智能传感器中的算法应用

傅留虎+胡欣宇

摘 要：传感器技术作为信息领域的三大基础之一，已被列入21世纪优先发展的十大顶尖技术。该技术所涉及的知识领域非常广泛，也越来越多地与其他学科技术的发展紧密相联。从传统传感器到智能传感器，无论是从材料、元器件和部件考虑，还是从系统研发者对传感器进展的关注度来看，传感器越来越趋于智能化。文中主要介绍了智能传感器中常用的回归分析法、人工神经网络、遗传算法和模拟退火算法在不同领域中的应用。

关键词：智能传感器；回归分析法；人工神经网络；遗传算法；模拟退火算法

中图分类号：TP212.6 文献标识码：A 文章编号：2095-1302（2017）02-00-03

0 引 言

随着研究技术的不断深入及数字化和虚拟仪器的快速发展，科技与发展更多的成为时代主旋律。在这个信息化时代，人们的社会活动将主要依靠对各种信息资源的有效利用。为适应社会的进步，满足人们的日常需求，传感器渐渐成形，且越来越多的深入到现代科技和生活中。

传感器是指对系统特性和性能指标起决定作用的一种仪器。如果把计算机比喻为处理和识别信息的“大脑”，把通信系统比喻为传递信息的“神经系统”，那么传感器就是感知和获取信息的“感觉器官”。传感器能够感受或响应规定的被测量并按照一定的规律转换为某种可用输出信号的器件和装置，通常由敏感元件和转换元件组成[1]。它是人们获取自然领域中信息的主要途径与工具，是现代科学的中枢神经系统，是信息系统的源头，是现代科技的前沿技术，发展迅猛。传感器技术同计算机技术与通信技术一起被称为信息技术的三大支柱，许多国家已将其与通信技术和计算机技术放置于同等重要的位置。

现代传感器技术具有巨大的应用潜力，广泛的开发空间和广阔的发展前景。从最初的传统传感器逐渐发展为现在的智能传感器。智能传感器系统的实现是在传感器技术、计算机技术、信号处理、网络控制等技术的基础上发展起来的，并随这些技术的发展而发展。为了更大程度发挥传感器的性能，并提高传感器的精度，将多种传感器与回归方法、人工神经网络等计算智能方法和数据融合等信息处理方法相结合，广泛应用于越来越复杂的检测中，同时还实现了自校准等功能。

1 传感器技术的发展

传感器技术诞生于20世纪中期，与当时的计算机技术和数字控制技术相比，传感技术的发展呈落后趋势，不少先进成果仍停留在实验研究阶段，并没有投入到实际生产与应用中。然而，随着各国相关信息化产业的迅猛发展，以日本和欧美等国家地区为代表的传感器研发及其相关技术产业的发展已在国际市场中逐步占据了较为重要的地位[2]。

我国早在20世纪60年代开始涉足传感器制造业，由于技术基础薄弱，研发水平不高，大多引用国外的芯片进行改造和加工，自主研发的产品较少。经过从“六五”到“九五”的国家攻关，我国在传感器研究开发、设计、制造、可靠性改进等方面获得较为明显的进步，初步建立了传感器研究、开发、生产和应用的综合体系。

一个传统的传感器测量一个物理、生物或者化学参数，例如位移、加速度、压力、温度、湿度、氧气或一氧化碳含量可将其转换成一个电压或电流信号[3]。传统意义上的传感器的技术发展趋势主要有以下两方面：

（1）传感器本身的基础研究，即研究新型传感器；

（2）和电子技术、计算机技术及通信技术组合在一起的传感器系统的研究，即将新材料、新工艺与多种技术相结合，并向集成化、智能化及网络化方向发展。

2 智能传感器概述

2.1 智能传感器定义

智能传感器在本质上应定义为基于人工智能理论，利用微处理器实现智能处理功能的传感器[4]。它不仅可以对信号进行检测、分析、处理，也在一定程度上具备了人类的记忆、思维、交流能力，它集传统传感器与微处理器于一体并赋予其智能化功能。所谓的智能包括三个层次，即生物智能、人工智能和计算机智能。

