CN111272334A - 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 - Google Patents

一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 Download PDF

Info

Publication number
CN111272334A
CN111272334A CN202010099165.4A CN202010099165A CN111272334A CN 111272334 A CN111272334 A CN 111272334A CN 202010099165 A CN202010099165 A CN 202010099165A CN 111272334 A CN111272334 A CN 111272334A
Authority
CN
China
Prior art keywords
force sensor
value
decoupling
neural network
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010099165.4A
Other languages
English (en)
Inventor
杨忠
宋爱国
徐宝国
王敏
陈维娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202010099165.4A priority Critical patent/CN111272334A/zh
Publication of CN111272334A publication Critical patent/CN111272334A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)

Abstract

一种基于粒子群优化BP神经网络的多维力传感器修正解耦方法，使用PSO粒子群算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。本发明通过建立神经网络模型，突破各维度力或力矩多耦合、高度非线性关系的限制，提高多维力传感器的解耦能力，提高了多维力传感器的实用性；并利用粒子群算法全局搜索最优的特性对BP网络进行改进优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，具有较好的泛化能力；提出的多维力传感器解耦方法与传统的方法相比，具有较好的解耦精度，解耦性能更好。

Description

一种基于粒子群优化BP神经网络的多维力传感器标定解耦 方法
技术领域
本发明涉及多维力传感器标定解耦方法领域，特别涉及一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法。
背景技术
随着时代的发展，单维力传感器已经不能满足日常生产与研究的测量要求，因此多维力传感器越来越受到工程应用的青睐。多维力传感器指的是一种能够同时测量两个方向以上力及力矩分量的力传感器，在笛卡尔坐标系中力和力矩可以各自分解为三个分量，多维力最完整的形式是六维力或六维力矩传感器，能够同时测量三个力分量和三个力矩分量的传感器，被广泛应用于大型工程机械和智能机器人的机械臂以及车辆轮胎力的测量。
然而，由于多维力传感器一体化的弹性体结构以及制作加工工艺上的误差，使得传感器在不同维度方向的转换通道上，存在着不可避免的耦合，即维间耦合，这严重影响了传感器的测量精度，不符合实际的测量要求，因此对传感器进行解耦非常重要。传统的方法使用基于最小二乘法的解耦方法，该方法计算过程中数值精度不高、鲁棒性较差、易产生产生局部最优解，近年来神经网络因为其强大的非线性拟合能力在风电预测、电路系统分析、噪声控制等取得较好的效果，本发明提出了一种基于粒子群优化BP神经网络的多维力传感器修正解耦方法，使用PSO(粒子群算法)全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。
发明内容
为了解决上述存在问题。本发明提供一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，使用PSO(粒子群算法)全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。
本发明一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，具体步骤如下；
1)采集多维力传感器的标定数据；
将传感器和载荷加载器安装在标定支架台上，载荷加载器使用不同标准重量的重物给传感器施加压力和扭矩，每次加载可以精确获得各个维度载荷值，施加荷载后传感器内部发生形变，并经信号放大电路产生相应的差分电压信号，分别对应相应维度分量的电压信号，数据采集卡收集各路的电压信号，经A/D转换后将相应分量的数据采集到工控机的上位机；
根据传感器的测量范围，在各个维度分成若干个等间距测量点，且平均分布在测量范围；多次调整重物的大小和作用力距离加载出不同测量点组合的载荷，并记录对应的六维电压信号，将采集的数据作为训练样本集；
样本集可表示为Π＝(XU,YF)，其中，XU＝(x1,x2,x3,x4,x5,x6)对应于每次加载传感器各路产生的电压信号
Figure BDA0002386295610000021
作为多维力传感器标定解耦网络模型的输入量，YF＝(y1,y2,y3,y4,y5,y6)对应于每次加载在传感器各个维度的实际载荷量Fx,Fy,Fz,Mx,My,Mz，作为多维力传感器标定解耦网络模型的输出量；
2)搭建多维力传感器解耦的BP神经网络模型；
由于三个方向力的大小和三个方向力矩的大小往往相差多个数量级，因而在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理，采用最大最小值归一化法，得到归一化的数据
