中心議題：
- 介紹利用徑向基函數神經網絡和智能溫度傳感器DS18B20改善傳感器精度的新方法
- 通過大量的樣本數據訓練構建雙輸入單輸出網絡模型
- 采用改進的算法實現傳感器高精度溫度補償
解決方案：
- 采用DS18B20智能溫度傳感器和RBF神經網絡相結合的溫度補償新方法
- 在DS1820中將低八位用補碼表示，第九位以符號擴展形式擴展至其它七位
- 引入DS18B20作輔助測量傳感器
一般工業測控現場的環境溫度變化急劇，傳感器大多數都對溫度有一定的敏感度，這樣就會使傳感器的零點和靈敏度發生變化，從而造成輸出值隨環境溫度的變化而變化，導致測量出現附加誤差，因此溫度補償問題一直是工業測控系統中的關鍵環節[1]。本文采用DS18B20智能溫度傳感器和RBF神經網絡相結合的溫度補償新方法來實現傳感器高精度溫度補償。本文介紹的方法將DS18B20測量值作為溫度補償輸入，將傳感器本身的測量值作為另一輸入，用RBF神經網絡構成雙輸入單輸出的補償模型，輸出即為補償后的測量值。RBF神經網絡主要用于傳感器的數據處理，以改善傳感器測量精度。
DS18B20數字溫度傳感器測溫原理
a.DS18B20的特性
DS18B20是美國DALLAS公司繼DS1820之后推出的增強型單總線數字溫度傳感器，它在測溫精度、轉換時間、傳輸距離、分辨率等方面較DS1820有了很大的改進，這給用戶帶來了更方便的使用和更令人滿意的效果。其特點如下：
(1)單線接口：僅需一根口線與單片機連接；
(2)由總線提供電源，也可用數據線供電，電壓范圍：3.0～5.5V；
(3)測溫范圍為：-55～+125℃，在-10～+85 ℃時，精度為0.5℃；
(4)可編程的分辨率為9～12位，對應的分辨率為0.5～0.0625℃；
(5)用戶可編程的溫度報警設置；
(6)12位分辨率時最多在750ms內把溫度值轉換為數字量。
b.DS1820引腳功能說明
DS1820的PR-35封裝形式見圖1，其外表看起來像三極管。另外還有8腳SOIC封裝形式，只用3、4和5腳，其余為空腳或不需連接引腳。不過最常見的形式是PR-35封裝，其引腳說明如表1所示。
c.DS1820溫度數據格式
在DS1820中，轉換溫度值是以9位二進制形式表示的，而輸出溫度則是以16位符號擴展的二進制補碼讀數形式提供。采用的辦法是將低八位用補碼表示，第九位以符號擴展形式擴展至其它七位。具體溫度表示格式見表2。
在實際應用中，測量溫度往往在0°C以上，此時可只取16位二進制溫度輸出的低8位，即1個字節，這樣將使計算和編程工作更為便利。
c.DS18B20的測溫原理
DS18B20的測溫原理為：內部計數器對一個受溫度影響的振蕩器的脈沖計數，低溫時振蕩器的脈沖可以通過門電路，而當到達某一設置高溫時，振蕩器的脈沖無法通過門電路。計數器設置為－55℃時的值，如果計數器到達0之前門電路未關閉，則溫度寄存器的值將增加，這表示當前溫度高于－55℃。同時，計數器復位在當前溫度值上，電路對振蕩器的溫度系數進行補償，計數器重新開始計數直到回零。如果門電路仍然未關閉，則重復以上過程。溫度轉換所需時間不超過750ms，得到的溫度值的位數因分辨率不同而不同[2]。DS18B20同AT89C52單片機的接口電路如圖2所示。這種接口方式只需占用單片機一根口線，與智能儀器或智能測控系統中的其它單片機或DSP的接口也可采用類似的方式。
RBF神經網絡及學習算法
