CN113406990A - 基于bp神经网络对时间测量误差进行补偿的方法和装置 - Google Patents

基于bp神经网络对时间测量误差进行补偿的方法和装置 Download PDF

Info

Publication number
CN113406990A
CN113406990A CN202110957552.1A CN202110957552A CN113406990A CN 113406990 A CN113406990 A CN 113406990A CN 202110957552 A CN202110957552 A CN 202110957552A CN 113406990 A CN113406990 A CN 113406990A
Authority
CN
China
Prior art keywords
layer
output
hidden layer
neural network
error
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
CN202110957552.1A
Other languages
English (en)
Inventor
赵旭
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202110957552.1A priority Critical patent/CN113406990A/zh
Publication of CN113406990A publication Critical patent/CN113406990A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/04—Generating or distributing clock signals or signals derived directly therefrom
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种基于BP神经网络对时间测量误差进行补偿的方法和装置。其中，该方法包括：比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。本发明解决了由于只将测量过程中最后一个时钟周期的误差作为校准参数造成的无法对整个测量过程中的误差进行补偿的技术问题。

Description

基于BP神经网络对时间测量误差进行补偿的方法和装置
技术领域
本发明涉及人工智能领域，具体而言，涉及一种基于BP神经网络对时间测量误差进行补偿的方法和装置。
背景技术
时间测量技术广泛应用于脉冲激光测距、流量测量等领域，在军事应用、科学技术、生产建设方面都起着重要作用。
常用的时间测量方法有模拟法、数字法和数字插入法等。其中数字法和数字插入法的关键都是通过计量时钟信号脉冲个数来实现时间测量。无论是对于数字法还是数字插入法而言，时钟信号周期误差是影响时间测量精度的关键。
消除时钟信号周期误差对时间测量结果影响的方法是对计时芯片的时钟信号周期进行校正，传统的时钟周期校准往往只将测量过程中最后一个时钟周期的误差作为校准参数，无法对整个测量过程中的误差进行补偿。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于BP神经网络对时间测量误差进行补偿的方法和装置，以至少解决由于只将测量过程中最后一个时钟周期的误差作为校准参数造成的无法对整个测量过程中的误差进行补偿的技术问题。
根据本发明实施例的一个方面，提供了一种基于BP神经网络对时间测量误差进行补偿的方法，包括：比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
根据本发明实施例的另一方面，还提供了一种基于BP神经网络对时间测量误差进行补偿的装置，包括：误差计算模块，被配置为比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；补偿模块，被配置为利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
根据本发明实施例的另一方面，还提供了一种存储介质，其上存储有程序，在所述程序被执行时，使得计算机执行上述基于BP神经网络对时间测量误差进行补偿的方法。
在本发明实施例中，测量计时芯片在不同时间下的时钟周期误差，构造误差曲线并将曲线离散化结果存入控制器内，在时间测量过程中作为基准对测量结果进行误差补偿，从而实现更高精度的时间测量，进而解决了由于只将测量过程中最后一个时钟周期的误差作为校准参数造成的无法对整个测量过程中的误差进行补偿的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于BP神经网络对时间测量误差进行补偿的方法的流程图一；
图2是根据本发明实施例的一种基于BP神经网络对时间测量误差进行补偿的方法的流程图二；
图3是根据本发明实施例的拟合误差曲线的方法的流程图；
图4是根据本发明实施例的一种基于BP神经网络对时间测量误差进行补偿的方法的流程图三；
图5是根据本发明实施例的一种基于BP神经网络对时间测量误差进行补偿的装置的结构示意图；
图6是根据本发明实施例的BP神经网络的结构示意图；