Figure BDA0002386295610000022
Figure BDA0002386295610000023
分别表示相应力/力矩归一化处理后的值，即
Figure BDA0002386295610000024
其中，
Figure BDA0002386295610000025
为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值；
其中多维力传感器解耦的BP神经网络由三层组成，分别输入层、隐含层、输出层，输入层节点数为m和输出层节点数为n，由BP神经网络经验函数式
Figure BDA0002386295610000026
和
Figure BDA0002386295610000027
确定隐含层节点数s，其中f为1至9之间的整数，根据经验，设定隐含层节点数s为9，则确定该BP 神经网络的拓扑结构n-s-m；
隐含层第j个神经元输出为
Figure BDA0002386295610000031
其中ωij表示输入层神经元i与隐含层神经元j之间的连接权值，aj表示隐含层神经元j的阈值，g()是隐含层神经元的激活函数，采用Sigmoid函数；
输出层第k个神经元输出为
Figure BDA0002386295610000032
其中μjk表示隐含层神经元j与输出层神经元k之间的连接权值，bk表示输出层神经元j的阈值；
下面对上述BP网络进行训练学习：将训练集中的每个样本依次输入训练，根据上面的公式得出hj和yk，计算均方误差
Figure BDA0002386295610000033
其中ok为样本的实际值；
3)PSO算法优化训练获得最优多维力传感器解耦模型
根据步骤2中搭建的BP网络拓扑结构，计算出共有(n+1)*s+(s+1)*m 中网络参数，即对123维BP神经网络的初始权重值、阈值进行优化；
将BP网络中的初始权重和阈值按输入层-隐藏层的连接权重、隐含层神经元阈值、隐含层-输出层连接权重值以及输出层神经元阈值的顺序作为编码顺序；
采用实数编码方式，在创建的每个个体为123维的向量个体，向量中的每个个体的编码值的范围在-1到1之间，对应于连接权重和阈值的范围；
选取种群大小为30，迭代次数为100，确定位置边界[Xmin,Xmax]和速度边界 [Vmin,Vmax]分别为[-1,1]和[-0.2,0.2]，随机初始化群体中每个粒子的位置和速度；
以粒子作为初始权重、阈值带入BP神经网络结合训练样本集进行训练，计算适应度值
Figure BDA0002386295610000034
其中，T为训练样本数量，Yij为第i个样本的第j个输出期望值，yij为第i个样本的第j个输出实际值，同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值；
更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k 次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替；
更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替；
重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的BP神经网络的初始权重值和阈值，并结合样本集进行训练，得出最优的粒子群优化BP多维力传感器解耦模型；
4)基于最优多维力传感器解耦模型测试；
在建立了最优的粒子群优化BP多维力传感器解耦模型后，实时采集多维力传感器的各路电源信号，通过粒子群优化BP模型计算得出相应的
Figure RE-GDA0002458092190000041
再由反归一化获得最终的多维力结果 (Fx,Fy,Fz,Mx,My,Mz)。
作为本发明进一步改进，所述多维力传感器为六维力/力矩传感器。
作为本发明进一步改进，步骤2中BP训练过程是误差反向传播的过程，目标是通过更新连接权值和偏置值使得误差函数达到最小值，选取训练精度为 0.001，学习率为0.05，动量因子为0.8，训练次数为1000次。
本发明提供一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，其有益效果是：
1)本发明通过建立神经网络模型，突破各维度力或力矩多耦合、高度非线性关系的限制，提高多维力传感器的解耦能力，提高了多维力传感器的实用性；
2)本发明利用粒子群算法全局搜索最优的特性对BP网络进行改进优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，具有较好的泛化能力；
3)本发明提出的多维力传感器解耦方法与传统的方法相比具有，具有较好的解耦精度，解耦性能更好。
附图说明
图1是基于粒子群优化BP神经网络的多维力传感器标定解耦方法算法示意图；图2是基于粒子群优化BP神经网络的多维力传感器标定解耦方法流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，使用PSO(粒子群算法)全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。
作为本发明一种实施例，如图1和2所示以六维力/力矩传感器为例，具体实施例如下；
首先采集多维力传感器的标定数据；
以六维力/力矩传感器为例，将传感器和载荷加载器安装在标定支架台上，载荷加载器使用不同标准重量的重物给传感器施加压力和扭矩，每次加载可以精确获得各个维度载荷值。施加荷载后传感器内部发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号。数据采集卡收集各路的电压信号，经A/D转换后将六分量的数据采集到工控机的上位机。