（1）生物智能由人脑的物理化学过程体现出来，其物质基础是有机物；

（2）人工智能则是非生物的，基础是人类的知识和传感器测量得到的数据；

（3）计算智能是由计算机软件和现代数学计算方法实现的，其基础是数值方法和传感器测量得到的数据。

2.2 智能传感器的优点与功能

相比传统传感器，智能传感器主要有以下基本功能：

（1）具有自校准和故障自诊断功能；

（2）具有数据存储、逻辑判断和信息处理功能；

（3）具有组态功能，使用灵活；

（4）具有双向通信和标准化数字输出功能；

（5）人—机对话功能。

智能传感器具有灵敏度和测量精度高、量程宽、可靠性与稳定性高、信噪比与分辨率高、自适应性强、性价比高等优点，已被广泛应用于航天、国防、科技、生产等各领域中。

2.3 智能算法及其在智能传感器中的应用

某些传感器的特性可以预先用数学模型表示，但很多传感器特性却无法明确表达。在这种情况下，与其通过经验对电路网络作复杂的调整，不如对传感器特性作数学描述。就目前研究而言，基于计算智能方法的智能信息处理主要包括回归方法、人工神经网络、进化计算、模糊逻辑等计算智能方法和小波分析、数据融合等信息处理方法。各种智能算法具有以下共同特点：

（1）具有不确定性，因为大多考虑了随机因素，不少计算过程实际是在计算机上做随机过程的模拟；

（2）大多具有自适应机制的动力体系或随机动力体系，有时在计算过程中体系结构还在进行不断的调整；

（3）不具有特殊性，针对通用的一般目标而设计；

（4）不少算法在低维或简单的情况下显得“笨”，但到了高维复杂情形中就具有很强的适应性[5]。

高敏[6]等建立了二位回归方程，应用回归分析设计了硬件系统，实现了对电流传感器的实时温度补偿。史丽萍[7]等利用最小二乘法和切比雪夫不等式对传感器数据进行回归分析，得出了這两种方法误差较小且分布均匀，可被应用于传感器测试的结论。赵敏[8]等在设定温度下对传感器进行数据输入，并标定输出数据，采用神经网络算法对输出数据进行分析，得出了神经网络算法可对标定的温度数据和非标定的数据进行处理的结论。郝云芳[9]等运用遗传算法对传感器自校正方程中的待定常数进行计算，可准确反映出传感器的设计和实际信息的测定要求。陈华根[10]等对模拟退火算法的定位原理和定位应用进行了分析，得出模拟退火算法可以较好地应用于GPS定位的结论。

2.3.1 回归分析法

回归分析是以概率论与数理统计为基础，主要对随机现象统计资料进行分析和推断，用来确定两种或两种以上变量间相互依赖的定量关系，是数理统计中常用的方法之一。按照设计自变量的多少，可以分为一元回归和多元回归分析；按照自变量和因变量之间的关系类型，可以分为线性回归分析和非线性回归分析。

在一元线性回归中，假定因变量y是随机变量，自变量x是可以精确观察或严格控制的一般变量，建立回归方程y=β0+β1x+ε，其中β0、β1为回归系数，ε为随机变量，也称为剩余误差。一元线性回归问题的主要问题是依据（x，y）的n组观测数据（xi，yi）（i=1，2，…，n）给出回归系数β0、β1的估计值b0、b1，同时对β1做统计检验，以便指出这些估计的可靠程度，并在此基础上进行预测与控制等。

多元线性回归分析主要有以下几个主要步骤：

（1）根据研究的目的和内容确定被解释变量和解释变量，正确选择分析变量是得出正确结论的前提和基础；

（2）模型的设定，模型设定根据研究的对象与相应的理论加以确定；

（3）参数估计；

（4）模型的检验和修正；

（5）模型的运用。

回归分析方法可以与智能传感器数学模型结合使用，以传感器测得的输入值或输出值作为拟合多项式的自变量，通过建立包括待消除的非目标参量在内的函数解析式，来消除非目标参量对传感器的影响，这样就可对数据进行需要的处理，实现非线性补偿[11]。高敏等[6]在测温系统中，用温度传感器对霍尔电流传感器的工作温度进行实时监测，用二维回归分析法建立起被测电流、霍尔电流传感器输出电压和其工作温度三者之间的函数关系，并存储于单片机中，结合外围电路实现对该电流传感器的实时补偿，构成一个具有温度补偿功能的电流传感测试系统，在一定程度上提高了传感器的测量精度和自适应能力。同时，在一个受限的测试系统中，与其对电路网络做复杂的调整，不如对传感器特性做数学描述，如回归分析等[7]。

2.3.2 人工神经网络

人工神经网络起源于生物学上的重大发现，是由简单的处理单元（神经元）大量并行分布而组成的处理机。它使用大量神经元处理信息，而神经元按层次结构的形式组织，每层神经元以加权的方式与其它层神经元联接，采用并行结构和并行处理机制，因而网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射，具有多种典型的人工神经网络拓扑结构。在BP神经网络中，信息是前向传播的，而误差是反向传播的，即误差的调整过程是从最后的输出层依次向之前各层逐渐进行。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求，故近年来得到了较快的发展和一定应用[8，12]。

