本发明涉及测量值、控制信号或类似信号的传输系统，特别是影响输入和输出信号之间关系的装置和方法。 现有技术的模拟电路能实时地进行信号波形的特殊非线性变换，但不能实现信号波形的任意非线性变换，现有技术的数字电路能进行信号波形的任意非线性变换，但变换后的信号波形是离散的，实时性差，且信息冗余度大。例如名称为“信号电压到方波波形放大器和变换器”（Signal Voltage-to-Square Wave Amplifier and Converter）的联邦德国专利DE3701411-A，能进行波形的特定非线性变换，但有如下缺点：只能进行特定的非线性变换，不能进行任意非线性变换;线路无通用性。
本发明的目的是提供一种信号波形非线性变换的方法和装置，能实时地进行信号波形的任意非线性变换，线路具有通用性，变换速度在纳秒量级，输出信号波形是连续的。
先对本发明附图作简单说明
图1是本发明多层人工神经网络信号波形非线性变换的方法示意图，图中Vi是输入端，信号经线性放大单元1，不多于三层的人工神经网络2和线性放大单元3，至输出端VO，VO是经任意非线性变换后的信号波形。图中指出了人工神经元4，人工神经网络2中的各人工神经元4之间的连线代表人工神经元之间的连接权值。这种权值连接由图2中的R1至R8来具体实现。
图2是本发明的信号波形非线性变换的方法和装置中的一个非线性人工神经元4的线路示意图。图中示出了人工神经元4是由运算放大器OPO37、反对数放大器AD759、除法器AD534及相应电阻组成。
图3是本发明三层人工神经网络信号波形非线性变换装置的线路图。
图4是本发明地一个实施例的输入输出波形图。图中带小园圈的连线是输入信号波形Vi;带小三角形的连线是期望输出信号波形Vd;带园黑点的连线是实际输出信号波形Vo。
本发明的目的是这样来达到的：
方法是由多层人工神经网络将输入的信号波形（线性或非线性均可）变换成任意形状的连续信号波形（线性或非线性都可），从而实现了信号波形的任意非线性变换。每层人工神经网络由一个到四个人工神经元组成，为提高精度，可增加内层人工神经元的个数。所谓人工神经元是采用电子、光学或生物工程技术，模拟人类大脑神经元功能和结构，制造成的器件。本发明中只涉及采用电子技术的人工神经元。由人工神经元构成的模拟人类神经网络结构和功能的部件，称为人工神经网络。人工神经网络中人工神经元i和人工神经元j之间的连接强度称人工神经网络权值，用符号Wk（i，j）表示，k表示人工神经网络中的层数，i表示本层内神经元排列序数，j表示前一层神经元排列序数。本发明的人工神经元4主要采用S（x）＝a/（1+10-bx（t））的半“S”曲线模式，式中S（x）称为人工神经元的模式函数，亦即人工神经元的输出函数，X（t）是人工神经元的输入函数加权和，X（t）＝[0，2]或[-2，0]，t是时间变量，a、b为常量，由于X（t）不采用[-2，2]范围，可使线路简单一半。
人工神经网络权值的学习变化量Δω由下式训练：
J（3ω/t3）+M（2ω/t2）+P（ω/t）＝-（E/ω），
Δω（t）＝-ε（E/ω）+αΔω（t-1）+βΔω（t-2），
式中，ε＝1/（J+M+P），α＝（2J+M）/（J+M+P），β＝-J/（J+M+P），J、M、P为常量，E为能量，t为时间变量。
由上述方法可从计算机得到信号波形非线性变换的权值模拟结果，根据模拟结果，调整人工神经网络中的权电阻值，从而实现信号波形的非线性变换，权电阻是人工神经网络中人工神经元之间相互连接的一种电阻，权电阻大小决定着人工神经元之间的连接强度。
在所说的权值训练中，输出信号模拟量V＊0＝[0.5+δ，0.99-δ]从而确保输出层人工神经元中的X（t）在[0.2]范围之内，其中δ是实际输出信号与期望输出信号的误差值，即δ＝｜VO-Vd｜。
设非线性系统的输入函数是Vi，输出函数是VO，传递函数是H，则ViH＝VO，本方法还可将非线性系统的传递函数H隐含在人工神经网络系统的权电阻中，从而实现非线性系统中输入函数Vi和输出函数V0之间的转换。这里所说的传递函数是输入输出函数之间关系的函数。VO还可作为后一级非线性系统的输入函数VO，以实现后一级非线性系统控制。
