基于神經網絡技術的虛擬傳感器溫度補償系統

式中，為第m個樣本神經網絡的輸入、輸出歸一化值；Xim和Om為第m個樣本的輸入輸出標定值，本文中i=1，2；Ximax和Ximin為第i個傳感器輸出最大、最小標定值。
1．3 神經網絡的結構與訓練
BP神經網絡結構：

基于該系統采用3層BP神經網絡，輸入層i=1，2，共有2個節點，分別輸入壓阻傳感器和溫度傳感器的輸出電壓值Up和Ut。隱層節點數j=1，2，…，l可在3～30范圍內選擇，視補償效果而定。輸出層節點k=1，為一個節點，表示輸出壓力值Pt。

溫度補償系統BP神經網絡Ot和分別為歸一化的網絡輸出的計算值與標定值；m為樣本序號；M為樣本總數；訓練的樣本數越多，網絡的計算結果Ot的偏差越小。根據標定實驗提供的學習樣本，采用BP算法學習修正網絡的權值和閾值，直到滿足精度要求為止。訓練后的神經網絡仍不能使用，必須使用附加樣本進行性能驗證，如不能滿足要求，就需要重新訓練網絡，所以神經網絡的訓練是一個反復的過程。
1．4 學習算法的圖形化編程
在LabVIEW中要實現神經網絡，可通過多種方式實現：利用CIN節點調用外部編譯好的C或者C++程序；利用MATLAB Script節點編輯或調用MATLAB程序；利用LabVIEW本身的圖形編程語言編程實現。
同上述兩種方法相比，用LabVIEW本身的圖形語言來編程有很多的優勢。LabVIEW的G程序是獨立于運行平臺的，不需要依賴其他軟件。而且作為一種圖形化的、數據驅動的程序語言，LabVIEW可以更方便地實現給定的算法，程序更加清晰明了，修改起來也更加方便。同時利用子程序技術，可以大大提高程序的利用率。基于此，本文采用圖形編程的方法來實現神經網絡控制。圖3為實現BP算法的LabVIEW程序。

2 系統設計與實現
系統使用NI公司的LabVIEW和PCI-MIO-16E-1多功能數據采集卡實現溫度補償系統。在LabVIEW平臺下開發出“虛擬傳感器參數檢測儀”，完成數據的采集與預處理。在此基礎上嵌入MATLAB程序進行神經網絡運算。
2．1 面板設計
前面板主要由兩部分組成：神經網絡訓練模塊和數據保存模塊。神經網絡訓練模塊執行壓阻傳感器的溫度補償；數據保存模塊將訓練后的相關數據進行保存并寫入文件中。
2．2 程序流程圖設計
在LabVIEW中，流程圖是程序運行的基礎。流程圖主要完成前面板上各個部分的相應功能，包括執行MATLABScript操作和While Loop操作。