引言

隨著禽畜業的發展，為了有效地控制畜舍廢氣的排放，需要對場內幾種主要的污染氣體的濃度進行檢測。在氣體測量過程中，由于傳感器可能出現故障，使得檢測的數據出現一些偏差和錯誤。本文針對傳感器因故障導致數據失效的問題，設計了一個神經網絡數據恢復器，實現故障傳感器真實數據的恢復，進而采取相應的措施控制廢氣的產生。

1. 基于神經網絡的數據恢復原理

數據恢復基本原理是利用計算機對若干數據進行統計，從而將失去的部分數據估算出來的方法。本文結合神經網絡對傳感器的歷史采樣數據進行訓練，建立合理的神經網絡數據模型，將傳感器的失效數據估算出來。在畜舍的氣體濃度檢測過程中，根據經驗設置采樣數據的上下限，當某一傳感器采樣得到的數據超過這個范圍時，那么該傳感器必然出現了故障。此時將該傳感器在上一采樣時刻的氨氣濃度、相鄰傳感器在該時刻的氨氣濃度、相鄰傳感器在上一時刻的氨氣濃度、環境溫度、相對濕度，風速等數據作為輸入數據，利用BP神經網絡估算出該時刻此傳感器的氨氣濃度替代原來采樣所得數據，從而達到數據恢復的目的。

本文使用了6輸入1輸出的BP神經網絡結構，其隱含層選擇了8個神經元。當傳感器出現故障時，系統就根據傳感器的所在位置和失效數據產生的時刻，將該時刻前一段時間的24組相應的輸入輸出數據對神經網絡進行訓練，調整神經網絡的權值，逐步建立合理的BP神經網絡模型。訓練結束后，用該神經網絡估算出該時刻傳感器的真實值替代采樣值，實現數據恢復。從前饋階段開始，其算法的計算公式分別為：

2. 神經網絡恢復器的設計

2.1 系統整體結構

在本文中，我們使用了線性陣列結構構架硬件神經網絡，實現失效數據的預測。當發生數據失效時，直接讀取該硬件輸出數據替代原有傳感器的數據，從而實現數據恢復的功能。在設計過程中，我們使用了串級結構實現神經網絡功能，其系統結構如圖1所示。其優點是僅通過增減處理單元數目來達到改變整個神經網絡結構的目的，不需要更改同步時序控制電路，同時將系統對數據帶寬的要求最小化。

整個系統由隱含層和輸出層組成，神經網絡輸入層的功能在隱含層內實現。該隱含層由8個處理單元PE組成（PE1至PE8），所有的處理單元串聯在一起，每個PE的兩側提供三個數據總線（chan1，chan2，chan3）以及三個數據有效標志信號（valid1， valid2， valid3）。隱含層中每個PE具有類似于神經網絡中隱含層神經元的作用，執行相同的功能（正向傳播和反傳誤差及權值的調整）。輸出層由PE9 組成，基本結構與隱含層PE類似，實現輸出層功能。

系統運行過程分為三個階段，配置階段，前饋階段和反傳更新階段。在配置階段主要是初始化查找表和每個PE中臨時存放數據的寄存器，同時將初始的權值讀入各自的權值存儲器中。當配置結束后，進入前饋階段。

在前饋階段，系統將隱含層的PE1左側valid1置1，PE1從左側依次接收一組數據中的每一個輸入數據。PE1在接受數據后即開始進行內部運算，并依次將接收的輸入數據從chan1總線輸出。當PE1的chan1有數據輸出時，系統將PE1右側的valid1置1，并把該值傳遞到PE2左側的valid1。當PE2左側valid1為1時，PE2開始接收PE1 的數據。與此類似，系統依次啟動PE3至PE8 ，將輸入數據傳輸到整個隱含層里。當一組輸入數據輸入結束時，PE1將開始接收下一組輸入數據，并將此時的運算結果由chan2輸出到下一個PE，此結果就是該組數據對一個隱含層神經元的激活結果。Chan2數據的傳輸過程與chan1一樣。當PE8開始輸出運算結果時，本設計將該結果由 chan2輸出，并通過三態門連接到chan1總線，進而輸入到輸出層的PE9里（如圖1）。PE9接收到數據后，實現輸出層前饋階段的所有功能。當輸出層PE9輸出完第一組數據時，將PE9右側valid3置1，系統進入反傳更新階段。

當進入反傳更新階段時，系統期望值tj即該時刻氨氣濃度由chan3總線反向輸入到輸出層的PE9。輸出層的PE9接收數據后，通過計算得出自身的權值誤差，進行權值更新，同時通過chan3輸出公式（4）的計算結果δj。隱含層PE8接收到PE9的輸出數據后進行權值誤差計算，更新自身的權值，同時通過chan3數據總線依次將接收的δj依次反向傳播，直至PE1接收到該數據。當PE1完成一組權值更新時，對應的該組數據的神經網絡訓練過程結束。