根据传感器的测量范围，在各个维度分成若干个等间距测量点(平均分布在测量范围)，多次调整重物的大小和作用力距离加载出不同测量点组合的载荷，并记录对应的六维电压信号，将采集的数据作为训练样本集。样本集可表示为Π＝(XU,YF)，其中，XU＝(x1,x2,x3,x4,x5,x6)对应于每次加载传感器各路产生的电压信号
Figure BDA0002386295610000051
作为多维力传感器标定解耦网络模型的输入量，YF＝(y1,y2,y3,y4,y5,y6)对应于每次加载在传感器各个维度的实际载荷量Fx,Fy,Fz,Mx,My,Mz，作为多维力传感器标定解耦网络模型的输出量。
Step2：搭建多维力传感器解耦的BP神经网络模型
由于三个方向力的大小和三个方向力矩的大小往往相差多个数量级，因而在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理。采用最大最小值归一化法，得到归一化的数据
Figure BDA0002386295610000061
Figure BDA0002386295610000062
分别表示6个力/力矩归一化处理后的值，即
Figure BDA0002386295610000063
其中，
Figure BDA0002386295610000064
为力/力矩归一化后的值；yi为第i个力/力矩的原始值， ymax，ymin分别为yi中的最大值和最小值。
本发明提出多维力传感器解耦的BP神经网络由三层组成，分别输入层、隐含层、输出层，以六维力传感器为例，输入层节点数m和输出层节点数n 均为6，由BP神经网络经验函数式
Figure BDA0002386295610000065
和
Figure BDA0002386295610000066
确定隐含层节点数s，其中f为1至9之间的整数。根据经验，设定隐含层节点数s为9，则确定该BP神经网络的拓扑结构n-s-m为6-9-6。
隐含层第j个神经元输出为
Figure BDA0002386295610000067
其中ωij表示输入层神经元i与隐含层神经元j之间的连接权值，aj表示隐含层神经元j的阈值，g()是隐含层神经元的激活函数，采用Sigmoid 函数。
输出层第k个神经元输出为
Figure BDA0002386295610000068
其中μjk表示隐含层神经元j与输出层神经元k之间的连接权值，bk表示输出层神经元j的阈值。
下面对上述BP网络进行训练学习：将训练集中的每个样本依次输入训练，根据上面的公式得出hj和yk。计算均方误差
Figure BDA0002386295610000071
其中ok为样本的实际值。BP训练过程是误差反向传播的过程，目标是通过更新连接权值和偏置值使得误差函数达到最小值。选取训练精度为0.001，学习率为0.05，动量因子为0.8，训练次数为1000次。
最后PSO算法优化训练获得最优多维力传感器解耦模型；
根据前述中搭建的BP网络拓扑结构，计算出共有(n+1)*s+(s+1)*m＝ (6+1)*9+(9+1)*6＝123个网络参数，即对123维BP神经网络的初始权重值、阈值进行优化。
将BP网络中的初始权重和阈值按输入层-隐藏层的连接权重、隐含层神经元阈值、隐含层-输出层连接权重值以及输出层神经元阈值的顺序作为编码顺序。采用实数编码方式，在创建的每个个体为123维的向量个体，向量中的每个个体的编码值的范围在-1到1之间，对应于连接权重和阈值的范围。
选取种群大小为30，迭代次数为100。确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]分别为[-1,1]和[-0.2,0.2]，随机初始化群体中每个粒子的位置和速度。
以粒子作为初始权重、阈值带入BP神经网络结合训练样本集进行训练，计算适应度值
Figure BDA0002386295610000072
其中，T为训练样本数量，Yij为第 i个样本的第j个输出期望值，yij为第i个样本的第j个输出实际值。同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值。
更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替。
更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替。
重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的BP神经网络的初始权重值和阈值，并结合样本集进行训练，得出最优的粒子群优化BP多维力传感器解耦模型。
Step4：基于最优多维力传感器解耦模型测试。
在建立了最优的粒子群优化BP多维力传感器解耦模型后，实时采集多维力传感器的各路电源信号，通过粒子群优化BP模型计算得出相应的
Figure BDA0002386295610000081
再由反归一化获得最终的多维力结果 (Fx,Fy,Fz,Mx,My,Mz)
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，具体步骤如下，其特征在于；
1)采集多维力传感器的标定数据；
将传感器和载荷加载器安装在标定支架台上，载荷加载器使用不同标准重量的重物给传感器施加压力和扭矩，每次加载可以精确获得各个维度载荷值，施加荷载后传感器内部发生形变，并经信号放大电路产生相应的差分电压信号，分别对应相应维度分量的电压信号，数据采集卡收集各路的电压信号，经A/D转换后将相应分量的数据采集到工控机的上位机；
根据传感器的测量范围，在各个维度分成若干个等间距测量点，且平均分布在测量范围；多次调整重物的大小和作用力距离加载出不同测量点组合的载荷，并记录对应的六维电压信号，将采集的数据作为训练样本集；
样本集可表示为∏＝(XU,YF)，其中，XU＝(x1,x2,x3,x4,x5,x6)对应于每次加载传感器各路产生的电压信号