图7是根据本发明实施例的计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种基于BP神经网络对时间测量误差进行补偿的方法，如图1所示，该方法包括：
步骤S102，比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；
在一个示例性实施例中，首先调整信号发生器产生的计时信号频率，将计时开始与计时结束的时间间隔调整为所述标准数据的时长
Figure 426099DEST_PATH_IMAGE001
，其中，
Figure 369785DEST_PATH_IMAGE002
为所述计时芯片的时钟信号周期理论值，
Figure 164828DEST_PATH_IMAGE003
为所述标准数据的时钟信号个数；使用所述计时芯片测量计时开始与计时结束之间的时间间隔
Figure 877569DEST_PATH_IMAGE004
。时钟信号周期误差是将所述标准数据的时长
Figure 129558DEST_PATH_IMAGE001
除以所述计时芯片的所述时间间隔
Figure 560540DEST_PATH_IMAGE004
而得到的。
步骤S104，利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
在一个示例性实施例中，基于所述隐含层的上一层输入层相应的输出值、所述隐含层与所述上一层输入层之间相应的权值，所述隐含层的阈值以及激活函数，计算所述BP神经网络隐含层的实际输出；基于所述输出层的上一层隐含层相应的输出值、所述输出层与所述上一层隐含层之间相应的权值，所述输出层的阈值，计算所述BP神经网络输出层的实际输出；基于所计算出的输出层的实际输出计算出所述BP神经网络的误差；基于所述误差，来修正所述输出层与所述上一层隐含层相应的权值和所述输出层的阈值以及所述隐含层与所述上一层输入层相应的权值和所述隐含层的阈值；基于最终修正后的权值和阈值，来反向更新所述BP神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。其中，所述输出层与隐含层之间相应的权值、隐含层与输入层之间相应的权值，所述输出层与隐含层的阈值皆为0和1之间的随机数。
实施例2
根据本发明实施例，提供了另一种基于BP神经网络对时间测量误差进行补偿的方法，如图2所示，该方法包括：
步骤S202，对比原始数据与标准数据。
首先测量计时芯片在不同时间下的时钟周期长度，作为计算计时芯片时钟信号周期误差的依据，测量方法如下：
设计时芯片时钟信号周期理论值为
Figure 657809DEST_PATH_IMAGE002
，时钟信号个数为
Figure 428319DEST_PATH_IMAGE003
。测量过程分为如下几步：
（1）测量前首先调整信号发生器产生的计时信号频率，将计时开始与结束信号间的时间间隔调整为
Figure 585631DEST_PATH_IMAGE001
；
（2）使用计时芯片测量计时开始与结束信号间的时间间隔
Figure 503908DEST_PATH_IMAGE004
；
步骤S204，计算各时段时钟信号周期误差。
测量得出计时芯片在不同时间下的时钟周期长度之后，将不同时间下时钟周期长度测量值与理想值对比，计算得出各时段时钟信号周期误差，作为拟合计时芯片的时钟信号周期误差曲线的依据。
具体计算方法如下：
设计时，芯片时钟周期误差为
Figure 404868DEST_PATH_IMAGE005
，则
Figure 605385DEST_PATH_IMAGE003
个时钟信号周期内的时钟信号周期误差可以表示为
Figure 933598DEST_PATH_IMAGE006
。通过选取不同的时钟信号个数
Figure 73592DEST_PATH_IMAGE003
进行误差测量，得出不同时间下计时芯片的时钟信号周期误差。
步骤S206，拟合误差曲线。
根据计算得出的离散的不同时间下计时芯片的时钟信号周期误差数据，拟合出连续的计时芯片的时钟信号周期误差曲线，作为补偿时间测量数据的依据。
本发明实施例主要用于脉冲激光测距中对计时芯片时钟信号周期误差的补偿，通过计算计时芯片不同时间间隔下时钟信号周期误差拟合计时芯片的时钟信号周期误差曲线，以对测量结果进行补偿，具有原理与方法简单，易于实现，可以在不增加成本的情况下提升时间测量精度等优点，能够为高精度时间测量技术领域提供一种高效可行的技术方法，有利于高精度激光测距技术的应用与发展。
实施例3
本发明实施例提供了一种拟合误差曲线的方法。
利用BP神经网络的方法，对离散的误差数据进行拟合。设不同时间下计时芯片的时钟信号周期误差数据为
Figure 981505DEST_PATH_IMAGE007
对应的时间间隔为
Figure 523345DEST_PATH_IMAGE008
。下面将
Figure 288039DEST_PATH_IMAGE009
替换成
Figure 915329DEST_PATH_IMAGE010
作为神经网络的输入，将
Figure 892513DEST_PATH_IMAGE005
替换成
Figure 757700DEST_PATH_IMAGE011
作为神经网络的期望输出。
图3是根据本发明实施例的拟合误差曲线的方法的流程图，如图3所示，该方法包括：
步骤S301，设置BP神经网络结构。
设置神经元的隐含层数为1。输入层神经元个数为