当输入函数Vi是周期性线性（如锯齿波）或非线性（如正弦波）信号波形时，本方法还可产生所需波形的周期信号VO，成为一种产生实时连续非线性信号或线性信号的基准信号的方法。
设系统输入信号是Vi，经本方法，使系统输出信号VO＝f（Vi），将输入输出之间的函数关系f经学习隐含在整个人工神经网络中，从而实现输入/输出智能变换。这种输入/输出智能变换做成装置，可作为智能传感器，或智能光相关器的智能判决部分。
根据本发明方法，可做成一种实时信号波形非线性变换装置，具体由线性放大单元1、人工神经网络2和线性放大单元3串接组成。
记线性放大单元1的输入信号为Vi，输出信号为V＊i;人工神经网络2的输入信号为V＊i，输出信号为V＊0;线性放大单元3的输入信号为V＊0，输出信号为VO，则有
V＊i＝ViRF1/RS1+E·RF1/RE1
式中RF1和RS1、RE1分别为线性放大单元1的反馈电阻、Vi输入电阻和E电位输入电阻。
经人工神经网络2后的输出信号V＊0被规定[0.5，0.99]范围内，再经线性放大单元3后，有：
VO＝V＊0RF3/RS3-F·RF3/RG3
式中RF3、RS3和RG3分别为线性放大单元3的反馈电阻、V＊0输入电阻和F电位输入电阻。
所说的人工神经网络2是采用不多于三层的人工神经网络，第一层有四个人工神经元，第二层也有四个人工神经元，第三层有一个人工神经元，共具有二十四对可调权电阻。
人工神经元由运算放大器OPO37、反对数放大器AD759、除法器AD534及相应电阻、开关组成。人工神经元采用S（x）＝a/（1+10-bx）的半“S”曲线模式，式中S（x）函数为人工神经元的模式函数，X（t）为人工神经元的输入函数之加权和，a、b为常数，每个人工神经元对应正负输入有二组权电阻，每组权电阻的个数为一到四个。当X（t）＝[0，2]时采用AD759N，当X（t）＝[-2，0]时，采用AD759P。
所说的人工神经元的运算放大器OPO37具有正负二级输入，在其负输入端并接有一到四个可调权电阻R1、R2、R3、R4和电阻RD4，RD4的另一端经开关后接地，R1、R2、R3、R4的另一端分别接输入信号Vi1、Vi2、Vi3、Vi4在其正输入端并接有一到四个可调权电阻R5、R6、R7、R8和电阻R＊D4、RA4，电阻R＊D4的另一端经开关后接地，RA4的另一端接A电位，R5、R6、R7、R8的另一端分别接输入信号Vi5、Vi6、Vi7、Vi8;在OPO37的负输端和输出脚之间接有反馈电阻Rf4。
记运算放大器OPO37的输出脚的信号为VO3，则VO3＝K8Vi8+K7Vi7+K6Vi6+K5Vi5-K4Vi4-K3Vi3-K2Vi2-KiVi1+A，其中Kj＝Rf4/Rj。
所说的反对数放大器AD759，其输入脚接受OPO37的信号VO3。其正负电源脚之间并接电阻RO4。正电源脚经一个开关后与输入脚相接。其输入脚与输出脚之间接电阻Rk4，其输出脚与第5脚之间接有电阻RE4，第5脚经一个开关，串接电阻Rs4后接至B信号公共端。
记反对数放大器AD759的输出信号为VD2则VD2＝Eref·10-VO3/K+ESO式中指数比例因子K＝1，偏调电压Eso＝0，参考比例放大电压Eerf可调，由RE4值决定。
所说的除法器AD534，其第10脚输入接受反对数放大器AD759的信号VD2，第1脚接C电位，第3脚接地，第4脚接第8脚，第5脚接负电源-15伏，第9脚接正电源+15伏，第7脚接地，第6脚接D电位，由第8脚输出信号。
记除法器AD534的输出信号为VO1，则VO1＝1/（1+10-VO3）＝1/（1+VO2）输出层人工神经元的VO1在[0.5，0.99]范围内。