RBF神經網絡即徑向基函數（Radial Basis Function）神經網絡[3～4]，其結構如圖3所示。它很容易擴展到多輸出節點的情形，在此只考慮一個輸出變量Y的情況。RBFNN包括一個輸入層、一個隱含層和一個輸出層的最簡模式。隱含層由一組徑向基函數構成，與每個隱含層節點相關的參數向量為Ci（即中心）和σi（即寬度）。徑向基函數有多種形式，一般取高斯函數[5]。具體如下：
上式中,m是隱含層結點數；||•||是歐幾里德范數；X,Ci∈Rn, ωi是第i個基函數與輸出結點的連接權值(i=1,2,...,m)。
RBF神經網絡是一種性能良好的前向網絡，它具有最佳逼近性能，在結構上具有輸出—權值線性關系、訓練方法快速易行、不存在局部最優問題的特點。該網絡的學習算法有很多種，本文將帶遺忘因子的梯度下降法應用于RBF神經網絡的參數調整[6]，即在考慮當前時刻（k時刻）的網絡狀態的變化時，將前一個時刻（k－1時刻）的網絡參數變化也包括進去。其具體算法如下：
其中，J為誤差函數，Y（k）代表希望的輸出，Y（W，k）為網絡的實際輸出，W是網絡的所有權值組成的向量。
隱層—輸出層連接權值矩陣的調整算法為：
隱層中心值矩陣的調整算法為：
隱層標準偏差矩陣的調整算法為：
其中，μ（k）為學習率，α（k）為動量因子，也稱為遺忘因子，又稱動量項或阻尼項。將其稱為遺忘因子可從對于新舊信息的學習與遺忘的角度來理解；稱為動量項或阻尼項是因為在網絡的學習訓練中，此項相當于阻尼力，當訓練誤差迅速增大時，它使網絡發散得越來越慢?？傊?，它使網絡的變化趨于穩定，有利于網絡的收斂。
測試方法及推廣應用分析
實驗中以測量壓力為例，采用Honeywell的24PCGFA1G型壓力傳感器。將傳感器測量值和DS18B20的輸出值作為網絡輸入層節點的輸入，與其對應的壓力是網絡輸出層節點的輸出。采用的RBF神經網絡為三層網絡結構，其中，輸入層有2個節點，隱含層有8個節點，輸出層有1個節點。基于上一節中提到的網絡參數調整算法，通過調整RBF網絡中的可調參數（隱層節點數、學習速率、遺忘因子和網絡權值、隱層標準偏差等）進行網絡的訓練和測試，并采用均方根（RMS）計算其訓練精度和測試精度。共采集樣本數據120組，其中72組作為網絡訓練樣本，48組作為網絡測試樣本，在環境溫度變化范圍為-5℃～75℃時，最佳RBF的神經網絡的訓練精度為0.048%，測試精度為0.062%。同時基于獲得的實驗數據，采用最小二乘擬合方法建立的數學模型，其擬合精度為0.170％；用單片機直接預存線性插值補償的方法，測試精度為0.280％。
對于其它參數的檢測，如流量、濃度或溫度本身，也可采用增加溫度或其它輔助傳感器來實現補償的方法。對于同時存在溫、濕度漂移的測量場合，可以采用溫濕度一體化傳感器進行補償。在本文圖3所示的神經網絡中增加一個X3輸入代表濕度，只是會增加具體計算的復雜性。
DS18B20測溫已普遍應用，且有著價格低廉、同基于單片機的智能儀器或測控系統接口簡單的突出優點，本文將其引入作輔助測量傳感器，在傳感器溫度補償領域是一種有益的嘗試。RBF網絡是一種性能良好的前向網絡，它不僅有全局逼近性質，而且具有最佳逼近性能。將帶遺忘因子的梯度下降算法應用于RBF神經網絡的參數調整，該算法具有良好的非線性映射能力、自學習和泛化能力，魯棒性好、收斂較快，特別適用于傳感器數學模型的建立。論文采用軟硬件相結合的方法實現了高精度的溫度補償。與最小二乘擬合方法及線性插值補償方法相比，其精度提高了2～5倍。
