基于数据融合技术的智能压力传感器研究

　　式中：xi为节点接受的信息;wij为相关连接权重;y为节点输出;θ为阈值;n为节点数。如上所述，建立一个三层BP神经网络模型，把实验标定的样本数据输入网络进行学习训练后，再进行交叉敏感的消除，从而达到数据融合的目的。

　　由以上的讨论可以看出，多维回归算法和BP神经网络算法均能有效达到温度补偿的效果。前者算法简单，容易理解，但是数据融合能力有限，补偿程度不如后者;后者数据融合能力强，补偿效果明显，但是算法较难理解，软件编程工作量大。在本设计中，多维回归融合算法可以满足要求，并且软件编程工作量小，所以本文采用多维回归算法补偿温度对压力传感器的影响。

　　3 智能压力传感器数据融合的应用

　　3.1 温度敏感元件的标定

　　对传感器进行静态标定，标定系统由YJF型浮球式标准压力计、HT-1714C直流稳压电源、34401 A型数字万用表、奔腾4PC机和自制的控温系统组成。在此分别对传感器在27℃，37 ℃，47 ℃，57℃，67℃的温度条件下做了静态标定，如表1所示。

　　从以上计算所得的结果可以看出，补偿结果都有提高，说明本文的设计方案是可行的。

　　3.2.3 误差分析

　　误差来源主要有3个方面：

　　(1)压力实验时用浮球式压力计存在压力误差，因为加压时要用肉眼观察压力基准，由此产生误差;

　　(2)压力、温度结果计算拟合参数时有计算误差，此误差很小;

　　(3)采集数据误差，放大器对压力传感器输出数据的放大和进行A/D转换都会产生误差。