] 步驟2 :選取在不同溫度與壓力條件下的數(shù)據(jù)源作為樣本數(shù)據(jù)，對樣本數(shù)據(jù)進行 歸一化處理，并分為訓練樣本與測試樣本；配置極限學習機的輸入層、隱層、輸出層節(jié)點數(shù) 以及隱層節(jié)點的激勵函數(shù)f(x);設定溫度補償后需要達到的精度；
[0008] 步驟3 :判斷隱層節(jié)點數(shù)是否大于訓練樣本數(shù)，若前者不大于后者，則轉(zhuǎn)向步驟4， 否則結(jié)束溫度補償；
[0009] 步驟4:以訓練樣本數(shù)據(jù)作為硅壓力傳感器極限學習機溫度補償模型的輸入，進 行模型學習；
[0010] 步驟5 :以測試樣本數(shù)據(jù)對步驟5得到的極限學習機硅壓力傳感器溫度補償模型 進行驗證；
[0011] 步驟6 :判斷補償精度是否滿足要求，若滿足精度要求，則結(jié)束溫度補償，否則，增 加一個隱層節(jié)點且轉(zhuǎn)向步驟3。
[0012] 所述步驟2中對樣本選取采用等間隔原貝u ;對樣本數(shù)據(jù)的每列采用

【權(quán)利要求】
1. 一種基于極限學習機的硅壓力傳感器溫度補償方法，其特征在于，包括以下步驟： 步驟1 :在要求的溫度補償范圍與壓力測量范圍內(nèi)，采集壓力傳感器與溫度傳感器輸 出的壓力信號V與溫度信號T以及測量壓力P，并組成數(shù)據(jù)源； 步驟2:選取在不同溫度與壓力條件下的數(shù)據(jù)源作為樣本數(shù)據(jù)，對樣本數(shù)據(jù)進行歸一 化處理，并分為訓練樣本與測試樣本；配置極限學習機的輸入層、隱層、輸出層節(jié)點數(shù)以及 隱層節(jié)點的激勵函數(shù)f(x);設定溫度補償后需要達到的精度； 步驟3 :判斷隱層節(jié)點數(shù)是否大于訓練樣本數(shù)，若前者不大于后者，則轉(zhuǎn)向步驟4,否則 結(jié)束溫度補償； 步驟4 :以訓練樣本數(shù)據(jù)作為硅壓力傳感器極限學習機溫度補償模型的輸入，進行模 型學習； 步驟5 :以測試樣本數(shù)據(jù)對步驟5得到的極限學習機硅壓力傳感器溫度補償模型進行 驗證； 步驟6 :判斷補償精度是否滿足要求，若滿足精度要求，則結(jié)束溫度補償，否則，增加一 個隱層節(jié)點且轉(zhuǎn)向步驟3。
2. 根據(jù)權(quán)利要求1所述的一種基于極限學習機的硅壓力傳感器溫度補償方 法，其特征在于：所述步驟2中對樣本選取采用等間隔原則；對樣本數(shù)據(jù)的每列采用
作歸一化處理，并按2:1樣本數(shù)比例且隨機分為訓練樣本與測試 樣本；設置極限學習機的輸入層、隱層、輸出層節(jié)點數(shù)為2、3、1，隱層節(jié)點的激勵函數(shù)
;設定溫度補償后需要達到的精度為〇. 001% FS。
3. 根據(jù)權(quán)利要求1所述的一種基于極限學習機的硅壓力傳感器溫度補償方法，其特征 在于，所述步驟4的極限學習機溫度補償模型的學習流程包括下列步驟： 步驟4. 1 :對輸入層與隱層之間的權(quán)值向量Wi以及隱層節(jié)點閾值h進行隨機賦值，范 圍為（〇, 1)，其中i = 々為隱層節(jié)點數(shù)； 步驟4.2 :計算訓練樣本數(shù)據(jù)的隱層輸出矩陣H，其中 *其中N為訓練樣本數(shù)目，X =
LV TJ ；
步驟4.3:采用SVD(奇異值分解）算法求解Η的廣義逆矩陣 if+ ，其中SE為對S矩陣中的非0數(shù)值的倒數(shù)； 步驟4. 4 :計算隱層與輸出層之間的權(quán)值矩陣

4.根據(jù)權(quán)利要求1所述的一種基于極限學習機的硅壓力傳感器溫度補償方法，其特征 在于：所述步驟5極限學習機溫度補償模型的驗證流程包括下列步驟：
步驟5. 1 :輸入測試樣本數(shù)據(jù)，計算極限學習機的輸出b , j =1,…，Ν' #為測試樣本數(shù)； 步驟5. 2 :將極限學習機的輸出結(jié)果進行反歸一化處理； 步驟5. 3 :將極限學習機的補償結(jié)果與測試樣本中的實際數(shù)據(jù)&進行比較，計算溫度 補償精度
其中Pspan為壓力傳感器壓力最大測量值。
【文檔編號】G01L19/04GK104122031SQ201410374528
【公開日】2014年10月29日 申請日期:2014年7月31日 優(yōu)先權(quán)日:2014年7月31日
【發(fā)明者】趙玉龍, 周冠武, 李村 申請人:西安交通大學