Figure 427716DEST_PATH_IMAGE003
，隐含层神经元个数为
Figure 43768DEST_PATH_IMAGE012
,输出层神经元个数为
Figure 824642DEST_PATH_IMAGE013
，最大训练次数为1000、期望最大误差为
Figure 606653DEST_PATH_IMAGE014
、学习率为
Figure 447570DEST_PATH_IMAGE015
。
步骤S302，设置权值和阈值。
输入层到隐含层的权值为
Figure 49453DEST_PATH_IMAGE016
，隐含层到输出层的权值为
Figure 837280DEST_PATH_IMAGE017
，隐含层的阈值为
Figure 208219DEST_PATH_IMAGE018
，输出层的阈值为
Figure 220037DEST_PATH_IMAGE019
，设置各权值
Figure 43636DEST_PATH_IMAGE020
和阈值
Figure 933357DEST_PATH_IMAGE021
为0和1之间的随机数。
步骤S303，提供训练样本。
输入为实验数据
Figure 424381DEST_PATH_IMAGE022
,期望输出为
Figure 607101DEST_PATH_IMAGE023
,对每个输入样本进行下面步骤S304到步骤S306的迭代。
步骤S304，计算网络隐含层的输出和输出层的输出。
基于所述隐含层的上一层输入层的相应的输出值、所述隐含层与所述上一层输入层的相应的权值、所述隐含层的阈值以及激活函数，计算所述BP神经网络的隐含层的实际输出；基于所述输出层的上一层隐含层的相应的输出值、所述输出层与所述上一层隐含层的相应的权值、所述输出层的阈值，计算所述BP神经网络输出层的实际输出。
具体的计算方法如下：
Figure 183576DEST_PATH_IMAGE024
Figure 313206DEST_PATH_IMAGE025
(隐含层)
Figure 393157DEST_PATH_IMAGE026
(输出层)
其中，
Figure 809095DEST_PATH_IMAGE027
，
Figure 810549DEST_PATH_IMAGE028
，
Figure 275029DEST_PATH_IMAGE029
，
Figure 976531DEST_PATH_IMAGE003
为输入层神经元个数，
Figure 32211DEST_PATH_IMAGE012
为隐含层神经元个数,
Figure 52120DEST_PATH_IMAGE013
为输出层神经元个数，
Figure 789132DEST_PATH_IMAGE016
为输入层到隐含层的权值，
Figure 843676DEST_PATH_IMAGE017
为隐含层到输出层的权值，
Figure 539099DEST_PATH_IMAGE018
为隐含层的阈值，
Figure 577462DEST_PATH_IMAGE019
为输出层的阈值，
Figure 649323DEST_PATH_IMAGE030
为激活函数，
Figure 761636DEST_PATH_IMAGE030
取Sigmoid函数，形式为
Figure 893540DEST_PATH_IMAGE031
。
Figure 389506DEST_PATH_IMAGE032
为所述隐含层的实际输出，
Figure 265058DEST_PATH_IMAGE033
为所述输出层的实际输出，
Figure 559773DEST_PATH_IMAGE022
为BP神经网络的输入。
如果当前该层网络是输出层，则该
Figure 596999DEST_PATH_IMAGE033
值就是网络最后的输出值。
步骤S305，计算误差。
Figure 344375DEST_PATH_IMAGE034
其中
Figure 758039DEST_PATH_IMAGE023
为期望输出，我们记
Figure 641681DEST_PATH_IMAGE035
，则
Figure 849809DEST_PATH_IMAGE036
可以表示为
Figure 320367DEST_PATH_IMAGE037
步骤S306，修正权值和阈值。
隐含层到输出层的权值更新：
Figure 537721DEST_PATH_IMAGE038
输入层到隐含层的权值更新：
Figure 479133DEST_PATH_IMAGE039
隐含层到输出层的阈值更新：
Figure 123741DEST_PATH_IMAGE040
输入层到隐含层的阈值更新：
Figure 580130DEST_PATH_IMAGE041
其中，
Figure 335596DEST_PATH_IMAGE016
为输入层到隐含层的权值，
Figure 459410DEST_PATH_IMAGE042
为
Figure 274919DEST_PATH_IMAGE016
更新后的权值，
Figure 156287DEST_PATH_IMAGE017
为隐含层到输出层的权值，
Figure 715445DEST_PATH_IMAGE043
为
Figure 929651DEST_PATH_IMAGE017
更新后的权值，
Figure 181641DEST_PATH_IMAGE018
为隐含层的阈值，