本发明的发明人举个实例，参见图3和图4，采用三层人工神经网络，第一层有四个人工神经元，第二层也有四个人工神经元，第三层有一个人工神经元，共有九个人工神经元。具有二十四对阻值可调的权电阻。输入信号是正弦波Vi＝1/4Sin（π/2+tπ）+0.25。期望输出信号Vd= 1/23 .5Σi = 110(t, i/10) + 0.47]]>，式中P(t,σ ) = 1/2πσ ) ·e－ x2( t ) / 2 σ2]]>，σ＝i/10。由输入信号Vi和期望输出信号Vd，计算机根据Δω（t）＝-ε（E/ω）+αΔω（t-1）+βΔω（t-2）式学习权值ωk（i，j），因人工神经网络权值可正或可负，在具体决定了权值后实际上每对可调权电阻中只用了其中的一个，所以只有二十四个权电阻。设反馈电阻Rf取40k，其权值和权电阻值由表1列出。将表1中权电阻值存入人工神经网络2中，得输入信号Vi，期望输出信号Vd和实际输出信号VD，其值由表2列出，并在图4中示出了输入/输出波形。这样，实现了从输入信号Vi＝1/4Sin（π/2+tπ）+0.25到输出信号Vd= 1/23.5Σi = 110P(t,i /10) + 0.47]]>的非线性变换，其实际输出信号与期望输出信号的平均误差为2.13098%。
表1、权值与权电阻值
符号 权值 权电阻值
W3（1，1） 1.37968 28.992230K
W3（1，2） 14.08718 2.839461K
W3（1，3） 1.60644 24.899778K
W3（1，4） -1.61939 24.700658K
W2（1，1） -0.25110 159.299080K
W2（2，1） -17.86206 2.239383K
W2（3，1） -0.49698 80.486136K
W2（4，1） 0.90130 44.380339K
W2（1，2） -0.54923 72.829233K
W2（2，2） -17.97133 2.225767K
W2（3，2） -0.45363 88.177589K
W2（4，2） 1.39097 28.756910K
W2（1，3） 0.12377 323.180090K
W2（2，3） 3.95906 10.103408K
W2（3，3） -0.27392 146.028030K
W2（4，3） 1.19462 33.483450K
W2（1，4） 0.81283 49.210782K
W2（2，4） 3.97930 10.052019K
W2（3，4） 0.57082 70.074629K
W2（4，4） 0.30095 132.912440K
W1（1，1） -1.13253 35.319152K
W1（2，1） -1.24973 32.006913K
W1（3，1） 1.16594 34.307082K
W1（4，1） 0.92761 43.121570K
Rf＝40K
表2、输入输出数据
相对时间 输入信号 期望输出信号 实际输出信号
T Vi Vd Vo
0.000 0.500 0.967 0.954
0.100 0.488 0.885 0.897
0.200 0.452 0.764 0.754
0.300 0.397 0.695 0.689
0.400 0.327 0.650 0.660
0.500 0.250 0.615 0.628
0.600 0.173 0.588 0.595
0.700 0.103 0.567 0.563
0.800 0.048 0.549 0.537
0.900 0.012 0.534 0.521
1.000 0.000 0.522 0.515
平均误差＝2.13098%
本发明有如下积极效果：
1、本发明方法及装置可实现信号波形的任意非线性变换，信号波形的非线性变换由人工神经网络根据输出信号要求，由输入信号经训练权值实现。
2、本发明实现信号波形的任意非线性变换的速度快，可达纳秒量级，这是由于信号相乘效应由信号通过权电阻实现和变换函数已先经计算机模拟、隐含在整个人工神经网络中的缘故。
3、本发明的线路具有通用性，只要训练不同的权电阻，就可实现信号波形的不同非线性变换。
4、本发明的人工神经元便于集成化。