2.3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。

 
3 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。

   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。
4 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。