CN112147978A - 一种采用神经网络的遥测数据处理方法 - Google Patents
一种采用神经网络的遥测数据处理方法 Download PDFInfo
- Publication number
- CN112147978A CN112147978A CN202010862330.7A CN202010862330A CN112147978A CN 112147978 A CN112147978 A CN 112147978A CN 202010862330 A CN202010862330 A CN 202010862330A CN 112147978 A CN112147978 A CN 112147978A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- data processing
- neural network
- output
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种采用神经网络的遥测数据处理方法,包括如下处理步骤:1)神经网络设计,构建初始网络;2)神经网络训练,利用训练样本学习、生成用于数据映射的网络;3)网络有效性验证,由验证样本对网络的有效性进行验证;4)神经网络数据处理,网络接收遥测输出,进行数据处理,输出结果;5)数据处理结果评估,对数据处理的准确性进行评估;6)数据处理结果显示,在测发控软件上显示评估结果、数据处理结果。本发明利用神经的函数映射功能和泛化学习能力,简化飞行器遥测数据处理,实现飞行器遥测数据处理程序不因传感器种类、测量范围、标定系数、灵敏度系数不同而对每个传感器都进行编写,提高遥测数据处理程序对传感器的适应性。
Description
技术领域
本发明属于电气电子技术领域,具体涉及一种采用神经网络的遥测数据处理方法。
背景技术
飞行器地面研制试验和飞行试验中,需要用传感器获取数量众多的遥测数据。现行的遥测数据处理方法先将传感器采集到的电压量送采编器转化成数字量分层值,再经地面测发控软件还原为具有真实物理意义的遥测数据,数据的中间处理过程复杂、传感器标定繁杂。
随人工智能发展,利用神经网络进行信息处理、语音识别、自动驾驶、信息预测的研究和应用蓬勃发展,在航天领域,神经网络在故障诊断与预测、导航制导及姿控算法、图像处理等方面的应用已比较广泛,但在遥测数据处理方面,则鲜少见到。若采用神经网络,利用神经网络的函数映射能力和泛化学习能力,可实现飞行器遥测数据处理程序不因传感器种类、测量范围、标定系数、灵敏度系数不同而对每个传感器都进行编写,简化和减少遥测数据处理工作,提高遥测数据处理程序对传感器的适应性。
发明内容
本发明解决的技术问题是:克服现有飞行器遥测参数处理方法中数据的中间处理过程复杂、传感器标定繁杂,提出了一种采用神经网络的遥测数据处理方法,利用神经的函数映射功能和泛化学习能力,简化飞行器遥测数据处理,实现飞行器遥测数据处理程序不因传感器种类、测量范围、标定系数、灵敏度系数不同而对每个传感器都进行编写,提高遥测数据处理程序对传感器的适应性。
工作原理:
本发明的技术方案:是针对飞行器测控系统中遥测数据处理需求,提供一种采用神经网络的遥测数据处理方法,其主要特征在于步骤如下:1)神经网络设计;2)神经网络训练;3)网络有效性验证;4)神经网络数据处理;5)数据处理结果评估;6)数据处理结果显示,以及实施步骤中所使用或设计的单元包括:传感器、采集器、标校仪器、引入参数、输入处理、输出处理、神经网络、输出反处理、偏差计算、测发控软件。
一种采用神经网络的遥测数据处理方法,包括如下处理步骤:
1)神经网络设计,构建初始网络;
2)神经网络训练,利用训练样本学习、生成用于数据映射的网络;
3)网络有效性验证,由验证样本对网络的有效性进行验证;
4)神经网络数据处理,网络接收遥测数据,进行数据处理,输出结果;
5)数据处理结果评估,对数据处理的准确性进行评估;
6)数据处理结果显示,在测发控软件上显示评估结果、数据处理结果。
进一步的,所述步骤1还包括如下具体步骤:
11)所述神经网络的类型为BP前向型神经网络;
12)所述神经网络的结构为三层结构,分别为输入层、隐含层、输出层;
13)设置所述神经网络三层各层的变量和参量包括:输入向量、权值向量、实际输出向量、期望输出向量、学习速率、迭代次数,并初始化,赋给各变量和参量各一个较小的随机非零值;
14)设计神经网络各层传递函数,其中,输入层传递函数采用S型正切函数tansig,隐含层传递函数采用S型对数函数logsig,输出层传递函数采用S型对数函数logsig;
15)设计神经网络学习算法,网络学习函数采用梯度下降动量算法learngdm。
进一步的,所述步骤2还包括如下具体步骤:
