基于DFP算法的BP神经网络在温度补偿中的应用  

Applications of DFP learning algorithm-based BP neutral network in temperature compensation

作　　者：孙艳梅[1] 苗凤娟[1] 宋志章[2] 

机构地区：[1]齐齐哈尔大学通信与电子工程学院,黑龙江齐齐哈尔161006 [2]齐齐哈尔大学校办,黑龙江齐齐哈尔161006

出　　处：《光通信研究》2013年第4期53-56,共4页Study on Optical Communications

基　　金：国家自然科学基金资助项目(61204127);黑龙江省教育厅2013科学技术研究项目(12531762);齐齐哈尔大学青年教师科研启动支持计划资助项目(2012k-M10)

摘　　要：为补偿压力传感器的温度漂移,将BP(后向传播)神经网络应用于压力传感器的温度补偿中,同时应用变尺度法对BP神经网络学习算法的缺陷进行改进,采用L-M学习算法的下降方向进行搜索,有效解决了算法失效问题;采用乘以放大倍数和加上扰动项的策略,从而放大权值更新向量和权值导数更新向量,有效解决了溢出问题。仿真结果表明,该方法有效地抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。In this paper, the Back Propagation （BP） neural network is applied for the purpose of compensating the temperature drift of the pressure sensor and the Davidon Fletcher Powell （DFP） method is adopted to overcome the drawbacks of this net- work learning algorithm. Algorithm unavailability is effectively solved by search in the descent direction of the L-M learning al- gorithm and the overflow problem is solved by multiplying a magnification factor added by a disturbance term and thus magnifying the weight updated vector and the weight derivative updated vector. The simulation results show that this method can ef- fectively suppress the effects of temperature on the pressure sensor output and improve the stability and accuracy of the sensor.

关 键 词：BP神经网络 变尺度法 压力传感器 温度补偿 

分 类 号：TP212[自动化与计算机技术—检测技术与自动化装置]