非线性软件校正原理

一个受多个参量影响的传感器系统可表示为y=f(x，t1，t2，…，tk)，其中，x为待测目标参量，t1，t2，…，tk为k个非目标参量，y为传感器输出。为了消除非目标参量对传感器输出的影响，一般采用逆向建模的方法。实际测量的数据，由于受非目标参量的影响，它与目标参量之间的函数关系不再是线性的。逆向建模的目的是通过非线性映射，把非线性函数关系x=f-1(y，t1，t2，…，tk)向线性函数关系x=y/A逼近。在模型中，测量数据和非目标参量的测量值作为输入，目标参量的线性值作为模型的输出，按照一定的算法原则，不断调整模型的参数，使得模型输出误差在允许的范围之内。

在本系统中，选用模拟温度传感器AD590作为校正目标，数字温度传感器DS18B20测量值作为模型的期望输出，气体传感器TGS813测量值为非目标参量输入。系统采用ALTERA公司CYCLONEⅡ系列的EP2C35F672 FPGA作为核心处理器，采用QUARTUS-Ⅱ自带的SOPC Builder开发包作为算法的调试环境，在FPGA其内部实现测量数据的智能处理。

系统方案实现

传感器调理电路

AD590是美国模拟器件公司生产的单片集成两端感温电流源，流过器件的电流(μA)等于器件所处环境的热力学温度(K)度数，AD590随温度变化输出的是电流信号，需要将其转换为电压信号。由于AD590灵敏度高，受环境的影响大，在使用前需要校正。在本文中，利用神经网络算法对AD590的输出进行了校正。

DS18B20是Dallas半导体公司推出的一线式数字化温度传感器，可以程序设定9～12位的分辨力，精度为±0.5℃。本文采用外接电源模式，12 bit数据输出格式。

TGS813是一种由SnO2材料组成的烧结体半导体气体传感器，属于一种广谱性气敏元件，对多种气体敏感，对不被检测气体不敏感;由于输出电压最高可以达到+9 V，而后级模拟数字转换电路的输入电压不超过+5 V，所以，使用前需要调整分压电阻器的阻值。

模拟数字转换电路

来自传感器的模拟信号，在送入模拟数字转换电路之前，由于器件的输入阻抗比较低，而传感器的输出阻抗较高，不能直接把模拟信号送入模拟数字转换电路。本文采用TLC279构成电压跟随器，实现阻抗变换。考虑到在FPGA实现的算法处理对数据的精度敏感，因此，系统选用了四路模拟量输入的12 bit串行数据输出的TLV2544作为模拟数字转换电路的核心芯片。

TLV2544是TI公司生产的高性能12位低功耗、高速(3.6μs)CMOS模数转换器，具有采样一保持功能，电源电压为2.7～5.5V。TLV2544还具有3个输入端和1个三态输出端，可为最流行的微处理器串行端口(SPI)提供4线接口。器件在上电初始化时首先需要将初始化命令A000h写入CFR配置寄存器，然后，对器件进行编程，其编程方法是在初始化命令A000h的低12位000h写入编程数据以规定器件的工作方式。TLV2544具有4种转换模式：单次模式、重复模式、扫描模式和重复扫描模式，可用模式00.01，10，11表示。图1为TLV2544和单片机AT89C2051的接口电路。该电路采用外部基准，REFP与REFM之间接0.1μF和10μF2只去耦电容器。

图1：TLV2544控制电路

各路信号送入微处理器AT89C2051，经串行口发送给系统板。微处理器的软件设计主要是在接收到SOPC系统控制发送的采集命令(0x41H)，启动TLV2544和DS18B20，将数据转为ASCII码发送。DS18B20和TLV2544都是12bit输出，所以，每次发送9个ASCII码，分别代表3个数据源的转换结果。

[page]
神经网络校正算法

利用BP神经网络实现非线性误差软件校正的文献较多，但主要是基于PC机的仿真实验。单片微处理器由于存储容量和数据总线宽度的限制，网络结构类型和计算精度只能控制在一定范围之内。SOPC在大规模集成电路的基础上，底层电路采用硬件描述语言实现，而软件算法则在SOPC IDE调试环境下采用高级语言，如C语言实现。在本文中，SOPC系统板采用NIOS-Ⅱ软核微处理器，32 bit总线，工作频率为50 MHz，BP神经网络采用动量法，在ALTERA公司提供的SOPC IDE调试环境下完成。算法处理结构如图2所示。
 

图2：神经网络校正算法系统框图

算法测试

本文采用三层前向网络，输入层神经元2个，分别代表温度传感器ADS90和气体传感器TGS813输入信号，DS18B20的测量值作为AD590的期望值，输出层神经元1个，代表AD590的校正值。

本文共采集了70个样本对数据作为神经网络的输入。神经网络的训练采样动量自适应算法，剔除部分不符合要求的样本，58个样本作为训练样本，8个样本作为测试样本。BP神经网络采用C语言编程实现，由于微处理器与PC机相比，在工作频率和总线结构方面还存在很大差距，因此，在计算算法的误差输出时，本文采用的是各个训练样本的绝对误差的累加和，而不是均方根误差，这样，可以避免大量的乘法和开方运算，否则，算法很难收敛。 作为BP神经网络动量法的重要参数，如果学习率参数选择的范围比较窄，那么，网络性能的随机性特点就会非常明显，不利于网络的推广应用。图3是选择不同的学习率时网络输出误差的变化情况。测试条件是动量系数为0.9，增益为1，隐含层节点6个，算法停止迭代的判断条件是输出绝对误差累加和小于0.01。

图4是58对训练样本完成网络训练后的测试结果。由于BP神经网络的性能受隐含层节点个数影响比较大，图中数据是在不同隐含层节点个数的条件下得到的，并与MATLAB软件仿真得到的结果作了比较。网络训练的条件：学习率为0.1，动量系数为0.9，增益为1，SOPC停止迭代的判断条件是输出绝对误差累加和小于0.01，MATLAB停止迭代的判断条件是均方根误差小于0.0001，图中，n代表隐含层节点个数。
 

图3：学习率对网络输出误差的影响

图4：隐含层节点数对网络输出的影响

由于采用的是12 bit的A/D转换芯片，采集数据送入FPGA系统板后，经过归一化处理，数据类型发生变化。与MATLAB仿真软件输出结果保持一致，基于FPGA的神经网络输出取小数点后4位有效数字。由图4可以得出：虽然在个别测试点上基于MATLAB软件仿真结果优于SOPC的输出结果，但在隐含层节点对算法性能的影响程度上，基于SOPC技术的输出受到的影响比较小，稳定性好，这与SOPC技术采用32位字长有很大关系。

结论

基于FPGA的SOPC技术不同于IC芯片设计，它是把已有的模块资源组合成一个系统，系统的功能直接由载体FPGA芯片实现;它又不同于传统的基于单片微处理器的系统设计，因为SOPC系统的微处理器性能和外围接口控制电路都是由用户编程设定的，因此，采用SOPC技术可以节省成本，提高资源利用率，缩短开发周期和便于系统升级等特点。本文采用基于FPGA的SOPC技术研究了传感器非线性软件校正的问题。算法的测试结果证实了方法的可行性。