声表面波（SAW）技术是一门新兴热门研究课题之一，国内外已有温度、压力、加速度等传感器的相关报道。SAW压力传感器借助于它无以伦比的性能，诸如：1）数字号输出；2）高灵敏度、高分辨力、抗干扰能力强；3）易于大规模集成。正是由于这些自身的优越性，它有着广泛的应用领域。但美中不足的是SAW压力传感器对环境的要求比较苛刻，SAW振荡器输出频率信号随着压力、温度、磁场等外界因素变化而变化，特别是温度的影响是测量误差的主要来源，为保证SAW压力传感器高准确度和高灵敏度测量，必须进行有效的温度补偿。本文将神经网络和模糊控制技术相结合，对SAW压力传感器进行智能化温度补偿，通过此方法进行的改进，使SAW压力传感器能更好地应用到工程领域。

1 温度补偿方案

    在传统的温度补偿中，例如：硬件补偿和软件补偿2种方法。但存在着补偿电路漂移、局部最优、精度不够等缺点，无法满足SAW压力传感器补偿要求。鉴于此种情况，本文采用了神经模糊控制方法，对SAW压力传感器进行智能温度补偿。

    神经模糊控制是一种用神经网络实现的模糊控制的方法。在形式结构上是用多点网络实现的模糊映射。而神经网络的非线性和可训练性说明它可以实现任何一种映射关系。因此，本文利用神经网络对知识的表达机理，通过学习训练，实现控制规则基记，从而实现模糊输入-模糊输出的映射。神经模糊控制对SAW压力传感器温度-压力补偿模型见图1。

2 实现控制规则的神经网络

    在一般情况下，模糊控制的推理功能是在隶属函数不变的条件下进行的。在实际运用当中是随时间的改变而改变的。为了弥补单一模糊控制技术这种不足，特采用神经网络的学习功能进行隶属度的调节，实现自动调节功能，以适应实际的需要。本文用含一个隐含层的三层前馈神经网络，模型如图2。

    鉴于BP神经网络训练过程需要对所有权值和阀值进行修正，是一种全局逼近神经网络，但训练速度较慢，不适用实时性较强场合，故采取了局部逼近网络——径向基网络。算法训练关系式如下：

    节点输出为

    由于神经网络的神经元个数不确定性，经大量数据的实验验证，本文选取输入层有2个神经元，隐含层有4个神经元。输出层只有1个神经元。采用只有1个隐含层的三层网络对控制基进行学习记忆。把每条控制规则作为神经网络的样本进行训练学习，从而能实现这个规则基的神经网络权系数。

    基于神经网络在推理方面不足，故借助于模糊控制强大的推理功能，提取有效的条件语句，进而加快网络的训练速度。选取偏差E和偏差变化率△E作为输入和控制量U作为输出。偏差E和偏差变化率△E的模糊量分别为大（L），中（M），小（S），创立描述条件推理表格如表1。

    横行元素表示E的模糊量，竖行表示△E的模糊量，两者交叉为控制量U的模糊量。根据表中数据，可知共有3×3种推理语句，采用推理法将条件语句表简化得出以下4条语句：

    if  E=S and △E=S then U=L; 
    if  E=S and △E=M then U=L;
    if  E=M and △E=S then U=L;
    if  E=M and △E=M then U=M;

    将产生贡献的语句选出，可能存在的个数为20，21，…，2n。这样，减少了冗余的推理语句，有利于网络训练速度的快速进行。

3 仿真与应用

    现在矿井下事故频繁发生，用AE声发射预测瓦斯突发是非接触测量一种趋势，由于环境条件限制，用SAW压力传感器作为接收声发射信号的传感器，就必须保证测量信号的高准确性和智能性特点，而用神经模糊控制对温度进行了智能补偿，加上先进的封装技术，可使SAW在实际的瓦斯预测测量中发挥巨大作用。通过实验验证，此种方法可行。在MATLAB6.0环境下进行神经网络的训练和仿真，通过神经网络工具箱，编制相应的仿真训练程序，实现仿真过程。在仿真时，随机选取几组频率-温度作为输入，最后，进行标定压力值和仿真结果的比较。仿真数据结果如表2。

4 结论

    本文提出采用神经迷糊控制技术对SAW压力传感器进行有效的温度补偿，使SAW压力传感器在实际的应用中能更加准确地对被测对象进行压力测量，并且，采用神经网络构成控制器，信息处理采用模糊量的近似推理，将神经网络技术和模控制技术相结合，实现SAW压力传感器温度补偿的智能化，为SAW压力传感器实际应用奠定了基础。

[1]