式中：xi為節點接受的信息;wij為相關連接權重;y為節點輸出;θ為閾值;n為節點數。如上所述，建立一個三層BP神經網絡模型，把實驗標定的樣本數據輸入網絡進行學習訓練后，再進行交叉敏感的消除，從而達到數據融合的目的。

　　由以上的討論可以看出，多維回歸算法和BP神經網絡算法均能有效達到溫度補償的效果。前者算法簡單，容易理解，但是數據融合能力有限，補償程度不如后者;后者數據融合能力強，補償效果明顯，但是算法較難理解，軟件編程工作量大。在本設計中，多維回歸融合算法可以滿足要求，并且軟件編程工作量小，所以本文采用多維回歸算法補償溫度對壓力傳感器的影響。

　　3 智能壓力傳感器數據融合的應用

　　3.1 溫度敏感元件的標定

　　對傳感器進行靜態標定，標定系統由YJF型浮球式標準壓力計、HT-1714C直流穩壓電源、34401 A型數字萬用表、奔騰4PC機和自制的控溫系統組成。在此分別對傳感器在27℃，37 ℃，47 ℃，57℃，67℃的溫度條件下做了靜態標定，如表1所示。

　　從以上計算所得的結果可以看出，補償結果都有提高，說明本文的設計方案是可行的。

　　3.2.3 誤差分析

　　誤差來源主要有3個方面：

　　(1)壓力實驗時用浮球式壓力計存在壓力誤差，因為加壓時要用肉眼觀察壓力基準，由此產生誤差;

　　(2)壓力、溫度結果計算擬合參數時有計算誤差，此誤差很小;

　　(3)采集數據誤差，放大器對壓力傳感器輸出數據的放大和進行A/D轉換都會產生誤差。