引言
聲表面波(SAW)技術(shù)是一門(mén)新興熱門(mén)研究課題之一，國內外已有溫度、壓力、加速度等傳感器的相關(guān)報道。SAW壓力傳感器借助于它無(wú)以倫比的性能，諸如：1)數字號輸出；2)高靈敏度、高分辨力、抗干擾能力強；3)易于大規模集成。正是由于這些自身的優(yōu)越性，它有著(zhù)廣泛的應用領(lǐng)域。但美中不足的是SAW壓力傳感器對環(huán)境的要求比較苛刻，SAW振蕩器輸出頻率信號隨著(zhù)壓力、溫度、磁場(chǎng)等外界因素變化而變化，特別是溫度的影響是測量誤差的主要來(lái)源，為保證SAW壓力傳感器高準確度和高靈敏度測量，必須進(jìn)行有效的溫度補償。本文將神經(jīng)網(wǎng)絡(luò )和模糊控制技術(shù)相結合，對SAW壓力傳感器進(jìn)行智能化溫度補償，通過(guò)此方法進(jìn)行的改進(jìn)，使SAW壓力傳感器能更好地應用到工程領(lǐng)域。

溫度補償方案
在傳統的溫度補償中，例如：硬件補償和軟件補償2種方法。但存在著(zhù)補償電路漂移、局部最優(yōu)、精度不夠等缺點(diǎn)，無(wú)法滿(mǎn)足SAW壓力傳感器補償要求。鑒于此種情況，本文采用了神經(jīng)模糊控制方法，對SAW壓力傳感器進(jìn)行智能溫度補償。

神經(jīng)模糊控制是一種用神經(jīng)網(wǎng)絡(luò )實(shí)現的模糊控制的方法。在形式結構上是用多點(diǎn)網(wǎng)絡(luò )實(shí)現的模糊映射。而神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性和可訓練性說(shuō)明它可以實(shí)現任何一種映射關(guān)系。因此，本文利用神經(jīng)網(wǎng)絡(luò )對知識的表達機理，通過(guò)學(xué)習訓練，實(shí)現控制規則基記，從而實(shí)現模糊輸入-模糊輸出的映射。神經(jīng)模糊控制對SAW壓力傳感器溫度-壓力補償模型見(jiàn)圖1。
 
在SAW壓力傳感器后面接神經(jīng)模糊控制器，把傳感溫度T作為輸入，則神經(jīng)模糊控制器能直接輸出被測量。

實(shí)現控制規則的神經(jīng)網(wǎng)絡(luò )
在一般情況下，模糊控制的推理功能是在隸屬函數不變的條件下進(jìn)行的。在實(shí)際運用當中是隨時(shí)間的改變而改變的。為了彌補單一模糊控制技術(shù)這種不足，特采用神經(jīng)網(wǎng)絡(luò )的學(xué)習功能進(jìn)行隸屬度的調節，實(shí)現自動(dòng)調節功能，以適應實(shí)際的需要。本文用含一個(gè)隱含層的三層前饋神經(jīng)網(wǎng)絡(luò )，模型如圖2。

其中，p為輸入矢量，R為輸入矢量維數，S1為隱含層神經(jīng)元個(gè)數，S2為輸出層神經(jīng)元個(gè)數，W1為隱含層神經(jīng)元權值矩陣，W2為輸出層權值矩陣，b1為隱含層神經(jīng)元閥值，b2為隱含層神經(jīng)元閥值，n1為隱含層輸入節點(diǎn)，n2為輸出層節點(diǎn)。f1為S型函數，f2為purelin型函數。神經(jīng)網(wǎng)絡(luò )算法是用于前饋多層網(wǎng)絡(luò )的學(xué)習算法。如果輸出不能得到期望的輸出，則轉入后向傳播。通過(guò)誤差的后向傳播調整各層之間的權系數。反復輸入樣本序列，直至權系數不在改變?yōu)橹?，輸出誤差在規定的范圍之內。算法采用如下改進(jìn)：1)采用模擬退火法以克服局部最??；2)用奇函數作激勵函數和傳播過(guò)程中采用新誤差傳播因子完善該算法收斂性問(wèn)題。