Figure 612622DEST_PATH_IMAGE044
为
Figure 709891DEST_PATH_IMAGE018
更新后的阈值，
Figure 480401DEST_PATH_IMAGE019
为输出层的阈值，
Figure 637713DEST_PATH_IMAGE045
为
Figure 555990DEST_PATH_IMAGE019
更新后的阈值，
Figure 456950DEST_PATH_IMAGE015
为学习率，
Figure 144283DEST_PATH_IMAGE032
为所述隐含层的实际输出，
Figure 973961DEST_PATH_IMAGE033
为所述输出层的实际输出，
Figure 317218DEST_PATH_IMAGE022
为BP神经网络的输入，
Figure 756289DEST_PATH_IMAGE046
，
Figure 298129DEST_PATH_IMAGE013
为输出层神经元个数。
步骤S307，判断指标是否满足精度要求。
利用修正后的权值和阈值计算网络输出层的输出
Figure 62823DEST_PATH_IMAGE033
，然后基于计算出的
Figure 893376DEST_PATH_IMAGE033
计算指标
Figure 136138DEST_PATH_IMAGE036
。
判断指标是否满足精度要求。当
Figure 798064DEST_PATH_IMAGE047
，即，满足精度要求，执行步骤S308进行拟合，否则跳转回步骤S304。
步骤S308，进行拟合。
预测训练集的期望输出，然后将期望输出与实验数据的误差降到最低，使得：
Figure 468079DEST_PATH_IMAGE048
。从而确定各个层的权值和阈值，即使用预测值与实际值的差异来反向更新网络的参数,从而确定函数模型，最终得到误差曲线。
其中，
Figure 317087DEST_PATH_IMAGE036
为误差，
Figure 118865DEST_PATH_IMAGE023
为期望输出，
Figure 635297DEST_PATH_IMAGE033
值为输出层的输出值，
Figure 476215DEST_PATH_IMAGE014
为期望最大误差。
实施例4
本发明实施例涉及高精度时间间隔测量技术，提供了一种基于BP神经网络对时间测量误差进行补偿的方法，可应用于脉冲激光测距等领域。
图4是根据本发明实施例的基于BP神经网络对时间测量误差进行补偿的又一方法的流程图，该方法适用于脉冲激光测距中对计时芯片时钟信号周期误差的补偿。本发明实施例针对的是当前时间测量技术中对计时芯片时钟脉冲信号误差造成的时间测量结果补偿的不足，而提出的一种基于BP神经网络时间测量误差补偿的方法。如图4所示，该方法包括以下步骤：
步骤S402，获取原始数据与标准数据，并对比原始数据与标准数据。
标准数据为确定倍数的计时芯片理论时钟周期，设计时芯片时钟信号周期理论值为
Figure 15780DEST_PATH_IMAGE002
，时钟信号个数为
Figure 600345DEST_PATH_IMAGE003
，则标准数据设为
Figure 236863DEST_PATH_IMAGE001
。
原始数据为计时芯片在不同时间下的时钟周期长度，设为
Figure 248681DEST_PATH_IMAGE004
。
测量过程分为如下几步：（1）测量前首先调整信号发生器产生的计时信号频率，将计时开始与结束信号间的时间间隔调整为
Figure 337860DEST_PATH_IMAGE001
；（2）使用计时芯片测量计时开始与结束信号间的时间间隔
Figure 663799DEST_PATH_IMAGE004
。
步骤S404，计算各时段时钟信号周期误差。
所述时钟信号周期误差为原始数据与标准数据对比计算的结果。设计时芯片时钟周期误差为
Figure 154823DEST_PATH_IMAGE005
，则
Figure 104587DEST_PATH_IMAGE003
个时钟信号周期内的时钟信号周期误差可以表示为：
Figure 415483DEST_PATH_IMAGE049
其中，
Figure 341851DEST_PATH_IMAGE005
代表测量误差，
Figure 687381DEST_PATH_IMAGE050
代表时间间隔理想值，
Figure 244264DEST_PATH_IMAGE051
代表时间间隔测量值。
其中，
Figure 42456DEST_PATH_IMAGE052
Figure 772515DEST_PATH_IMAGE053
步骤S406，利用BP神经网络拟合误差曲线。
误差曲线为利用神经网络方法根据离散的不同时间下计时芯片的时钟信号周期误差数据，拟合出连续的计时芯片的时钟信号周期误差曲线，作为补偿时间测量数据的依据。
下面将
Figure 238131DEST_PATH_IMAGE009
替换成
Figure 762653DEST_PATH_IMAGE010
作为神经网络的输入，将
Figure 549606DEST_PATH_IMAGE005
替换成
Figure 286618DEST_PATH_IMAGE023
作为神经网络的期望输出。
输入层到隐含层的权值为
Figure 341162DEST_PATH_IMAGE016
，隐含层到输出层的权值为
Figure 36585DEST_PATH_IMAGE017