21)将训练输入样本赋值给输入向量,按照步骤1中所述的传递函数,计算每层输出,最后获得实际输出向量;
22)将训练输出样本赋值给输出向量,作为所述神经网络期望输出向量,与上一步求得的实际输出向量计算误差,判断是否满足误差要求,若满足则转至步骤24,不满足则转至下一步;
23)判断迭代次数+1是否达到设定迭代次数,若达到则转至步骤24,没达到,则按照所述的神经网络学习算法,修正权值向量,迭代次数+1,转至步骤21;
24)判断是否学习完所有训练样本数据,是则结束,否则转至步骤21。
进一步的,所述步骤3还包括如下具体步骤:
31)将验证输入样本输入网络,网络映射输出结果向量;
32)将输出结果反处理,还原为物理量,并送测发控软件;
33)将物理量与对应样本数据的校验值向量进行偏差计算;
34)判断偏差是否在传感器精度范围内,是则表明网络有效,否则无效;
35)在测发控软件上显示网络处理结果和网络有效性验证结果。
进一步的,所述步骤4还包括如下具体步骤:
41)传感器感应遥测参数,转换后输出电压值;
42)采集器采集电压值,获得原始输入数据;
43)输入处理对原始输入数据、引入参数进行处理,获得神经网络的输入;
44)神经网络对输入进行映射,获得映射结果;
45)输出反处理将映射结果还原为物理量;
46)测发控软件显示结果。
进一步的,所述步骤5还包括如下具体步骤:
51)如需数据处理准确性评估,则转至步骤52,否则直接转至步骤6;
52)用标校仪器同步获取遥测参数校验值;
53)将神经网络获得的物理量与校验值向量进行偏差计算;
54)判断偏差是否在遥测参数精度范围内,是则表明数据处理满足要求;
55)输出评估结果给测发控软件显示。
进一步的,测试数据的获取方法为传感器感应物理量,采集器测量、采集传感器输出电压值,标校仪器获得物理量的方法;温度、湿度、大气压、传感器输入电压的测量方式,测量点的选取,测试数据的记录,按照不同种类的传感器标准规范操作,直接采用原始记录数据。
进一步的,所述训练输入样本的处理方法为对输出电压少于30个测试数据的情况,同一引入参数组合下,各相邻测试数据采用线性插值法,增加虚拟测试数据,使全量程范围内,总数据不少于60个,且为各引入参数测试数据个数的整数倍,对输出电压不少于30个测试数据的情况,则不必增加虚拟测试数据,总个数记为m;温度、湿度、大气压、传感器输入电压的测试数据,同一组合下,数值不变,各测试数据个数与输出电压个数一样;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*m维矩阵;将矩阵行向量各数据进行归一化处理;选取行向量做线性组合,各行系数的代数和为1,增加矩阵行向量维数,将矩阵变为8*m维矩阵。
进一步的,所述训练输出样本的处理方法为对应输入样本的测试数据,有虚拟测试数据,采用线性插值法计算增加的对应虚拟物理量;将物理量构成1个1*m行向量;将行向量各数据进行归一化处理;将行向量变为1个1*m行向量。
进一步的,所述验证输入样本的处理方法为在温度、湿度、大气压、传感器输入电压随机组合下,在传感器量程范围内,随机测试传感器,获得输出电压;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*n维矩阵,一般情况n取3;将矩阵行向量各数据进行归一化处理。
进一步的,所述数据处理装置包括传感器、采集器、标校仪器、神经网络、测发控软件,其中:所述传感器感应物理量,转换成电压值;所述采集器测量、采集传感器输出电压值;所述标校仪器直接获得传感器感应的物理量值;
所述装置的引入参数为影响传感器、采集器的外部参数,包括环境温度、湿度、气压、传感器输入电压;输入处理对电压值、引入参数进行处理,获得训练输入样本、验证输入样本、输入;输出处理对物理量值进行处理,获得训练输出样本;
所述神经网络根据所设计网络结构、传递函数、学习算法、训练算法、训练输入样本、训练输出样本训练生成网络,生成后,根据输入获得网络输出结果;输出反处理对网络输出结果进行反归一化处理,获得物理测量值;
偏差计算对物理量值和物理测量值进行相对偏差计算,获得相对偏差值;
测发控软件显示所述神经网络处理的物理测量值、相对偏差值、网络有效性验证结果,根据验证结果显示遥测数据。
有益效果:
(1)本发明采用神经网络的函数映射能力和泛化学习能力,实现了同一类传感器的不同批次、编号的产品,只需设计一个神经网络,就能完成全部产品的遥测数据处理,不因各自量程、标定系数、灵敏度系数不同而重新设计或修改神经网络,提高了遥测数据处理程序对传感器个体的适应性;
(2)本发明采用神经网络的函数映射能力和泛化学习能力,针对同一类传感器产品,只需设计、训练一个神经网络,就能完成遥测数据处理,不用在生产测试环节对每个产品进行标定、测试灵敏度等,也不用针对每个产品标定系数、灵敏度系数修改遥测数据处理程序,省去大量中间工作,大大简化和减少了遥测数据处理;
