[发明专利]一种应用于电子秤的基于BP神经网络补偿温度增益方法

说明书

本发明公开了一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法包括步骤：101、建立称重传感器温度增益校正的神经网络模型；102、获得网络的学习训练样本数据；103、对样本数据进行预处理；104、对样本数进行网络训练；105、测试网络预测效果；106、将补偿公式写入单片机固件程序内。本发明能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿，不仅使补偿环节的精度达到测量允许误差范围内，而且对于没有训练的温度点具有预测补偿效果。

技术领域

本发明属于电子秤技术领域，特别涉及触摸屏设备的保护装置及方法。

背景技术

在电子秤领域，传感器在实际工作中易受到周围环境因素的影响，例如温度、湿度、振动、电场、磁场等，尤其以温度对传感器的影响最为显著。温度变化会导致传感器额外的输出误差；温度还会使检测电路电子元器件的参数产生相应变化

对于这个问题通常做法是首先将称重传感器放置在特定的温度环境中，放置时间足够长，使其温度分布达到稳态，接着对称重传感器施力，通过改变传感器不同的稳态温度来分析研究称重传感器的非线性、灵敏度、零点输出以及满量程输出等技术指标的温度特性，然后通过在传感器的内部附加相关部件或程序达到温度补偿的目的。

利用硬件方法进行校正时会使电容检测电路复杂、调试麻烦、通用性差、精度有限，同时较多的元器件使得电路响应速度变慢，测量成本增加。

专利申请201710049060.6则公开了一种基于人工神经网络的超宽带低噪声放大器。包括控制电压产生模块和超宽带低噪声放大器模块，超宽带低噪声放大器模块包括由第二NMOS管M3和第二PMOS管M4构成的可变电阻，控制电压产生模块由传感器、数据选择器、输入数据处理单元、人工神经网络和输出数据处理单元组成，利用人工神经网络自身固有的非线性映射能力，使得该网络能够以高精度逼近非线性函数，从而产生对频率呈非线性关系的控制电压并加到第二NMOS管M3和第二PMOS管M4的栅极改变其可变电阻阻值，从而在保证带宽、增益以及优良匹配的条件下最大化的改善电路的噪声数据NF。该专利申请是通过人工神经网络来实现的非现行函数的学习，使得控制电压得以有效控制，如果将人工神经网络的方法应用到电子秤中，能够改善传感器的性能。

发明内容

基于此，因此本发明的首要目地是提供一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿。

本发明的另一个目地在于提供一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法能够使补偿环节的精度达到测量允许误差范围内，且对于没有训练的温度点具有预测补偿效果。

为实现上述目的，本发明的技术方案为：

一种应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于该方法包括如下步骤：

101、建立称重传感器温度增益校正的神经网络模型；

神经网络模型由输入层、隐含层和输出层构成。选取输出电压u作为BP神经网络的输入层单元，此时BP神经网络是一个单输入单输出的网络结构。其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数。为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式。根据梯度下降算法，分别求v、w对E的梯度，可以求得网络输出层与隐含层各节点的权值调整量。

102、获得网络的学习训练样本数据；

所述样本数据，在称重实验时，要采集训练数据的温度下(0°～30°，单位间隔2°)，重力作用(根据高精度电子秤量程范围)使传感器发生形变，进而产生电压变化，利用电压的变化，单片机采集到相应AD值，通过显示电路显示出来得以获得。

103、对样本数据进行预处理；