，隐含层的阈值为
Figure 74948DEST_PATH_IMAGE018
，输出层的阈值为
Figure 146810DEST_PATH_IMAGE019
，设置各权值
Figure 259122DEST_PATH_IMAGE020
和阈值
Figure 391026DEST_PATH_IMAGE021
为0和1之间的随机数。
计算网络隐含层的输出和输出层的输出方法如下：
Figure 385527DEST_PATH_IMAGE054
Figure 261079DEST_PATH_IMAGE025
(隐含层)
Figure 791680DEST_PATH_IMAGE026
(输出层)
其中，xi表示神经网络的输入，e表示欧拉数。
接着针对输出层计算出误差：
Figure 297747DEST_PATH_IMAGE055
其中，m表示输出层神经元个数，
Figure 779544DEST_PATH_IMAGE023
为期望输出，
Figure 193208DEST_PATH_IMAGE033
值为输出层的输出值。
之后，修正权值和阈值：
隐含层到输出层的权值更新：
Figure 76851DEST_PATH_IMAGE056
输入层到隐含层的权值更新：
Figure 550557DEST_PATH_IMAGE057
隐含层到输出层的阈值更新：
Figure 785230DEST_PATH_IMAGE058
输入层到隐含层的阈值更新：
Figure 2584DEST_PATH_IMAGE059
最后，使
Figure 740733DEST_PATH_IMAGE048
从而确定各个层的权值和阈值，即用预测值与实际值的差异来反向更新网络的参数，最终得到误差曲线。
本实施例中，测量计时芯片在不同时间下的时钟周期误差，构造误差曲线并将曲线离散化结果存入控制器内，在时间测量过程中作为基准对测量结果进行误差补偿，从而实现更高精度的时间测量。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例5
根据本发明实施例，还提供了一种用于实施上述基于BP神经网络对时间测量误差进行补偿的方法的装置，如图5所示，该装置包括：
误差计算模块52，被配置为比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；
补偿模块54，被配置为利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
在一个示例性实施例中，该装置还包括预配置模块，调整信号发生器产生的计时信号频率，将计时开始与计时结束的时间间隔调整为所述标准数据的时长
Figure 588603DEST_PATH_IMAGE001
，其中，
Figure 546457DEST_PATH_IMAGE002
为所述计时芯片的时钟信号周期理论值，
Figure 301924DEST_PATH_IMAGE003
为所述标准数据的时钟信号个数；并使用所述计时芯片测量计时开始与计时结束之间的时间间隔
Figure 425738DEST_PATH_IMAGE004
。
在一个示例性实施例中，误差计算模块52还被配置为所述时钟信号周期误差是将所述标准数据的时长
Figure 178930DEST_PATH_IMAGE001
除以所述计时芯片的所述时间间隔
Figure 122615DEST_PATH_IMAGE004
得到时钟信号周期误差。
在一个示例性实施例中，补偿模块54是利用BP神经网络来进行误差补偿的。BP神经网络的结构图如图6所示，
Figure 681772DEST_PATH_IMAGE022
表示输入到输入层的输入值，
Figure 660093DEST_PATH_IMAGE033
表示从输出层输出的输出值，
Figure 646503DEST_PATH_IMAGE016
为输入层到隐含层的权值，
Figure 811905DEST_PATH_IMAGE017
为隐含层到输出层的权值。
例如，补偿模块54还被配置为基于BP神经网络中的所述隐含层的上一层输入层相应的输出值、所述隐含层与所述上一层输入层之间相应的权值，所述隐含层的阈值以及激活函数，计算所述BP神经网络隐含层的实际输出；基于所述输出层的上一层隐含层相应的输出值、所述输出层与所述上一层隐含层之间相应的权值，所述输出层的阈值，计算所述BP神经网络输出层的实际输出；基于所计算出的输出层的实际输出计算出所述BP神经网络的误差；基于所述误差，来修正所述输出层与所述上一层隐含层相应的权值和所述输出层的阈值以及所述隐含层与所述上一层输入层相应的权值和所述隐含层的阈值；基于最终修正后的权值和阈值，来反向更新所述BP神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。其中，所述输出层与隐含层之间相应的权值、隐含层与输入层之间相应的权值，所述输出层与隐含层的阈值皆为0和1之间的随机数。
例如，针对输出层，基于所计算出的实际输出和预期输出来计算所述误差。基于计算出的误差来修正各层之间的权值和各层阈值。之后，基于修正后的权值和阈值，计算误差指标；将所述期望输出与所述误差指标降到最低，以重新确定所述BP申请网络的权值和阈值，从而反向更新所述BP神经网络的参数。
实施例6