(3)本发明采用神经网络的函数映射能力和泛化学习能力,实现了不同类型的传感器,只需设计一个神经网络,再用不同类型传感器的样本训练获得对应的神经网络,分别使用,就能完成不同种类、不同批次、不同编号传感器的遥测数据处理,提高了遥测数据处理程序对传感器的适应性;
(4)本发明采用神经网络处理飞行器遥测参数,神经网络训练的样本只需传感器厂家的原始数据,不必像在其他领域应用一样花大量工作测试获取样本,同时,遥测数据处理不再依赖传感器标定系数、灵敏度系数,因此产品验收环节不用进行大量测试复验标定系数、灵敏度系数。
附图说明
图1为一种采用神经网络进行遥测数据处理的流程图;
图2为一种采用神经网络的工作原理图;
图3为一种采用神经网络的遥测数据处理方法原理框图。
具体实施方式
除了下面所述的实施例,本发明还可以有其它实施例或以不同方式来实施。因此,应当知道,本发明并不局限于在下面的说明书中所述或在附图中所示的部件的结构的详细情况。当这里只介绍一个实施例时,权利要求并不局限于该实施例。
一种采用神经网络的遥测数据处理方法,处理步骤如下:
1)神经网络设计,构建初始网络;
2)神经网络训练,利用训练样本学习并生成用于数据映射的网络;
3)网络有效性验证,由验证样本数据对网络的有效性进行验证;
4)遥测数据处理,神经网络接收遥测数据,进行数据处理,输出结果;
5)数据处理结果评估,对数据处理的准确性进行评估;
6)数据处理结果显示,在测发控软件上显示评估结果、数据处理结果。
方法流程图如图1所示。
步骤1)还包括如下具体步骤:
11)采用神经网络的类型为BP前向型神经网络;
12)采用神经网络的结构为三层结构,分别为输入层、隐含层、输出层;
13)设置各层变量和参量包括:输入向量、权值向量、实际输出向量、期望输出向量、学习速率、迭代次数,并初始化,赋给各变量和参量各一个较小的随机非零值;
14)设计神经网络各层传递函数,其中,输入层传递函数采用S型正切函数tansig,隐含层传递函数采用S型对数函数logsig,输出层传递函数采用S型对数函数logsig;
15)设计神经网络学习算法,网络学习函数采用梯度下降动量算法learngdm。
设计的神经网络见图2所示。
步骤2)的具体方法、步骤如下:
21)将输入样本向量赋值给输入向量,按照步骤1中所述的传递函数,计算每层输出,最后获得实际输出向量;
22)将输出样本向量赋值给输出向量,作为网络期望输出向量,与上一步求得的实际输出向量计算误差,判断是否满足误差要求,若满足则转至步骤24,不满足则转至下一步;
23)判断迭代次数+1是否达到设定迭代次数,若达到则转至步骤24,没达到,则按照所述的神经网络学习算法,修正权值向量,迭代次数+1,转至步骤21;
24)判断是否学习完所有样本数据,是则结束,否则转至步骤21。
其中:
测试数据的获取方法为:
传感器感应物理量,采集器测量、采集传感器输出电压值,标校仪器获得物理量的方法,测量点的选取,测试数据的记录,按照不同种类的传感器标准规范操作,直接采用传感器单机厂家的原始记录数据;温度、湿度、大气压、传感器输入电压的测量方式,测量点的选取,测试数据的记录,按照不同种类的传感器标准规范操作,直接采用传感器单机厂家的原始记录数据。
训练输入样本的处理方法为:
对输出电压少于30个测试数据的情况,同一引入参数组合下,各相邻测试数据采用线性插值法,增加虚拟测试数据,使全量程范围内,总数据不少于60个,且为各引入参数测试数据个数的整数倍,对输出电压不少于30个测试数据的情况,则不必增加虚拟测试数据,总个数记为m;温度、湿度、大气压、传感器输入电压的测试数据,同一组合下,数值不变,各测试数据个数与输出电压个数一样;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*m维矩阵;将矩阵行向量各数据进行归一化处理;选取行向量做线性组合,各行系数的代数和为1,增加矩阵行向量维数,将矩阵变为8*m维矩阵。
训练输出样本的处理方法为:
对应输入样本的测试数据,如有虚拟测试数据,则采用线性插值法计算增加的对应虚拟物理量;将物理量构成1个1*m行向量;将行向量各数据进行归一化处理;将行向量变为1个1*m行向量。
归一化处理方法为:
将数据处理为区间[0.1,0.9]之间的数据,按(式1)进行:
式中,t为变量参数,tmax、tmin为对应的最大值和最小值。
行向量线性组合方法为:
行向量分别为X1~X5,线性组合按(式2)进行:
步骤3)的具体方法、步骤如下:
31)将验证输入样本输入网络,网络映射输出结果向量;
32)将输出结果反处理,还原为物理量,并送测发控软件;
33)将物理量与对应样本数据的校验值向量进行偏差计算;
34)判断偏差是否在传感器精度范围内,是则表明网络有效,否则无效;
35)在测发控软件上显示网络处理结果和网络有效性验证结果。