鑒于BP神經(jīng)網(wǎng)絡(luò )訓練過(guò)程需要對所有權值和閥值進(jìn)行修正，是一種全局逼近神經(jīng)網(wǎng)絡(luò )，但訓練速度較慢，不適用實(shí)時(shí)性較強場(chǎng)合，故采取了局部逼近網(wǎng)絡(luò )——徑向基網(wǎng)絡(luò )。算法訓練關(guān)系式如下：

節點(diǎn)輸出為

式中a1為節點(diǎn)輸出；b為神經(jīng)元閥值；Wij為接點(diǎn)連接權值；f為傳遞函數。

權值修正

式中z為新學(xué)習因子；h為動(dòng)量因子；Ej為計算誤差。

誤差計算

式中tPI為i節點(diǎn)期望輸出值；aPI為i節點(diǎn)計算輸出值。

由于神經(jīng)網(wǎng)絡(luò )的神經(jīng)元個(gè)數不確定性，經(jīng)大量數據的實(shí)驗驗證，本文選取輸入層有2個(gè)神經(jīng)元，隱含層有4個(gè)神經(jīng)元。輸出層只有1個(gè)神經(jīng)元。采用只有1個(gè)隱含層的三層網(wǎng)絡(luò )對控制基進(jìn)行學(xué)習記憶。把每條控制規則作為神經(jīng)網(wǎng)絡(luò )的樣本進(jìn)行訓練學(xué)習，從而能實(shí)現這個(gè)規則基的神經(jīng)網(wǎng)絡(luò )權系數。

基于神經(jīng)網(wǎng)絡(luò )在推理方面不足，故借助于模糊控制強大的推理功能，提取有效的條件語(yǔ)句，進(jìn)而加快網(wǎng)絡(luò )的訓練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大(L)，中(M)，小(S)，創(chuàng )立描述條件推理表格如表1。

橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據表中數據，可知共有3×3種推理語(yǔ)句，采用推理法將條件語(yǔ)句表簡(jiǎn)化得出以下4條語(yǔ)句：

將產(chǎn)生貢獻的語(yǔ)句選出，可能存在的個(gè)數為20，21，…，2n。這樣，減少了冗余的推理語(yǔ)句，有利于網(wǎng)絡(luò )訓練速度的快速進(jìn)行。

仿真與應用
現在礦井下事故頻繁發(fā)生，用AE聲發(fā)射預測瓦斯突發(fā)是非接觸測量一種趨勢，由于環(huán)境條件限制，用SAW壓力傳感器作為接收聲發(fā)射信號的傳感器，就必須保證測量信號的高準確性和智能性特點(diǎn)，而用神經(jīng)模糊控制對溫度進(jìn)行了智能補償，加上先進(jìn)的封裝技術(shù)，可使SAW在實(shí)際的瓦斯預測測量中發(fā)揮巨大作用。通過(guò)實(shí)驗驗證，此種方法可行。在MATLAB6.0環(huán)

境下進(jìn)行神經(jīng)網(wǎng)絡(luò )的訓練和仿真，通過(guò)神經(jīng)網(wǎng)絡(luò )工具箱，編制相應的仿真訓練程序，實(shí)現仿真過(guò)程。在仿真時(shí)，隨機選取幾組頻率-溫度作為輸入，最后，進(jìn)行標定壓力值和仿真結果的比較。仿真數據結果如表2。

實(shí)際中，溫度變化對SAW壓力傳感器的性能影響非常明顯，通過(guò)神經(jīng)網(wǎng)絡(luò )的訓練，訓練的頻率和誤差在規定范圍內，其最大誤差僅為1%，BP算法的仿真結果和實(shí)際測量值吻合。

結論
本文提出采用神經(jīng)迷糊控制技術(shù)對SAW壓力傳感器進(jìn)行有效的溫度補償，使SAW壓力傳感器在實(shí)際的應用中能更加準確地對被測對象進(jìn)行壓力測量，并且，采用神經(jīng)網(wǎng)絡(luò )構成控制器，信息處理采用模糊量的近似推理，將神經(jīng)網(wǎng)絡(luò )技術(shù)和?？刂萍夹g(shù)相結合，實(shí)現SAW壓力傳感器溫度補償的智能化，為SAW壓力傳感器實(shí)際應用奠定了基礎。