Figure RE-FDA0002458092180000011
作为多维力传感器标定解耦网络模型的输入量，YF＝(y1,y2,y3,y4,y5,y6)对应于每次加载在传感器各个维度的实际载荷量Fx,Fy,Fz,Mx,My,Mz，作为多维力传感器标定解耦网络模型的输出量；
2)搭建多维力传感器解耦的BP神经网络模型；
由于三个方向力的大小和三个方向力矩的大小往往相差多个数量级，因而在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理，采用最大最小值归一化法，得到归一化的数据
Figure RE-FDA0002458092180000012
Figure RE-FDA0002458092180000013
分别表示相应力/力矩归一化处理后的值，即
Figure RE-FDA0002458092180000014
其中，
Figure RE-FDA0002458092180000015
为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值；
其中多维力传感器解耦的BP神经网络由三层组成，分别输入层、隐含层、输出层，输入层节点数为m和输出层节点数为n，由BP神经网络经验函数式
Figure RE-FDA0002458092180000021
和
Figure RE-FDA0002458092180000022
确定隐含层节点数s，其中f为1至9之间的整数，根据经验，设定隐含层节点数s为9，则确定该BP神经网络的拓扑结构n-s-m；
隐含层第j个神经元输出为
Figure RE-FDA0002458092180000023
其中ωij表示输入层神经元i与隐含层神经元j之间的连接权值，aj表示隐含层神经元j的阈值，g()是隐含层神经元的激活函数，采用Sigmoid函数；
输出层第k个神经元输出为
Figure RE-FDA0002458092180000024
其中μjk表示隐含层神经元j与输出层神经元k之间的连接权值，bk表示输出层神经元j的阈值；
下面对上述BP网络进行训练学习：将训练集中的每个样本依次输入训练，根据上面的公式得出hj和yk，计算均方误差
Figure RE-FDA0002458092180000025
其中ok为样本的实际值；
3)PSO算法优化训练获得最优多维力传感器解耦模型
根据步骤2中搭建的BP网络拓扑结构，计算出共有(n+1)*s+(s+1)*m中网络参数，即对123维BP神经网络的初始权重值、阈值进行优化；
将BP网络中的初始权重和阈值按输入层-隐藏层的连接权重、隐含层神经元阈值、隐含层-输出层连接权重值以及输出层神经元阈值的顺序作为编码顺序；
采用实数编码方式，在创建的每个个体为123维的向量个体，向量中的每个个体的编码值的范围在-1到1之间，对应于连接权重和阈值的范围；
选取种群大小为30，迭代次数为100，确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]分别为[-1,1]和[-0.2,0.2]，随机初始化群体中每个粒子的位置和速度；
以粒子作为初始权重、阈值带入BP神经网络结合训练样本集进行训练，计算适应度值
Figure RE-FDA0002458092180000026
其中，T为训练样本数量，Yij为第i个样本的第j个输出期望值，yij为第i个样本的第j个输出实际值，同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值；
更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替；
更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替；
重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的BP神经网络的初始权重值和阈值，并结合样本集进行训练，得出最优的粒子群优化BP多维力传感器解耦模型；
4)基于最优多维力传感器解耦模型测试；
在建立了最优的粒子群优化BP多维力传感器解耦模型后，实时采集多维力传感器的各路电源信号，通过粒子群优化BP模型计算得出相应的
Figure RE-FDA0002458092180000031
再由反归一化获得最终的多维力结果(Fx,Fy,Fz,Mx,My,Mz)。
2.根据权利要求1所述一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，其特征在于，所述多维力传感器为六维力/力矩传感器。
3.根据权利要求1所述一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，其特征在于，步骤2中BP训练过程是误差反向传播的过程，目标是通过更新连接权值和偏置值使得误差函数达到最小值，选取训练精度为0.001，学习率为0.05，动量因子为0.8，训练次数为1000次。
CN202010099165.4A 2020-02-18 2020-02-18 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 Pending CN111272334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099165.4A CN111272334A (zh) 2020-02-18 2020-02-18 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099165.4A CN111272334A (zh) 2020-02-18 2020-02-18 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法

