一种用RBF神经网络改善传感器测量精度的新方法

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单片机的接口电路如图2所示。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。其具体算法如下：

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。其具体算法如下：

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。

隐层一输出层连接权值矩阵的调整算法为：

其中，μ(k)为学习率，α(k)为动量因子，也称为遗忘因