其中:
验证输入样本的处理方法为:
在温度、湿度、大气压、传感器输入电压随机组合下,在传感器量程范围内,随机测试传感器,获得输出电压;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*n维矩阵,一般情况n取3;将矩阵行向量各数据进行归一化处理。
步骤4)的具体方法、步骤如下:
41)传感器感应遥测参数,转换后输出电压值;
42)采集器采集电压值,获得原始输入数据;
43)输入处理对原始输入数据、引入参数进行处理,获得网络的输入;
44)神经网络对输入进行映射,获得映射结果;
45)输出反处理将映射结果还原为物理量;
46)测发控软件显示结果。
其中:
引入参数的处理办法如下:
若是地面试验,其处理办法与步骤3所述的一致;若是飞行试验,温度、湿度、大气压采用设置值,数值按飞行环境条件选取,采编器输出电压采用采编器输出电压实际值。
步骤5)的具体方法、步骤如下:
51)如需评估,则转至步骤52,否则直接转至步骤6;
52)用标校仪器同步获取遥测参数校验值;
53)将神经网络获得的物理量与校验值向量进行偏差计算;
54)判断偏差是否在遥测参数精度范围内,是则表明数据处理满足要求;
55)输出评估结果给测发控软件显示。
所述实施步骤3~6使用或设计的单元包括:传感器、采集器、标校仪器、引入参数、输入处理、输出处理、神经网络、输出反处理、偏差计算、测发控软件,其中:传感器感应物理量,转换成电压值;采集器测量、采集传感器输出电压值;标校仪器直接获得传感器感应的物理量值;引入参数为影响传感器、采集器的外部参数,包括环境温度、湿度、气压、传感器输入电压;输入处理对电压值、引入参数进行处理,获得训练输入样本、验证输入样本、输入;输出处理对物理量值进行处理,获得训练输出样本;神经网络根据所设计网络结构、传递函数、学习算法、训练算法、训练输入样本、训练输出样本训练生成网络,生成后,根据输入获得网络输出结果;输出反处理对网络输出结果进行反归一化处理,获得物理测量值;偏差计算对物理量值和物理测量值进行相对偏差计算,获得相对偏差值;测发控软件显示神经网络处理的物理测量值、相对偏差值、网络有效性验证结果,根据验证结果显示遥测数据。原理如图3所示。
对于上述本发明所提出的方法,还可以在不脱离本发明内容上作出各种改进,因此本发明的保护范围应该由所附的权利要求书内容确定。
Claims (11)
1.一种采用神经网络的遥测数据处理方法,其特征在于,包括如下处理步骤:
1)神经网络设计,构建初始网络;
2)神经网络训练,利用训练样本学习、生成用于数据映射的网络;
3)网络有效性验证,由验证样本对网络的有效性进行验证;
4)神经网络数据处理,网络接收遥测数据,进行数据处理,输出结果;
5)数据处理结果评估,对数据处理的准确性进行评估;
6)数据处理结果显示,在测发控软件上显示评估结果、数据处理结果。
2.如权利要求1所述的遥测数据处理方法,其特征在于,所述步骤1还包括如下具体步骤:
11)所述神经网络的类型为BP前向型神经网络;
12)所述神经网络的结构为三层结构,分别为输入层、隐含层、输出层;
13)设置所述神经网络三层各层的变量和参量包括:输入向量、权值向量、实际输出向量、期望输出向量、学习速率、迭代次数,并初始化,赋给各变量和参量各一个较小的随机非零值;
14)设计神经网络各层传递函数,其中,输入层传递函数采用S型正切函数tansig,隐含层传递函数采用S型对数函数logsig,输出层传递函数采用S型对数函数logsig;
15)设计神经网络学习算法,网络学习函数采用梯度下降动量算法learngdm。
3.如权利要求1所述的遥测数据处理方法,其特征在于,所述步骤2还包括如下具体步骤:
21)将训练输入样本赋值给输入向量,按照步骤1中所述的传递函数,计算每层输出,最后获得实际输出向量;
22)将训练输出样本赋值给输出向量,作为所述神经网络期望输出向量,与上一步求得的实际输出向量计算误差,判断是否满足误差要求,若满足则转至步骤24,不满足则转至下一步;
23)判断迭代次数+1是否达到设定迭代次数,若达到则转至步骤24,没达到,则按照所述的神经网络学习算法,修正权值向量,迭代次数+1,转至步骤21;
24)判断是否学习完所有训练样本数据,是则结束,否则转至步骤21。
4.如权利要求1所述的遥测数据处理方法,其特征在于,所述步骤3还包括如下具体步骤:
31)将验证输入样本输入网络,网络映射输出结果向量;
32)将输出结果反处理,还原为物理量,并送测发控软件;
33)将物理量与对应样本数据的校验值向量进行偏差计算;
34)判断偏差是否在传感器精度范围内,是则表明网络有效,否则无效;
35)在测发控软件上显示网络处理结果和网络有效性验证结果。
5.如权利要求1所述的遥测数据处理方法,其特征在于,所述步骤4还包括如下具体步骤:
