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yi般ban工gong業ye測ce控kong現xian場chang的de環huan境jing溫wen度du變bian化hua急ji劇ju，傳chuan感gan器qi大da多duo數shu都dou對dui溫wen度du有you一yi定ding的de敏min感gan度du，這zhe樣yang就jiu會hui使shi傳chuan感gan器qi的de零ling點dian和he靈ling敏min度du發fa生sheng變bian化hua，從cong而er造zao成cheng輸shu出chu值zhi隨sui環huan境jing溫wen度du的de變bian化hua而er變bian化hua，導dao致zhi測ce量liang出chu現xian附fu加jia誤wu差cha，因yin此ci溫wen度du補bu償chang問wen題ti一yi直zhi是shi工gong業ye測ce控kong係xi統tong中zhong的de關guan鍵jian環huan節jie[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，輸出即為補償後的測量值。RBF神經網絡主要用於傳感器的數據處理，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之後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
、分辨率等方麵較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，電壓範圍：3.0～5.5V；
    (3)測溫範圍為：-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，隻用3、4和5腳

，其餘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位二進製形式表示的
，而輸出溫度則是以16位(wei)符(fu)號(hao)擴(kuo)展(zhan)的(de)二(er)進(jin)製(zhi)補(bu)碼(ma)讀(du)數(shu)形(xing)式(shi)提(ti)供(gong)。采(cai)用(yong)的(de)辦(ban)法(fa)是(shi)將(jiang)低(di)八(ba)位(wei)用(yong)補(bu)碼(ma)表(biao)示(shi)，第(di)九(jiu)位(wei)以(yi)符(fu)號(hao)擴(kuo)展(zhan)形(xing)式(shi)擴(kuo)展(zhan)至(zhi)其(qi)它(ta)七(qi)位(wei)。具(ju)體(ti)溫(wen)度(du)表(biao)示(shi)格(ge)式(shi)見(jian)表(biao)2。
 
 
 
在實際應用中，測量溫度往往在0°C以上，此時可隻取16位二進製溫度輸出的低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nei部bu計ji數shu器qi對dui一yi個ge受shou溫wen度du影ying響xiang的de振zhen蕩dang器qi的de脈mai衝chong計ji數shu，低di溫wen時shi振zhen蕩dang器qi的de脈mai衝chong可ke以yi通tong過guo門men電dian路lu
，而er當dang到dao達da某mou一yi設she置zhi高gao溫wen時shi，振zhen蕩dang器qi的de脈mai衝chong無wu法fa通tong過guo門men電dian路lu。計ji數shu器qi設she置zhi為wei－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
，這表示當前溫度高於－55℃。tongshi，jishuqifuweizaidangqianwenduzhishang，dianluduizhendangqidewenduxishujinxingbuchang，jishuqizhongxinkaishijishuzhidaohuiling。ruguomendianlurengranweiguanbi
，zezhongfuyishangguocheng。wenduzhuanhuansuoxushijianbuchaoguo750ms
，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。這種接口方式隻需占用單片機一根口線，與智能儀器或智能測控係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，在此隻考慮一個輸出變量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
；||•||是歐幾裏德範數；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—權值線性關係
、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於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於新舊信息的學習與遺忘的角度來理解
；稱cheng為wei動dong量liang項xiang或huo阻zu尼ni項xiang是shi因yin為wei在zai網wang絡luo的de學xue習xi訓xun練lian中zhong
，此ci項xiang相xiang當dang於yu阻zu尼ni力li
，當dang訓xun練lian誤wu差cha迅xun速su增zeng大da時shi，它ta使shi網wang絡luo發fa散san得de越yue來lai越yue慢man。總zong之zhi
，它ta使shi網wang絡luo的de變bian化hua趨qu於yu穩wen定ding，有you利li於yu網wang絡luo的de收shou斂lian。

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。基於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，並采用均方根（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，在環境溫度變化範圍為-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%。同時基於獲得的實驗數據，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％。

對於其它參數的檢測
，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。對於同時存在溫、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，隻是會增加具體計算的複雜性。

DS18B20測溫已普遍應用，且有著價格低廉、同tong基ji於yu單dan片pian機ji的de智zhi能neng儀yi器qi或huo測ce控kong係xi統tong接jie口kou簡jian單dan的de突tu出chu優you點dian，本ben文wen將jiang其qi引yin入ru作zuo輔fu助zhu測ce量liang傳chuan感gan器qi
，在zai傳chuan感gan器qi溫wen度du補bu償chang領ling域yu是shi一yi種zhong有you益yi的de嚐chang試shi。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於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shou斂lian較jiao快kuai，特te別bie適shi用yong於yu傳chuan感gan器qi數shu學xue模mo型xing的de建jian立li。論lun文wen采cai用yong軟ruan硬ying件jian相xiang結jie合he的de方fang法fa實shi現xian了le高gao精jing度du的de溫wen度du補bu償chang。與yu最zui小xiao二er乘cheng擬ni合he方fang法fa及ji線xian性xing插cha值zhi補bu償chang方fang法fa相xiang比bi

，其qi精jing度du提ti高gao了le2～5倍。