CN103983332A - 一种基于hgsa-bp算法的传感器误差补偿方法 - Google Patents

Abstract

本发明涉及流量变送器传感器的信号处理和应用技术领域，特别是一种基于HGSA-BP算法的传感器误差补偿方法。该方法设计了一种具有收敛性能好、寻优能力和泛化能力强的混合神经网络模型，即HGSA-BP)算法，并采用HGSA-BP算法对传感器进行误差补偿；根据该算法原理，编制了高精度的流量测量及补偿程序，采用VC++、MATLAB和Access数据库三者的混合编程技术来实现HGSA-BP算法的在线应用；完成了流量变送器传感器的信号调理电路设计，及相应的硬件补偿电路，以初步校正和补偿差压、绝压和温度信号。本发明方法通过仿真调试和实际测试，补偿后的传感器达到较高的测试精度。

Description

一种基于HGSA-BP算法的传感器误差补偿方法

技术领域

本发明涉及流量变送器传感器的信号处理和应用技术领域，特别是一种基于HGSA-BP算法的传感器误差补偿方法。

背景技术

要获得较高测量精度的流量变送器系统，必须要有高精度的传感器配套，而传感器由于受环境及自身特性等影响而存在较大的测量误差，因此传感器的补偿环节设计是流量变送器系统设计与应用的一项重要内容。多年来国内外许多学者先后发表了大量有关传感器补偿技术的文献，提出了有关传感器误差补偿的方法，并已将一些研究成果应用于工业生产中，随着对流量测量精度要求的不断提高，补偿理论和方法也随之发展。

近年来，软件补偿算法中的神经网络及其改进算法因其独特的优势在信号处理、工业控制等方面的应用越来越广泛了，相关的研究报道已经见诸文献，如，李俊等人分别运用BP神经网络和RBF神经网络对传感器进行温度误差补偿，通过MATLAB仿真结果表明BP网络占用资源少、算法容易实现、计算相对简单，RBF网络训练速度快等优点。Skakeb A.Khan等人了用ANN神经网络逆模型对应变式传感器的环境非线性因素进行了补偿，采用Levenberg-Marguardt最快速下降算法，用MATLAB的ANN工具箱实现。但是这些文献研究都没有对网络进行泛化能力的验证，也没有将其运用到实际测量环境中去，而且，目前常用的BP神经网络存在容易陷入局部最小值，收敛速度慢等缺点，有必要发展一种有较快收敛速度，减少训练失败的次数，提高神经网络的进化能力的算法。传统的GA-BP算法一般不能同时优化网络的权值和结构，因此就无法得到最佳权值和存在冗余结构，而且传统的优化网络结构方法中还存在不少问题，因此本发明引入了控制基因，可以同时且有效地对网络结构和权值进行优化。另外，由于GA算法存在早熟、局部搜索能力不足等问题，因此在遗传算法中引入模拟退火算法(SA)，提高其局部寻优能力，加速收敛于全局最优解，这样就形成了改进的遗传模拟退火BP神经网络算法(Hierarchical Genetic Stimulated Annealing algorithm - BP Neural Network,HGSA-BP)。

发明内容

本发明的目的在于提供一种提高传感器补偿精度的基于HGSA-BP算法的传感器误差补偿方法。

为实现上述目的，本发明的技术方案是：一种基于HGSA-BP算法的传感器误差补偿方法，包括如下步骤，

步骤S1：采集传感器输出信号数据，对该数据进行A/D转换及归一化处理，获得样本数据；

步骤S2：根据所述步骤S1获得的样本数据及最大隐含层节点数，建立初始BP神经网络模型，以初步确定该BP神经网络模型的网络结构及权值参数的基本解空间；

步骤S3：以最大隐含层节点数的网络结构为标准进行编码，并确定适应度函数；

步骤S4：进行遗传操作，得到优化的网络结构；

步骤S5：通过BP算子对所述步骤S4得到的优化的网络结构进行训练，若达到传感器的预定精度，则保存该BP神经网络；否则继续训练，直到满足预定精度要求。

在本发明实施例中，采用VC++、MATLAB和Access数据库三者的混合编程技术来实现HGSA-BP算法的在线测量及补偿程序。

在本发明实施例中，所述步骤S3确定适应度函数的具体过程为：将BP神经网络的染色体矩阵求解即得到为BP神经网络相应的权值、阈值，赋给BP神经网络进行训练，并将训练返回的均方误差的倒数作为适应度函数。

在本发明实施例中，所述BP神经网络的染色体包括三个基因段，分别为隐含层、隐含层的各个节点及节点相应的权值；上一级的基因段能够控制下一级基因的激活状态，隐含层层数及各隐含层的节点数根据基因的值来进行增加或删除，同时节点相应的权值跟着一起进化。