41)传感器感应遥测参数,转换后输出电压值;
42)采集器采集电压值,获得原始输入数据;
43)输入处理对原始输入数据、引入参数进行处理,获得神经网络的输入;
44)神经网络对输入进行映射,获得映射结果;
45)输出反处理将映射结果还原为物理量;
46)测发控软件显示结果。
6.如权利要求1所述的遥测数据处理方法,其特征在于,所述步骤5还包括如下具体步骤:
51)如需数据处理准确性评估,则转至步骤52,否则直接转至步骤6;
52)用标校仪器同步获取遥测参数校验值;
53)将神经网络获得的物理量与校验值向量进行偏差计算;
54)判断偏差是否在遥测参数精度范围内,是则表明数据处理满足要求;
55)输出评估结果给测发控软件显示。
7.如权利要求3所述的数据处理方法,其特征在于,测试数据的获取方法为传感器感应物理量,采集器测量、采集传感器输出电压值,标校仪器获得物理量的方法;温度、湿度、大气压、传感器输入电压的测量方式,测量点的选取,测试数据的记录,按照不同种类的传感器标准规范操作,直接采用原始记录数据。
8.如权利要求3所述的数据处理方法,其特征在于,所述训练输入样本的处理方法为对输出电压少于30个测试数据的情况,同一引入参数组合下,各相邻测试数据采用线性插值法,增加虚拟测试数据,使全量程范围内,总数据不少于60个,且为各引入参数测试数据个数的整数倍,对输出电压不少于30个测试数据的情况,则不必增加虚拟测试数据,总个数记为m;温度、湿度、大气压、传感器输入电压的测试数据,同一组合下,数值不变,各测试数据个数与输出电压个数一样;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*m维矩阵;将矩阵行向量各数据进行归一化处理;选取行向量做线性组合,各行系数的代数和为1,增加矩阵行向量维数,将矩阵变为8*m维矩阵。
9.如权利要求3所述的数据处理方法,其特征在于,所述训练输出样本的处理方法为对应输入样本的测试数据,有虚拟测试数据,采用线性插值法计算增加的对应虚拟物理量;将物理量构成1个1*m行向量;将行向量各数据进行归一化处理;将行向量变为1个1*m行向量。
10.如权利要求4所述的数据处理方法,其特征在于,所述验证输入样本的处理方法为在温度、湿度、大气压、传感器输入电压随机组合下,在传感器量程范围内,随机测试传感器,获得输出电压;将输出电压、温度、湿度、大气压、传感器输入电压组成矩阵的列向量,各参数数据组成矩阵的行向量,构成5*n维矩阵,一般情况n取3;将矩阵行向量各数据进行归一化处理。
11.如权利要求10所述的数据处理方法,其特征在于,所述数据处理装置包括传感器、采集器、标校仪器、神经网络、测发控软件,其中:所述传感器感应物理量,转换成电压值;所述采集器测量、采集传感器输出电压值;所述标校仪器直接获得传感器感应的物理量值;
所述装置的引入参数为影响传感器、采集器的外部参数,包括环境温度、湿度、气压、传感器输入电压;输入处理对电压值、引入参数进行处理,获得训练输入样本、验证输入样本、输入;输出处理对物理量值进行处理,获得训练输出样本;
所述神经网络根据所设计网络结构、传递函数、学习算法、训练算法、训练输入样本、训练输出样本训练生成网络,生成后,根据输入获得网络输出结果;输出反处理对网络输出结果进行反归一化处理,获得物理测量值;
偏差计算对物理量值和物理测量值进行相对偏差计算,获得相对偏差值;
测发控软件显示所述神经网络处理的物理测量值、相对偏差值、网络有效性验证结果,根据验证结果显示遥测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862330.7A CN112147978A (zh) | 2020-08-25 | 2020-08-25 | 一种采用神经网络的遥测数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862330.7A CN112147978A (zh) | 2020-08-25 | 2020-08-25 | 一种采用神经网络的遥测数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112147978A true CN112147978A (zh) | 2020-12-29 |
Family
ID=73888911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862330.7A Pending CN112147978A (zh) | 2020-08-25 | 2020-08-25 | 一种采用神经网络的遥测数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147978A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034988A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 一种任意传感器数量的时空定量遥感融合方法 |
