基于神经网络技术的虚拟传感器温度补偿系统

式中，为第m个样本神经网络的输入、输出归一化值；Xim和Om为第m个样本的输入输出标定值，本文中i=1，2；Ximax和Ximin为第i个传感器输出最大、最小标定值。
1．3 神经网络的结构与训练
BP神经网络结构：

基于该系统采用3层BP神经网络，输入层i=1，2，共有2个节点，分别输入压阻传感器和温度传感器的输出电压值Up和Ut。隐层节点数j=1，2，…，l可在3～30范围内选择，视补偿效果而定。输出层节点k=1，为一个节点，表示输出压力值Pt。

温度补偿系统BP神经网络Ot和分别为归一化的网络输出的计算值与标定值；m为样本序号；M为样本总数；训练的样本数越多，网络的计算结果Ot的偏差越小。根据标定实验提供的学习样本，采用BP算法学习修正网络的权值和阈值，直到满足精度要求为止。训练后的神经网络仍不能使用，必须使用附加样本进行性能验证，如不能满足要求，就需要重新训练网络，所以神经网络的训练是一个反复的过程。
1．4 学习算法的图形化编程
在LabVIEW中要实现神经网络，可通过多种方式实现：利用CIN节点调用外部编译好的C或者C++程序；利用MATLAB Script节点编辑或调用MATLAB程序；利用LabVIEW本身的图形编程语言编程实现。
同上述两种方法相比，用LabVIEW本身的图形语言来编程有很多的优势。LabVIEW的G程序是独立于运行平台的，不需要依赖其他软件。而且作为一种图形化的、数据驱动的程序语言，LabVIEW可以更方便地实现给定的算法，程序更加清晰明了，修改起来也更加方便。同时利用子程序技术，可以大大提高程序的利用率。基于此，本文采用图形编程的方法来实现神经网络控制。图3为实现BP算法的LabVIEW程序。

2 系统设计与实现
系统使用NI公司的LabVIEW和PCI-MIO-16E-1多功能数据采集卡实现温度补偿系统。在LabVIEW平台下开发出“虚拟传感器参数检测仪”，完成数据的采集与预处理。在此基础上嵌入MATLAB程序进行神经网络运算。
2．1 面板设计
前面板主要由两部分组成：神经网络训练模块和数据保存模块。神经网络训练模块执行压阻传感器的温度补偿；数据保存模块将训练后的相关数据进行保存并写入文件中。
2．2 程序流程图设计
在LabVIEW中，流程图是程序运行的基础。流程图主要完成前面板上各个部分的相应功能，包括执行MATLABScript操作和While Loop操作。