在本发明实施例中，所述基因的值为0或1。

在本发明实施例中，所述步骤S4，具体实现过程如下，

设定初始种群数，确定自适应交叉率                                                和自适应变异率，其公式如下，

其中，A=9.903438，、、、分别是交叉率和变异率的上下限，为变异的个体的适应值，为当前群体中个体最大适应值，为当前种群中个体平均适应值；采用MTLAB仿真软件对HGSA算法进行训练，得到较优的初始权值矩阵及阈值矩阵，矩阵求解即得到优化的网络结构。

相较于现有技术，本发明具有以下有益效果：本发明的HGSA-BP算法，使得传感器的整体误差得到了控制，提高了补偿后传感器的精度。

附图说明

图1为本发明HGSA-BP算法流程图。

图2为本发明 传感器误差补偿模型。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明一种基于HGSA-BP算法的传感器误差补偿方法，包括如下步骤，

步骤S1：采集传感器输出信号数据，对该数据进行A/D转换及归一化处理，获得样本数据；

步骤S2：根据所述步骤S1获得的样本数据及最大隐含层节点数，建立初始BP神经网络模型，以初步确定该BP神经网络模型的网络结构及权值参数的基本解空间；

步骤S3：以最大隐含层节点数的网络结构为标准进行编码，确定适应度函数；

所述确定适应度函数的具体过程为：将BP神经网络的染色体矩阵求解即得到BP神经网络相应的权值、阈值，赋给BP神经网络进行训练，并将训练返回的均方误差的倒数作为适应度函数；

所述BP神经网络的染色体包括三个基因段，分别为隐含层、隐含层的各个节点及节点相应的权值；上一级的基因段能够控制下一级基因的激活状态，隐含层层数及各隐含层的节点数根据基因的值（0或1）来进行增加或删除，同时节点相应的权值跟着一起进化。

步骤S4：进行遗传操作，得到优化的网络结构；

所述步骤S4，具体实现过程如下，

设定初始种群数，确定自适应交叉率和自适应变异率，其公式如下，

其中，A=9.903438，、、、分别是交叉率和变异率的上下限，为变异的个体的适应值，为当前群体中个体最大适应值，为当前种群中个体平均适应值；采用MTLAB仿真软件对HGSA算法进行训练，得到较优的初始权值矩阵及阈值矩阵，矩阵求解即得到优化的网络结构。

步骤S5：通过BP算子对所述步骤S4得到的优化的网络结构进行训练，若达到传感器的预定精度，则保存该BP神经网络；否则继续训练，直到满足预定精度要求。

本发明采用VC++、MATLAB和Access数据库三者的混合编程技术来实现HGSA-BP算法的在线测量及补偿程序。

以下具体讲述本发明HGSA-BP算法及其编程、实施过程。

一、本发明HGSA-BP算法主要内容：

HGSA-BP算法是结合模拟退火算法、遗传算法与BP神经网络的一种优化算法，HGSA-BP算法先用改进的遗传模拟退火算法在解空间全局搜索，集中遗传出最佳的网络结构和初始权值，再利用改进的BP网络进行训练以找到最优解。

（一）控制基因的引入

在HGSA-BP算法中，BP网络的染色体是由三个不同的基因段组成的，分别对应隐含层、隐含层的各个节点和节点相应的权值。上一级的基因段可以控制低一级基因的激活状态，隐含层层数及各隐含层的节点数根据基因的值(0或1)来进行增加或删除，同时相对应的网络权值也会跟着一起进化。

（二）选择算子是结合轮盘赌方法和精英选择操作来设计的

选择算子是在每一次选择中将最优的个体复制到下一代种群，余下的个体由轮盘赌方法生成。遗传操作是以一定的交叉率和一定的变异率执行的，因此、的大小直接影响着算法的性能。为了避免迭代过程中出现停滞不前，同时尽量保留较优的个体，则应使、的自适应调整曲线在、处较为平滑些，因此本发明提出一种计算、的改进自适应公式：

           公式(1)

        公式(2)

其中，A=9.903438，、、、分别是交叉率和变异率的上下限，为变异的个体的适应值，为当前群体中个体最大适应值，为当前种群中个体平均适应值。在训练过程中，不管种群适应度中的最大值与平均值间的差异如何，均可以在较少的演化代数内自适应地调整个体的、（见公式1，公式2），使算法尽早跳出局部收敛。