Publications (1)

Publication Number Publication Date
CN111272334A true CN111272334A (zh) 2020-06-12

Family

ID=71003936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099165.4A Pending CN111272334A (zh) 2020-02-18 2020-02-18 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法

Country Status (1)

Country Link
CN (1) CN111272334A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751032A (zh) * 2020-06-30 2020-10-09 中国石油天然气集团有限公司 一种基于阵列探头的超声法应力测量方法
CN112733301A (zh) * 2021-01-21 2021-04-30 佛山科学技术学院 一种基于神经网络的六维力矩传感器重力补偿方法及系统
CN113043283A (zh) * 2021-04-23 2021-06-29 江苏理工学院 一种机器人末端外力预估方法
CN113188715A (zh) * 2021-03-17 2021-07-30 重庆大学 基于机器学习的多维力传感器静态校准数据处理方法
CN113820062A (zh) * 2021-09-30 2021-12-21 浙江大学 六维力传感器的温度补偿方法
CN113984175A (zh) * 2021-10-26 2022-01-28 东北大学秦皇岛分校 基于人工神经网络的车载重标定方法及云服务系统
CN114295255A (zh) * 2021-12-29 2022-04-08 金陵科技学院 一种基于3d打印的柔性压力传感器
WO2022111799A1 (en) * 2020-11-24 2022-06-02 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Method for force inference of a sensor arrangement, methods for training networks, force inference module and sensor arrangement
CN114636464A (zh) * 2022-03-07 2022-06-17 南京理工大学 基于人工智能的叉车轮胎可承载重量在线监测方法
EP4169795A1 (en) * 2021-10-19 2023-04-26 Toyo Tire Corporation Tire physical information estimation system and arithmetic operation model generation system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931160A (zh) * 2015-06-26 2015-09-23 中国科学院重庆绿色智能技术研究院 一种六维力传感器解耦及误差计算方法
CN109682526A (zh) * 2019-03-04 2019-04-26 合肥工业大学 一种多维力传感器的动态解耦方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931160A (zh) * 2015-06-26 2015-09-23 中国科学院重庆绿色智能技术研究院 一种六维力传感器解耦及误差计算方法
CN109682526A (zh) * 2019-03-04 2019-04-26 合肥工业大学 一种多维力传感器的动态解耦方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张家敏: "基于神经元原理的六维力传感器解耦方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
张家敏等: "改进粒子群优化BP神经网络的六维力传感器解耦研究", 《仪表技术与传感器》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751032B (zh) * 2020-06-30 2021-08-31 中国石油天然气集团有限公司 一种基于阵列探头的超声法应力测量方法
CN111751032A (zh) * 2020-06-30 2020-10-09 中国石油天然气集团有限公司 一种基于阵列探头的超声法应力测量方法
WO2022111799A1 (en) * 2020-11-24 2022-06-02 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Method for force inference of a sensor arrangement, methods for training networks, force inference module and sensor arrangement
