【技术实现步骤摘要】
一种分段式神经网络压力传感器压力检测方法及系统
本专利技术涉及一种分段式神经网络压力传感器压力检测方法及系统，属于传感器
技术介绍
随着万物互联时代的到来，人类开始大规模使用各类传感器感知外界变化来实现信息化和智能化。压力识别作为万物互联的核心，在物联网中发挥极其重要的作用。在智能机器人中，压力识别是实现其精准完成各种交互任务的关键。在智能化汽车中，压力识别是其胎压检测等关键功能的核心。压力识别也广泛应用于智能医疗、生物测量等领域。压力识别是指对于任意的压力施加在压力传感器上，通过压力传感器的输出识别出具体施加的压力值。当压力施加在压阻式压力传感器上时，传感器中应变材料的电阻会因其压阻效应而发生变化，并且其电阻变化与所施加的压力大小有关。随着压力传感器研究的深入，越来越多具有高检测灵敏度、大检测范围、强稳定性的优异压力传感器被提出。但是，这些压力传感器的输入输出关系呈非线性，实际使用中难以读取外界压力值，导致其可读性和实用性极差。虽然，各式各样性能优异的压力传感器被提出，但是由于其输出可读性较差，难以应用于...
【技术保护点】
1.一种分段式神经网络压力传感器压力检测方法，其特征在于，包括：/n获取基于施加于压阻式压力传感器的压力的应变材料的电阻变化数据；/n将所述电阻变化数据输入到预先确定的基于遗传算法优化的分段式神经网络模型，输出精确的压力数据；/n所述基于遗传算法优化的分段式神经网络模型的确定过程包括：/n根据压阻式压力传感器的压力识别大小范围，从压力识别大小范围中点处，依次分为低段压力识别范围和高段压力识别范围，并对低段压力识别范围和高段压力识别范围分别设置对应的低段BP神经网络和高段BP神经网络，分别用于识别压阻式压力传感器低段压力识别范围的压力数据和高段压力识别范围的压力数据；/n获取...
【技术特征摘要】
1.一种分段式神经网络压力传感器压力检测方法，其特征在于，包括：
获取基于施加于压阻式压力传感器的压力的应变材料的电阻变化数据；
将所述电阻变化数据输入到预先确定的基于遗传算法优化的分段式神经网络模型，输出精确的压力数据；
所述基于遗传算法优化的分段式神经网络模型的确定过程包括：
根据压阻式压力传感器的压力识别大小范围，从压力识别大小范围中点处，依次分为低段压力识别范围和高段压力识别范围，并对低段压力识别范围和高段压力识别范围分别设置对应的低段BP神经网络和高段BP神经网络，分别用于识别压阻式压力传感器低段压力识别范围的压力数据和高段压力识别范围的压力数据；
获取训练函数；
获取预先确定的低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量；
利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定最优BP神经网络模型。
2.根据权利要求1所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述训练函数为贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法中的一种。
3.根据权利要求2所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述训练函数的确定过程包括：
获取待测类型的压阻式压力传感器的样本数据，将样本数据分为训练集、验证集和测试集；
获取不同的训练函数，包括贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法；
根据训练集和各个训练函数对神经网络进行训练，综合考虑迭代次数和误差，来确定最终的训练函数。
4.根据权利要求1所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量的确定过程包括：
对不同数量隐含层下的BP神经网络循环训练若干次；
根据循环训练处理的结果，以误差最小为原则，分别确定低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量。
5.根据权利要求书1所述一种分段式神经网络压力传感器压力检测系统，其特征在于，所述最优BP神经网络模型还包括最佳遗传代数的确定，其过程包括：
在不同遗传代数下利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定具有最佳隐含层数的最优BP神经网络模型。
6.一种分段式...
【专利技术属性】
技术研发人员：李方清，方书行，任远哲，秦辰彬，邓丽城，王德波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。