CN103063233A (zh) * | 2012-12-28 | 2013-04-24 | 徐州工程学院 | 一种采用多传感器降低测量误差的方法 |
CN104597854A (zh) * | 2013-10-30 | 2015-05-06 | 北京临近空间飞行器系统工程研究所 | 一种遥测数据批量处理的自动化判读系统及方法 |
CN104850674A (zh) * | 2014-10-30 | 2015-08-19 | 中国运载火箭技术研究院 | 一种基于多试验状态数据的模型修正系统 |
CN105976028A (zh) * | 2016-05-11 | 2016-09-28 | 深圳市开天源自动化工程有限公司 | 一种预测a2o污水处理过程中出水cod浓度的方法 |
CN105095962B (zh) * | 2015-07-27 | 2017-07-28 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109635634A (zh) * | 2018-10-29 | 2019-04-16 | 西北大学 | 一种基于随机线性插值的行人再识别数据增强方法 |
WO2019152230A1 (en) * | 2018-02-02 | 2019-08-08 | Workday, Inc. | Predictive model-based intelligent system for automatically scaling and managing provisioned computing resources |
US20200090002A1 (en) * | 2018-09-14 | 2020-03-19 | Cisco Technology, Inc. | Communication efficient machine learning of data across multiple sites |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
CN111095147A (zh) * | 2017-07-12 | 2020-05-01 | 西门子股份公司 | 用于传感器数据集中的偏差检测的方法和系统 |
US10742516B1 (en) * | 2019-02-06 | 2020-08-11 | Cisco Technology, Inc. | Knowledge aggregation for GAN-based anomaly detectors |
-
2020
- 2020-08-25 CN CN202010862330.7A patent/CN112147978A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034988A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 一种任意传感器数量的时空定量遥感融合方法 |
CN103063233A (zh) * | 2012-12-28 | 2013-04-24 | 徐州工程学院 | 一种采用多传感器降低测量误差的方法 |
CN104597854A (zh) * | 2013-10-30 | 2015-05-06 | 北京临近空间飞行器系统工程研究所 | 一种遥测数据批量处理的自动化判读系统及方法 |
CN104850674A (zh) * | 2014-10-30 | 2015-08-19 | 中国运载火箭技术研究院 | 一种基于多试验状态数据的模型修正系统 |
CN105095962B (zh) * | 2015-07-27 | 2017-07-28 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105976028A (zh) * | 2016-05-11 | 2016-09-28 | 深圳市开天源自动化工程有限公司 | 一种预测a2o污水处理过程中出水cod浓度的方法 |
CN111095147A (zh) * | 2017-07-12 | 2020-05-01 | 西门子股份公司 | 用于传感器数据集中的偏差检测的方法和系统 |
WO2019152230A1 (en) * | 2018-02-02 | 2019-08-08 | Workday, Inc. | Predictive model-based intelligent system for automatically scaling and managing provisioned computing resources |
CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
US20200090002A1 (en) * | 2018-09-14 | 2020-03-19 | Cisco Technology, Inc. | Communication efficient machine learning of data across multiple sites |
CN109635634A (zh) * | 2018-10-29 | 2019-04-16 | 西北大学 | 一种基于随机线性插值的行人再识别数据增强方法 |
US10742516B1 (en) * | 2019-02-06 | 2020-08-11 | Cisco Technology, Inc. | Knowledge aggregation for GAN-based anomaly detectors |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
张爱祥: "基于神经网络的传感器非线性误差校正", 《传感器世界》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109781934A (zh) | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 | |
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 | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN112613118B (zh) | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 | |
CN113268935B (zh) | 一种基于阵列式柔性触觉传感器的解耦分析方法 | |
CN110044525A (zh) | 一种柔性电阻式点阵式压力检测系统、方法和装置 | |
CN104915509B (zh) | 基于神经网络的大变形柔性体动态受力测量信息转换方法 | |
CN109613976B (zh) | 一种智能柔性压力传感手语识别装置 | |
CN114485877B (zh) | 一种结合惯性测量模块进行称重补偿的称重系统和方法 | |
CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
CN112147978A (zh) | 一种采用神经网络的遥测数据处理方法 | |
CN112881054B (zh) | 起重机械故障诊断方法和系统 | |
CN114791334B (zh) | 一种压力传感器的标定简化方法 | |
CN111598215A (zh) | 一种基于神经网络的温度补偿方法和系统 | |
CN117195683A (zh) | 机械臂及其故障诊断模型的训练方法、故障诊断方法 | |
KR20010000116A (ko) | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 | |
CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
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 | |
CN111308112A (zh) | 一种基于神经网络的温度补偿系统 | |
CN114577318B (zh) | 一种车载称重模块及其传感方法 | |
CN114266013B (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
Feng et al. | An Interpretable Nonlinear Decoupling and Calibration Approach to Wheel Force Transducers | |
CN111578936B (zh) | 基于imm-ukf的惯性/超短基线多参数标定方法 | |
CN114348291A (zh) | 一种基于飞参数据和仿真的飞行故障诊断方法 |
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: 20201229 |
|
RJ01 | Rejection of invention patent application after publication |