CN112733301A (zh) * 2021-01-21 2021-04-30 佛山科学技术学院 一种基于神经网络的六维力矩传感器重力补偿方法及系统
CN112733301B (zh) * 2021-01-21 2023-08-08 佛山科学技术学院 一种基于神经网络的六维力矩传感器重力补偿方法及系统
CN113188715A (zh) * 2021-03-17 2021-07-30 重庆大学 基于机器学习的多维力传感器静态校准数据处理方法
CN113043283B (zh) * 2021-04-23 2022-07-08 江苏理工学院 一种机器人末端外力预估方法
CN113043283A (zh) * 2021-04-23 2021-06-29 江苏理工学院 一种机器人末端外力预估方法
CN113820062A (zh) * 2021-09-30 2021-12-21 浙江大学 六维力传感器的温度补偿方法
EP4169795A1 (en) * 2021-10-19 2023-04-26 Toyo Tire Corporation Tire physical information estimation system and arithmetic operation model generation system
CN113984175A (zh) * 2021-10-26 2022-01-28 东北大学秦皇岛分校 基于人工神经网络的车载重标定方法及云服务系统
CN114295255A (zh) * 2021-12-29 2022-04-08 金陵科技学院 一种基于3d打印的柔性压力传感器
CN114295255B (zh) * 2021-12-29 2023-09-29 金陵科技学院 一种基于3d打印的柔性压力传感器
CN114636464A (zh) * 2022-03-07 2022-06-17 南京理工大学 基于人工智能的叉车轮胎可承载重量在线监测方法
CN114636464B (zh) * 2022-03-07 2024-04-23 南京理工大学 基于人工智能的叉车轮胎可承载重量在线监测方法

Similar Documents

Publication Publication Date Title
CN111272334A (zh) 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN113468817B (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN110245430A (zh) 改进Bouc-Wen模型迟滞建模方法
CN102122372A (zh) 基于遗传算法的嵌入式大气数据传感系统测压孔布局方法
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN106021880B (zh) 基于bp神经网络的导管架平台结构响应计算方法
CN108462181B (zh) 考虑稀疏性的智能配电网潮流雅可比矩阵鲁棒估计方法
CN114235330A (zh) 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN111325308B (zh) 一种非线性系统辨识方法
CN111090942B (zh) 基于拓扑优化的高灵敏度压阻式单轴力传感器设计方法
CN103559340A (zh) 一种基于comi-pso算法的不相关多源频域载荷识别方法
CN111380649A (zh) 基于pso优化lssvm的车用多维力传感器解耦方法
CN116894180B (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN111256905B (zh) 一种噪声环境下多维力传感器的解耦方法
CN102142102A (zh) 基于遗传算法的嵌入式大气数据传感系统测压孔布局方法
CN107587955B (zh) 基于深信度网络的火箭发动机推力偏移量的标定方法
CN114993604A (zh) 一种基于深度学习的风洞天平静态校测方法
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
CN115206455A (zh) 基于深度神经网络的稀土元素组分含量预测方法及系统
CN111753466A (zh) 一种三极磁轴承转子径向位移软测量建模方法
CN113405511A (zh) 一种基于ipde算法的关节式坐标测量机标定方法
Li et al. Parameter Estimation of Particle Flow Model for Soils Using Neural Networks.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612

RJ01 Rejection of invention patent application after publication