采用FPGA的SOPC技術研究了傳感器非線性軟件校正的

2.3神經網絡校正算法

利用BP神經網絡實現非線性誤差軟件校正的文獻較多，但主要是基于PC機的仿真實驗。單片微處理器由于存儲容量和數據總線寬度的限制，網絡結構類型和計算精度只能控制在一定范圍之內。SOPC在大規模集成電路的基礎上，底層電路采用硬件描述語言實現，而軟件算法則在SOPC IDE調試環境下采用高級語言，如C語言實現。在本文中，SOPC系統板采用NIOS-Ⅱ軟核微處理器，32 bit總線，工作頻率為50 MHz，BP神經網絡采用動量法，在ALTERA公司提供的SOPC IDE調試環境下完成。算法處理結構如圖2所示。

3 算法測試
本文采用三層前向網絡，輸入層神經元2個，分別代表溫度傳感器ADS90和氣體傳感器TGS813輸入信號，DS18B20的測量值作為AD590的期望值，輸出層神經元1個，代表AD590的校正值。

本文共采集了70個樣本對數據作為神經網絡的輸入。神經網絡的訓練采樣動量自適應算法，剔除部分不符合要求的樣本，58個樣本作為訓練樣本，8個樣本作為測試樣本。BP神經網絡采用C語言編程實現，由于微處理器與PC機相比，在工作頻率和總線結構方面還存在很大差距，因此，在計算算法的誤差輸出時，本文采用的是各個訓練樣本的絕對誤差的累加和，而不是均方根誤差，這樣，可以避免大量的乘法和開方運算，否則，算法很難收斂。 作為BP神經網絡動量法的重要參數，如果學習率參數選擇的范圍比較窄，那么，網絡性能的隨機性特點就會非常明顯，不利于網絡的推廣應用。圖3是選擇不同的學習率時網絡輸出誤差的變化情況。測試條件是動量系數為0.9，增益為1，隱含層節點6個，算法停止迭代的判斷條件是輸出絕對誤差累加和小于0.01。

圖4是58對訓練樣本完成網絡訓練后的測試結果。由于BP神經網絡的性能受隱含層節點個數影響比較大，圖中數據是在不同隱含層節點個數的條件下得到的，并與MATLAB軟件仿真得到的結果作了比較。網絡訓練的條件：學習率為0.1，動量系數為0.9，增益為1，SOPC停止迭代的判斷條件是輸出絕對誤差累加和小于0.01，MATLAB停止迭代的判斷條件是均方根誤差小于0.0001，圖中，n代表隱含層節點個數。

由于采用的是12 bit的A／D轉換芯片，采集數據送入FPGA系統板后，經過歸一化處理，數據類型發生變化。與MATLAB仿真軟件輸出結果保持一致，基于FPGA的神經網絡輸出取小數點后4位有效數字。由圖4可以得出：雖然在個別測試點上基于MATLAB軟件仿真結果優于SOPC的輸出結果，但在隱含層節點對算法性能的影響程度上，基于SOPC技術的輸出受到的影響比較小，穩定性好，這與SOPC技術采用32位字長有很大關系。
4 結論

基于FPGA的SOPC技術不同于IC芯片設計，它是把已有的模塊資源組合成一個系統，系統的功能直接由載體FPGA芯片實現；它又不同于傳統的基于單片微處理器的系統設計，因為SOPC系統的微處理器性能和外圍接口控制電路都是由用戶編程設定的，因此，采用SOPC技術可以節省成本，提高資源利用率，縮短開發周期和便于系統升級等特點。本文采用基于FPGA的SOPC技術研究了傳感器非線性軟件校正的問題。算法的測試結果證實了方法的可行性。