BP神经网络被用于传感器技术中，对多传感器数据进行融合，在一定程度上提高了传感器的稳定性和准确性[13]。有时为了满足不同的测量需要，也提出了多种改进基于BP 神经网络的校正方法。例如用于检测瓦斯浓度的瓦斯传感器，其输入与输出之间存在着较严重的非线性，实际应用中一般采用分段线性化校正的方法，这在一些检测精度要求较高的场合中往往达不到实际需求，因此必须进行高精度的线性化校正。刘刚[14]提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法，利用神经网络良好的非线性映射能力，通过实验数据训练神经网络，使网络逐步调节层间的连接权，逼近反非线性函数，利用该函数传感器可实现按非线性特性输出系统的被测量值。在位移传感系统中，为了提高精度与稳定性，有效抑制温度漂移，可以把位移传感器的输出与温度传感器的输出进行数据融合。朱海梅[15]提出一种基于RBF网络（径向基函数神经网络）的多传感器数据融合方法，把位移传感器和温度传感器的输出送入融合中心，通过RBF网络的学习训练，得到稳定的位移输出。

2.3.3 遗传算法

遗传算法是一种概率性自适应迭代寻优过程。它从某一随机产生的或是特定的初始群体（父体）出发，按照一定的操作规则，如选择、交叉、变异等，不断进行迭代计算，并根据不同个体的适应度保留优良淘汰次品，即便所定义的适应值函数是不连续的、非规则的，也能引导搜索过程向最优解逼近。

目前，最小二乘法作为一种较为成熟的软件校正，为了克服它得不到全局最优解且有可能造成矩阵方程出现病态而破坏其方法有效性的特点[16]，郝云芳等[9]把遗传算法应用于拟合传感器的特性方程，求解智能传感器自校正系统中的待定常数值，它可以很好地解决当噪音存在时，传统自校正系统求解过程中方程遇到矩阵的病态问题，从而实现传感器特性的线性化。对于输入输出关系是本质非线性的传感器，沈毅等[17]提出了一种基于人工神经网络的纸浆浓度传感器非线性估计和动态标定方法，钱光耀等[18]采用混合遗传算法模型拟合其输出特性，这些均表明，当环境条件发生变化时，只要测量几组数据对，该方法可自动重新训练网络，获得新的多项式系数，实现浓度传感器的非线性估计和在线动态标定。

在理想情况下，多传感器、多目标静态数据关联选用遗传算法也是可行的，很有应用前景。王宁等[19]采用多传感器对数目未知的目标进行检测，并通过遗传算法来解决静态数据关联问题，且关联成功率较高。因此，遗传算法是一种能在复杂空间中进行鲁棒搜索的方法，可以解决许多传统优化方法难以解决的问题。

2.3.4 模拟退火算法

模拟退火算法是模拟物理热力学中固体退火原理的一种全局优化算法。在对固体退火过程研究的启示下，以组合优化问题和固体退火过程之间存在的相似性为基础，把Metropolis接受準则引入优化过程中，通过恰当控制被称为温度参数的下降过程实现模拟退火，从而得到全局的近似最优解，该算法适用于解大型组合优化问题的技术。

模拟退火的实质是进行两次循环运算，内循环是在同一温度下的多次扰动产生不同模型状态，并按照Metropolis概率接受准则接收新模型，因此内循环以模型扰动次数控制。外循环包括温度下降的模拟退火、算法迭代次数的递增和算法停止的条件，因此外循环基本是由迭代次数控制的[10]。

模拟退火算法的应用广泛，而无线传感器网络在国防、环境监测、空间探索、医疗卫生、精细农业、交通管理、制造业、反恐抗灾等领域具有广阔的应用前景[20]。有学者巧妙地将二者结合使用，取得了良好的效果。李玉增等[21]提出一种新的无线传感器网络节点定位算法，并通过仿真验证了该算法具有良好的效果。赵仕俊等[22]在对无线传感器网络定位的基础上采用模拟退火算法作为后期优化，提高了定位精度，且设计简单、计算量小，适用性较好。在压力传感器的测控系统中，为了消除非目标参量对压力传感器输入—输出特性的影响，樊晓宇等[23]采用遗传模拟退火算法对压力传感器非线性特性进行了改善，实现了智能抑制干扰和温度补偿，因此其可靠性好、测量精度高。

