| 摘要：介绍一种利用径向基函数(RBF)神经网络和智能温度传感器DSl8B20改善传感器精度的新方法。RBF网络具有良好的非线性映射能力、自学习和泛化能力，通过大量的样本数据训练构建了双输入早输出网络模型，采用改进的算法实现了传感器高精度温度补偿。
关键词：传感器精度 温度补偿 径向基函数神经网络 温度传感器DSl8B20
一般工业测控现场的环境温度变化急剧，传感器大多数都对温度有一定的敏感度，这样就会使传感器的零点和灵敏度发生变化，从而造成输出值随环境温度的变化而变化，导致测量出现附加误差，因此温度补偿问题一直是工业测控系统中的关键环节[1]。本文采用DSl8B20智能温度传感器和RBF神经网络相结合的温度补偿新方法来实现传感器高精度温度补偿。本文介绍的方法将DSl8B20测量值作为温度补偿输入，将传感器本身的测量值作为另一输入，用RBF神经网络构成双输入单输出的补偿模型，输出即为补偿后的测量值。RBF神经网络主要用于传感器的数据处理，以改善传感器测量精度。
1 DSl8B20数字温度传感器测温原理
1．1 DSl8B20的特性
DSl8B20是美国DALLAS公司继DSl820之后推出的增强型单总线数字温度传感器，它在测温精度、转换时间、传输距离、分辨率等方面较DSl820有了很大的改进，这给用户带来了更方便的使用和更令人满意的效果。其特点如下：
(1)单线接口：仅需一根口线与单片机连接；
(2)由总线提供电源，也可用数据线供电，电压范围：3．0～5．5V；
(3)测温范围为：-55～+125℃，在-10～+85℃时，精度为0．5℃；
(4)可编程的分辨率为9～12位，对应的分辨率为0．5～0．0625℃；
(5)用户可编程的温度报警设置；
(6)12位分辨率时最多在750ms内把温度值转换为数字量。
1．2 DSl820引脚功能说明
DSl820的PR-35封装形式，其外表看起来像三极管。另外还有8脚SOIC封装形式，只用3、4和5脚，其余为空脚或不需连接引脚。不过最常见的形式是PR-35封装，其引脚说明如表1所示。
表1 DS1820引脚说明
| 8脚SOIC |
PR-35 |
符 号 |
说 明 |
| 5 |
1 |
GND |
地 |
| 4 |
2 |
DQ |
单线数据输入输出引脚 |
| 3 |
3 |
VDD |
正电源，一般为+5V |
1．3 DSl820温度数据格式
在DSl820中，转换温度值是以9位二进制形式表示的，而输出温度则是以16位符号扩展的二进制补码读数形式提供。采用的办法是将低八位用补码表示，第九位以符号扩展形式扩展至其它七位。具体温度表示格式见表2。
表2 温度/数据关系
| 温 度 |
数字输出（二进制） |
数字输出（十六进制） |
| +125 |
00000000 11111010 |
00FAH |
| +25 |
00000000 00110010 |
0032H |
| +1/2 |
00000000 00000001 |
0001H |
| +0 |
00000000 00000000 |
0000H |
| -1/2 |
11111111 11111111 |
FFFFH |
| -25 |
11111111 11001110 |
FFCEH |
| -55 |
11111111 10010010 |
FF92H |
在实际应用中，测量温度往往在0℃以上，此时可只取16位二进制温度输出的低8位，即1个字节，这样将使计算和编程工作更为便利。
1．4 DSl8B20的测温原理
DSl8B20的测温原理为：内部计数器对一个受温度影响的振荡器的脉冲计数，低温时振荡器的脉冲可以通过门电路，而当到达某一设置高温时，振荡器的脉冲无法通过门电路。计数器设置为-55℃时的值，如果计数器到达0之前门电路未关闭，则温度寄存器的值将增加，这表示当前温度高于-55℃。同时，计数器复位在当前温度值上，电路对振荡器的温度系数进行补偿，计数器重新开始计数直到回零。如果门电路仍然未关闭，则重复以上过程。温度转换所需时间不超过750ms，得到的温度值的位数因分辨率不同而不同[2]。DSl8B20同AT89C52单片机的接口电路。这种接口方式只需占用单片机一根口线，与智能仪器或智能测控系统中的其它单片机或DSP的接口也可采用类似的方式。