本公开的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以实施上述实施例1至4中所描述的方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行上述实施例1至4中的方法。
实施例7
下面参考图7，其示出了适于用来实现本公开实施方式的计算机设备800的结构示意图。图7示出的计算机设备仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图7所示，计算机设备800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有设备800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
根据本公开的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于BP神经网络对时间测量误差进行补偿的方法，其特征在于，包括：
比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；
利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
2.根据权利要求1所述的方法，其特征在于，在比较计时芯片的原始数据和标准数据之前，所述方法还包括：
调整信号发生器产生的计时信号频率，将计时开始与计时结束的时间间隔调整为所述标准数据的时长
Figure 104673DEST_PATH_IMAGE001
，其中，
Figure 65676DEST_PATH_IMAGE002
为所述计时芯片的时钟信号周期理论值，
Figure 572881DEST_PATH_IMAGE003
为所述标准数据的时钟信号个数；
使用所述计时芯片测量计时开始与计时结束之间的时间间隔
Figure 644742DEST_PATH_IMAGE004
。
3.根据权利要求2所述的方法，其特征在于，所述时钟信号周期误差是将所述标准数据的时长
Figure 819371DEST_PATH_IMAGE001
除以所述计时芯片的所述时间间隔
Figure 452740DEST_PATH_IMAGE005
而得到的。
4.根据权利要求1至3中任一项所述的方法，其特征在于，利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差包括：
基于所述BP神经网络的隐含层的上一层输入层的相应的输出值、所述隐含层与所述上一层输入层的相应的权值、所述隐含层的阈值以及激活函数，计算所述BP神经网络的隐含层的实际输出；
基于所述隐含层的实际输出、输出层与所述隐含层的相应的权值、所述输出层的阈值，计算所述BP神经网络的输出层的实际输出；
基于所计算出的输出层的实际输出计算出所述BP神经网络的误差；
基于所述误差，来修正所述输出层与所述隐含层之间的相应的权值和所述输出层的阈值，并修正所述隐含层与所述输入层之间的相应的权值和所述隐含层的阈值；
基于修正后的所述输出层与所述隐含层之间的相应的权值、所述输出层的阈值, 所述隐含层与所述输入层之间的相应的权值、以及所述隐含层的阈值，来反向更新所述BP神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。
5.根据权利要求4所述的方法，其特征在于，所述输出层与所述隐含层之间的相应的权值、所述隐含层与所述输入层之间的相应的权值，所述输出层的阈值、以及所述隐含层的阈值皆为0和1之间的随机数。
6.根据权利要求4所述的方法，其特征在于，分别基于以下公式计算所述隐含层的实际输出与所述输出层的实际输出：
Figure 447241DEST_PATH_IMAGE006
Figure 57214DEST_PATH_IMAGE007
其中，
Figure 86350DEST_PATH_IMAGE008
表示输入层，
Figure 123576DEST_PATH_IMAGE009
表示隐含层，
Figure 136531DEST_PATH_IMAGE010
表示输出层，
Figure 550195DEST_PATH_IMAGE011
为输入层的节点个数，
Figure 433838DEST_PATH_IMAGE012
为隐含层的节点个数，
Figure 110807DEST_PATH_IMAGE013
为所述输入层与所述隐含层之间相应的权值，
Figure 581364DEST_PATH_IMAGE014
为所述隐含层与所述输出层之间相应的权值，
Figure 533140DEST_PATH_IMAGE015
为所述输入层的相应的输出值，
Figure 333606DEST_PATH_IMAGE016
为所述隐含层的阈值，
Figure 712634DEST_PATH_IMAGE017
为所述输出层的阈值，
Figure 372286DEST_PATH_IMAGE018
为所述隐含层的实际输出，
Figure 127752DEST_PATH_IMAGE019
为所述输出层的实际输出，
Figure 985987DEST_PATH_IMAGE020
表示所述激活函数。
7.根据权利要求4所述的方法，其特征在于，基于修正后的所述输出层与所述隐含层之间的相应的权值、所述输出层的阈值, 所述隐含层与所述输入层之间的相应的权值、以及所述隐含层的阈值，来反向更新所述BP神经网络的参数包括：