3 结 语

智能传感器已广泛应用于电子产品加工、精密仪器制造、高科技产品生产等行业，例如机器人的研发就与高科技传感器密不可分，智能传感器可以收集周围环境信息并发送指令给机器人，从而控制它的活动；在工业生产领域，智能传感器可控制商品的各类指标，以提高产品质量；在医学领域，传感器已被应用于各类医学仪器中，用以测量人体血液、内脏、骨骼、神经等各方面的指标，为医生确诊提供依据，使广大患者受益，提高人们的健康水平；在日常生活中，各种由智能传感器制造的先进家用电器不断问世，更加方便了人们的生活。当代智能传感器技术正在向着虚拟化、网络化、信息化方面发展，并与计算机技术和芯片技术紧密结合，应用于各个方面，目前研发适用于各种特殊条件下的智能传感器将仍是学术界一项重要的任务。

参考文献

[1]孙宝元，杨宝清.传感器及其应用手册[M].北京：机械工业出版社，2004：307-374.

[2]李建壮，杨彦涛.传感器技术的应用与发展趋势展望[J].中国科技信息，2011 （17）：120，126.

[3] Lee K. Sensor Networking and Interface Stardardization [C].In：Proceedings of the Instrumentation and Measurement Conference （IMTC） 2001，Budapest，Hungary，May 21-23，2001：147-152.

[4]孙圣和.现代传感器发展方向[J].电子测量与仪器学报，2009，23 （1）：1-10.

[5]何金田，刘晓文.智能传感器原理，设计与应用[M].北京：电子工业出版社，2012.

[6]高敏，卢文科，孙仁涛.基于二维回归分析法的霍尔电流传感器温度补偿[J].电子测量与仪器学报，2009，23（2）：100-104.

[7]史丽萍，孙宝元，于浩洋.多项式回归分析在传感器测试中的应用[J].河北工业大学学报，2003，32（3）：41-44.

[8]赵敏，潘卫明，杨灿军.基于神经网络的数据融合技术在谐振式密度传感器中的运用[J].传感技术学报， 2000，13（3）：187-192.

[9]郝云芳，冯晓明，黄天禄.遗传算法在传感器非线性自校正中的应用[J].传感器技术，2003，22（6）：56-57，61.

[10]陳华根，李丽华，许惠平.模拟退火定位算法研究[J].同济大学学报（自然科学版），2005，33（9）：1240-1243.

[11]杜西亮，孙慧明.多项式回归在智能传感器线性化中的应用[J].传感技术学报，2005，18（1）：212-214.

[12]蔡兵.基于神经网络的半导体压力传感器数据融合技术[J].湖北文理学院学报，2002，23（2）： 16-18.

[13]张荷芳，薛静云.压力传感器温度补偿的BP神经网络算法[J].西安工业大学学报，2013，33（2）：163-167.

[14]刘刚.基于改进型BP神经网络的瓦斯传感器的非线性校正[J].电气自动化，2007，29（3）：61-63.

[15]朱海梅.神经网络数据融合在位移传感系统中的应用[J].南京师范大学学报（工程技术版），2006，6（1）：28-32.

[16]陈国良.遗传算法及应用[M].北京：国防工业出版社，1995：12-30.

[17]沈毅，张建秋，王世忠，等.纸浆浓度传感器非线性估计和动态标定的一种新方法[J].仪器仪表学报，1997，18（1）：1-6，13.

[18]钱光耀，赵光兴，韩华明.基于混合遗传算法的浓度传感器的非线性估计和动态标定[J].中国仪器仪表，2006 （9）：44-47.

[19]王宁，郭立，金大胜，等.遗传算法在多传感器多目标静态数据关联中的应用[J].数据采集与处理，1999，14（1）：18-21.

[20] Akyildiz LF， Su WL， Sankarasubramaniam Y， et al.A survey on sensor networks[J].IEEE Communications Magazine， 2002，40（8）： 102-114.

[21]李玉增，张雪凡，施惠昌，等.模拟退火算法在无线传感器网络定位中的应用[J].通信技术，2009，42（1）：211-213.

[22]赵仕俊，孙美玲，唐懿芳.基于遗传模拟退火算法的无线传感器网络定位算法[J].计算机应用与软件，2009，26（10）：189-192.

[23]樊晓宇，王玉宝，卢国伟，等.基于遗传模拟退火算法的压力传感器温度补偿系统[J].传感技术学报，2008，21（9）：1532-1535.