2 RBF神经网络及学习算法
RBF神经网络即径向基函数(Radial Basis Function)神经网络[3～4]，其结构如图3所示。它很容易扩展到多输出节点的情形，在此只考虑一个输出变量Y的情况。
RBFNN包括一个输入层、一个隐含层和一个输出层的最简模式。隐含层由一组径向基函数构成，与每个隐含层节点相关的参数向量为Ci(即中心)和σi(即宽度)。径向基函数有多种形式，一般取高斯函数[5]。具体如下：
上式中，m是隐含层结点数；‖·‖是欧几里德范数；X，Ci∈R n，ωi是第i个基函数与输出结点的连接权值（i=1,2…，m）。
RBF神经网络是一种性能良好的前向网络，它具有最佳逼近性能，在结构上具有输出一权值线性关系、训练方法快速易行、不存在局部最优问题的特点。该网络的学习算法有很多种，本文将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整[6]，即在考虑当前时刻(k时刻)的网络状态的变化时，将前一个时刻(k—1时刻)的网络参数变化也包括进去。
上式中，m是隐含层结点数；||·||是欧几里德范数；X，Ci∈Rn，ωi是第i个基函数与输出结点的连接权值（i=1,2,…，n）。
RBF神经网络是一种性能良好的前向网络，它具有最佳逼近性能，在结构上具有输出一权值线性关系、训练方法快速易行、不存在局部最优问题的特点。该网络的学习算法有很多种，本文将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整，即在考虑当前时刻（k时刻）的网络状态的变化时，将前一个时刻（k-1时刻）的网络参数变化也包括进去。其中，J为误差函数，Y(k)代表希望的输出，Y(W，k)为网络的实际输出，W是网络的所有权值组成的向量。
其中，μ(k)为学习率，α(k)为动量因子，也称为遗忘因子，又称动量项或阻尼项。将其称为遗忘因子可从对于新旧信息的学习与遗忘的角度来理解；称为动量项或阻尼项是因为在网络的学习训练中，此项相当于阻尼力，当训练误差迅速增大时，它使网络发散得越来越慢。总之，它使网络的变化趋于稳定，有利于网络的收敛。
3 测试方法及推广应用分析
实验中以测量压力为例，采用Honeywell的24PCG—FAlG型压力传感器。将传感器测量值和DSl8B20的输出值作为网络输入层节点的输入，与其对应的压力是网络输出层节点的输出。采用的RBF神经网络为三层网络结构，其中，输入层有2个节点，隐含层有8个节点，输出层有1个节点。基于上一节中提到的网络参数调整算法，通过调整RBF网络中的可调参数(隐层节点数、学习速率、遗忘因子和网络权值、隐层标准偏差等)进行网络的训练和测试，并采用均方根(RMS)计算其训练精度和测试精度。共采集样本数据120组，其中72组作为网络训练样本，48组作为网络测试样本，在环境温度变化范围为-5℃～75℃时，最佳RBF的神经网络的训练精度为0．048％，测试精度为0．062％。同时基于获得的实验数据，采用最小二乘拟合方法建立的数学模型，其拟合精度为0．170％；用单片机直接预存线性插值补偿的方法，测试精度为0．280％。
对于其它参数的检测，如流量、浓度或温度本身，也可采用增加温度或其它辅助传感器来实现补偿的方法。对于同时存在温、湿度漂移的测量场合，可以采用温湿度一体化传感器进行补偿。在本文图3所示的神经网络中增加一个X3输入代表湿度，只是会增加具体计算的复杂性。
DSl8B20测温已普遍应用，且有着价格低廉、同基于单片机的智能仪器或测控系统接口简单的突出优点，本文将其引入作辅助测量传感器，在传感器温度补偿领域是一种有益的尝试。RBF网络是一种性能良好的前向网络，它不仅有全局逼近性质，而且具有最佳逼近性能。将带遗忘因子的梯度下降算法应用于RBF神经网络的参数调整，该算法具有良好的非线性映射能力、自学习和泛化能力，鲁棒性好、收敛较快，特别适用于传感器数学模型的建立。论文采用软硬件相结合的方法实现了高精度的温度补偿。与最小二乘拟合方法及线性插值补偿方法相比，其精度提高了2～5倍。 |
