目前传感器存在因温漂而导致稳定性差 、测量精度低的问题，表现为传感器的输出值不仅仅决定于标称的目标参量——压力。当压力恒定时，环境温度——非目标参量变化时，其输出值也随之变化。为增强其在环境温度变化条件下的稳定性，我们采用了多传感器数据融合的智能化技术。在传感器模块上增加一个温度传感器，用来监测非目标参量——环境温度，由测量目标参量的传感器与测量非目标参量的温度传感器的输出数据，经计算机信息融合处理后，可大大消除环境温度变化的影响，从而使压力传感器系统获得高稳定性与测量精度。

人工神经网络

人工神经网络（Artificial Neuron Networks），缩写为ANN，是由大量的处理单元组成的非线性大规模自适应动力系统。它是在现代神经生理科学研究成果的基础上提出来的，是人们试图通过模拟大脑神经网络处理、记忆信息的方式设计一种使之具有人脑那样的信息处理能力的新“机器”。目前神经网络广泛应用于传感器信息处理 、信号处理 、自动控制 、计量检测 、运输与通信等领域。

反向传播神经网络

反向传播网络是一种多层前馈网络，它是人工神经网络的重要一类 。该网络的监督学习采用误差反向传播算法。反向传播网络自出现以来 ，一直是神经网络中最为流行的神经计算模型，得到了极其广泛的应用。反向传播学习算法简称 BP 算法 (Back Propagation，BP)，采用BP算法的前馈型神经网络简称BP网络。作为一种前馈型神经网络模型，BP网络与多层感知器没有什么区别。但是，有了BP算法，BP网络便有了强大的计算能力，可表达各种复杂映射。

BP神经网络通常有一个或多个隐层。在实际应用中，用得最多的还是三层 BP 神经网络 。简单的三层BP 网络模型。网络的输入层包含 i(i=3 )个节点，隐层包含 j(j=4 )个节点，输 出层有k(k=2 )个节点 。连接权值w (j，i)表示输入层第 i个节点与隐层的第 i个节点的连接权值，共有4~3个权值。v(k，i)表示隐层第j个节点与输出层第k个节点的连接权值，共有2~4个连接权值。

压力传感器的工作原理

经典压力传感器的输入一输出特性大都存在非线性，且易受工作环境温度影响，其零点 、灵敏度均随工作环境温度的改变而变化。其表现是被测的目标参量为零，或保持恒定值时，改变工作环境的温度T，则传感器的零点或输出电压值均发生变化。这将给测量目标参量带来误差。因此为了消除因温度带来的测量误差，需要对传感器进行温度补偿。

对传感器进行温度补偿要引入温度监测传感器。具有温度自补偿的压力测试系统。温度补偿器功能的实现与设计原理，也是两个传感器数据融合的实现。故温度补偿软件模块也即为一数据融合系统。