摘要：本文介绍在压力测量时，为提高测量精度，利用径向基函数神经网络（RBF）和智能温度传感器DS1822进行温度补偿，改善其测量精度的新方法。RBF网络具有良好的非线性映射能力，自学习和泛化能力，采集样本数据训练构成具有双端输入、单端输出网络模型，采用改进的算法实现测量精度。
关键词：温度补偿；径向基函数神经网络；DS1822；一线芯片
温度检测和补偿对工、农业及国防建设等各领域都有着十分重要的意义，在工业自动化测控现场，环境温度变化是无常的，大多数传感器对温度有较高的灵敏度，因此，环境温度的变化会导致传感器零点和灵敏度受到影响而产生测量误差，所以，温度检测和补偿问题是工业自动控制系统中的重要环节。
随着科学技术的发展，温度检测和补偿趋于智能化，并且对各种传感器具有较高的温度补偿要求。
本文论述利用数字温度传感器对AK-4型压力传感器进行温度测量和补偿，并且采用径向基函数组成神经网络，从而达到更高精度的测量。
数字温度传感器是DS1822是一种基于单总线技术的数字温度传感器芯片，也就是利用一根信号线与一根返回线来实现互联通信的集成电路。用它来构成微型局域网系统，其特点是建网速度快，成本低。适合现场实施使用。
1数字式传感器DS1822的原理及总线接口
DS1822数字传感器将所测温度直接转换为频率，然后采用时钟计数测温法，计数时钟是由温度系数很低的振荡器产生，工作状态稳定，而计数闸门周期又是温度系数很高的振荡器决定。闸门打开期间为计数状态，当计数值达到0时，温度寄存器加1，同时还要对时钟计数，脉冲进行非线性校正，从而获得较高的温度测量分辨力。也改变相对于测温量化级的计数量大小，可获得不同的分辨力。DS1822总线接口电路如图1所示。
DS1822 总线接口电路工作电流为1.5mA,不需外接元件，本实验为了确保测量精度和可靠采用外接电源的方法。
2RBF神经网络
RBF是径向基函数神经网络，其结构如图2所示。
它非常容易的扩展到多输出点的情形，在此考虑一个输出量的情况。RBF是具有一个输入层，一个隐含层，一个输出层的最简模式，是一种性能良好的前向网络，具有最佳逼近能力的神经网络。结构上具有输出一权直线性关系，训练方法快速易行，不存在局部最优问题的特点。考虑当前时刻的状态变化，将前一个时刻k-1的网络参数包括进去。设网络的输入节点数为 ，隐层节点为m，输出节点数为1，算法如下：
其中，?滋(k)为学习率，?琢(k)为动量因子，动量因子在网络的学习中训练中，相当于阻尼力，训练误差迅速增加时，它使网络发散越来越慢，最后它使网络的变化趋于稳定，有利于网络的收敛。
3 训练方法
在实验中以AK-4型压力传感器为例，将压力传感器测量值和DS1822的输出值作为网络输入节点的输入端，与其对应的压力是网络输出层节点输出。
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。通过调整RBF网络中的可调参数进行网络的训练和测试，采用RMS（均方根）计算其训练精度和测试精度。采集样本数据为120组，其中有48组作为网络样本测试，72组作为网络训练样本。在环境温度变化范围为-5℃～75℃时，根据获得的实验室数据，最佳RBF神经网络的训练精度为0.046%，测试精度小于0.063%。
4 结束语
在压力训练测试系统中，将数字式温度传感器DS1822只作为辅助测量传感器，仅起温度补偿作用，由于单总线技术其线路简单，硬件成本低，软件设计简单等优点，DS1822 在未来的测温领域中必将有着无可比拟的应用前景，广泛的应用到各个领域中。
RBF神经网络参数调整，是利用带遗忘因子的梯度下降算法。这种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，适合传感器建立数学模型，测量精度比最小二乘拟合法和单片机插值补偿法相比，精度提高了3-5倍，实现高精度测量。
参考文献
[1]黄贤武.传感器原理及应用.西安：西安电子科技大学出版社，1999
[2]王化祥.传感器原理及应用.西安：天津： 天津大学出版社，1999
[3]钟义信.潘新安. 杨义先. 智能理论与技术--人工智能与神经网络. 北京: 人民邮电出版社, 1992
作者简介：孙慧莲 毕业于吉林大学（原吉林工业大学工业自动化专业），现在长春理工大学副教授，主要从事传感器技术的研究。