二、本发明HGSA-BP算法计算机程序设计流程如下：

HGSA-BP算法的流程图如图1所示,首先根据样本数据及最大隐含层节点数建立初始的网络模型，以初步确定网络结构及权值参数的基本解空间，接着HGSA算法根据上述的级联参数混合编码方案对待优化参数进行编码，确定适应度函数，根据改进的遗传算子进行遗传操作，交叉变异后的个体根据Meteopolis准则确定的保留概率接受新解，当达到了所设定的遗传代数或达到最小适应度值时结束HGSA算法操作，将HGSA算法搜索到的最佳个体进行解码，根据搜索到的最优结构重新设计BP网络，然后BP网络根据优化得到的初始权值进行网络训练预测，若达到所要求的精度则保存网络，否则继续训练直到满足精度要求。

三、本发明基于HGSA-BP算法传感器误差补偿模型

基于HGSA-BP算法误差补偿模型由传感器模型和神经网络模型两部分组成，如图2所示。设x为待测压力输入值，t为干扰因素温度，y为传感器相应的输出量，P为补偿之后输出的压力值。

将传感器输出量y和温度t作为补偿模型的输入，经过HGSA-BP网络误差补偿后输出的P即待测目标值。

对传感器输出信号实施基于HGSA-BP算法误差补偿具体案例如下。

a. 学习样本库的建立及分析

以流量变送器的差压传感器为例，进行传感器输出信号的模/数转换（A/D转换），得到实验数据。对这些数据进行归一化处理，以提高训练时网络的收敛性能。在MATLAB中可采用mapminmax()函数将输入数据归一化到(-1,1)之间，将不同温度点下差压传感器的数据作为训练样本。

b. HGSA-BP补偿网络的建立和训练

1)建立网络模型。首先建立网络模型以初步确定HGSA算法搜索的基本解空间；

2）网络权值与结构编码确立。以最大隐含层节点数的网络结构为标准进行编码；

3）得到适应度函数。将染色体解码为BP网络相应的权值、阈值，并赋给BP网络进行训练，将网络训练返回的均方误差的倒数作为适应度函数；

4）进行遗传操作。设置初始种群数，确定自适应交叉率和自适应变异率，采用MATLAB仿真软件对HGSA算法进行训练，得到网络较优的初始权值矩阵及阈值矩阵；

5)进行BP网络训练。利用BP算子对优化得到的网络结构进行训练，以进一步提高HGSA在网络优化过程中的收敛程度；

6)确定HGSA-BP模型最终的结构及参数。用样本数据输入训练好的网络进行预测，通过比较预测结果与标定压力值的精确程度来验证模型的正确性与网络的泛化能力。

c. 仿真结果

经HGSA-BP算法补偿后，传感器的整体误差得到了控制，补偿后压力传感器的精度为0.06%。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。 

Claims (6)

1.一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：包括如下步骤，

步骤S1：采集传感器输出信号数据，对该数据进行A/D转换及归一化处理，获得样本数据；

步骤S2：根据所述步骤S1获得的样本数据及最大隐含层节点数，建立初始BP神经网络模型，以初步确定该BP神经网络模型的网络结构及权值参数的基本解空间；

步骤S3：以最大隐含层节点数的网络结构为标准进行编码，并确定适应度函数；

步骤S4：进行遗传操作，得到优化的网络结构；

步骤S5：通过BP算子对所述步骤S4得到的优化的网络结构进行训练，若达到传感器的预定精度，则保存该BP神经网络；否则继续训练，直到满足预定精度要求。

2.根据权利要求1所述的一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：采用VC++、MATLAB和Access数据库三者的混合编程技术来实现HGSA-BP算法的在线测量及补偿程序。

3.根据权利要求2所述的一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：所述步骤S3确定适应度函数的具体过程为：将BP神经网络的染色体矩阵求解即得到BP神经网络相应的权值、阈值，赋给BP神经网络进行训练，并将训练返回的均方误差的倒数作为适应度函数。

4.根据权利要求3所述的一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：所述BP神经网络的染色体包括三个基因段，分别为隐含层、隐含层的各个节点及节点相应的权值；上一级的基因段能够控制下一级基因的激活状态，隐含层层数及各隐含层的节点数根据基因的值来进行增加或删除，同时节点相应的权值跟着一起进化。

5.根据权利要求4所述的一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：所述基因的值为0或1。

6.根据权利要求1所述的一种基于HGSA-BP算法的传感器误差补偿方法，其特征在于：所述步骤S4，具体实现过程如下，

设定初始种群数，确定自适应交叉率                                                和自适应变异率，其公式如下，

其中，A=9.903438，、、、分别是交叉率和变异率的上下限，为变异的个体的适应值，为当前群体中个体最大适应值，为当前种群中个体平均适应值；采用MTLAB仿真软件对HGSA算法进行训练，得到较优的初始权值矩阵及阈值矩阵，矩阵求解即得到优化的网络结构。