2.2 基本處理單元的設計

在本設計中，所有的運算都是通過基本處理單元PE實現，處在不同層的PE具有類似的結構，執行不同的功能。每個PE由基本運算單元PEA，查找表LUT，權值寄存器WT及臨時寄存器REG組成。現以結構較復雜的隱含層PE的設計為例，其整體結構如圖2所示，由前饋部分（FORWARD部分）和反傳更新（BACKWARD部分）兩個部分組成。其中PEA1和PEA2為計算單元，LUT1和LUT2為函數激活單元，MUX為數據選擇單元，SHIFT為數據移位單元。

在本設計中，PEA1，PEA2單元主要實現輸入數據與權值的乘積累加功能，由乘法器，累加器組成。計數器的數值為一組輸入數據的個數。為了確保輸入數據與對應的權值相乘，從寄存器里的讀取緩存的輸入數據和權值的過程均由計數器控制。累加器在每次進行累加后，將計數器的數值加1。當計數器復位時，累加器會將累加結果輸出，然后對內部寄存器復位并重新開始累加。由于該單元中輸入數及權值均為8位數，因此我們使用了8*8的布斯編碼乘法器以及16位超前進位加法器和數據累加器。

本設計中的LUT單元為查找表單元，由ROM，移位寄存器，計數器及減法器組成，其中LUT1主要實現激活函數?（Si），LUT2主要實現激活函數?ˊ（Si）。查找表的數據通過C語言編程產生數據文件，其數據的寬度為8位數，該數據文件在配置階段被預存入對應的ROM里查找。本設計為了減小規模，僅選取了S函數曲線第一象限上的16個點的數值作為查找表數據。根據S函數的曲線特點，我們將16個點的坐標分別取X＝2i-1，i=1，2，3…16。此16個點的查找表中對應數值為公式?（s）＝255/（1+е-s/8）的整數部分。在使用查找表時，先根據輸入數據的符號位判斷數據的正負性。若為正，該數值即對應第一象限的點，通過移位計數，求出該輸入對應的i的值，即數據在查找表ROM中的地址值，找到相應的數據；若為負，則為第二象限的點，必須先通過查找表找出該點在第一象限對稱點的數值，然后根據S函數的對稱性公式?（s）＝255-?（–s）。由8位的減法器計算出該點的真實數值。MUX模塊為一個多位數據選擇器，它與臨時寄存器共同實現數據的選擇。臨時寄存器由一個RAM組成，用來存儲不能及時處理的數據。在使用MUX選擇數據時，需先將所有輸出的數據存入臨時寄存器中，然后根據設定好的選擇原則選擇輸出。SHIFT模塊由移位寄存器構成，通過右移一位可以達到乘以一個λ的效果，從而實現神經網絡學習率的控制。

本設計使用了Altera公司的QUARTUSII集成開發軟件設計所有的硬件，選擇了CYCLONE系列的EP1C6Q240C8芯片的開發板進行測試仿真，仿真結果如圖3所示。需要說明的是，在設計中將輸入數據放大了100倍，因此不需要進行浮點操作。Chan1為輸入數據，chan2為隱層輸出數據，chan3為反傳數據，valid為總線有效信號。

3. 實驗測試與結論

本文針對禽畜養殖場廢氣濃度檢測中傳感器的數據失效問題，在FPGA開發板上設計了一個基于BP神經網絡的數據恢復器。該恢復器的最大工作頻率為171.7MHZ，在調試階段，使用了開發板的最高時鐘頻率40MHZ為其工作頻率。為了評估恢復器的性能，我們以氨氣（NH3）濃度檢測過程中某一傳感器的數據處理為例，采集了某畜舍三天的NH3的濃度數據及環境溫度、相對濕度，風速等數據，通過三天采集的72組數據，對第三天的24組采樣數據分別進行估算。實驗結果表明，24組數據測量值與估算值的最大相對誤差為7.83％，最小相對誤差為0.09％，平均相對誤差為3.13％（如圖4所示，曲線為測量值，星號為估算值），證明了該設計基本滿足實際應用的要求。

本文的創新點主要在三個方面：一是在對故障傳感器進行數據預測時，引進了神經網絡，并使用了FPGA硬件對該恢復器進行了實現。二是在設計神經網絡恢復器時，使用了特殊的串級結構，減少了系統對帶寬的要求，增加了該設計的可維護性。三是在實現查找表功能時，使用了函數對稱性，減少了查找表的數據規模。使用了移位寄存器和計數器直接將輸入數據轉化為查找表地址，避免了占Cyclone芯片大量資源的基本數學運算。

責任編輯：gt