基于修正后的所述输出层与所述隐含层之间的相应的权值、所述输出层的阈值, 所述隐含层与所述输入层之间的相应的权值、以及所述隐含层的阈值，计算误差指标；
将期望输出与所述误差指标之差降到最低，以重新确定所述输出层与所述隐含层之间的相应的权值、所述输出层的阈值, 所述隐含层与所述输入层之间的相应的权值、以及所述隐含层的阈值，从而反向更新所述BP神经网络的参数。
8.一种基于BP神经网络对时间测量误差进行补偿的装置，其特征在于，包括：
误差计算模块，被配置为比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；
补偿模块，被配置为利用所述BP神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
9.根据权利要求8所述的装置，其特征在于，所述补偿模块还被配置为：
基于所述BP神经网络的隐含层的上一层输入层的相应的输出值、所述隐含层与所述上一层输入层的相应的权值、所述隐含层的阈值以及激活函数，计算所述BP神经网络的隐含层的实际输出；
基于所述隐含层的实际输出、输出层与所述隐含层的相应的权值、所述输出层的阈值，计算所述BP神经网络的输出层的实际输出；
基于所计算出的输出层的实际输出计算出所述BP神经网络的误差；
基于所述误差，来修正所述输出层与所述隐含层之间的相应的权值和所述输出层的阈值，并修正所述隐含层与所述输入层之间的相应的权值和所述隐含层的阈值；
基于修正后的所述输出层与所述隐含层之间的相应的权值、所述输出层的阈值, 所述隐含层与所述输入层之间的相应的权值、以及所述隐含层的阈值，来反向更新所述BP神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。
10.一种计算机可读存储介质，其上包括程序，其特征在于，在所述程序被执行时，使得计算机执行如权利要求1至7中任一项所述的方法。
CN202110957552.1A 2021-08-20 2021-08-20 基于bp神经网络对时间测量误差进行补偿的方法和装置 Pending CN113406990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110957552.1A CN113406990A (zh) 2021-08-20 2021-08-20 基于bp神经网络对时间测量误差进行补偿的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110957552.1A CN113406990A (zh) 2021-08-20 2021-08-20 基于bp神经网络对时间测量误差进行补偿的方法和装置

Publications (1)

Publication Number Publication Date
CN113406990A true CN113406990A (zh) 2021-09-17

Family

ID=77689017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957552.1A Pending CN113406990A (zh) 2021-08-20 2021-08-20 基于bp神经网络对时间测量误差进行补偿的方法和装置

Country Status (1)

Country Link
CN (1) CN113406990A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257603A (zh) * 2021-11-18 2022-03-29 国电南瑞南京控制系统有限公司 适用于组态化配电终端的时间同步方法、对时模块和终端
CN116225623A (zh) * 2023-05-04 2023-06-06 北京庚顿数据科技有限公司 虚拟数据发生方法和虚拟数据发生器

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TIAN-KUN WANG 等: "Complete Compensation for Time Delay in Networked Control System Based on GPC and BP Neural Network", 《2007 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 *
余浩 等: "脉冲激光测距中高精度时间测量时钟信号误差补偿", 《激光杂志》 *
吴琼: "基于BP神经网络对非线性函数拟合", 《电子世界》 *
张宝堃 等: "基于BP神经网络的非线性函数拟合", 《电脑知识与技术》 *
魏连锁 等: "基于 BP 神经网络模型时钟同步误差补偿算法", 《物理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257603A (zh) * 2021-11-18 2022-03-29 国电南瑞南京控制系统有限公司 适用于组态化配电终端的时间同步方法、对时模块和终端
CN114257603B (zh) * 2021-11-18 2023-08-29 国电南瑞南京控制系统有限公司 适用于组态化配电终端的时间同步方法、对时模块和终端
CN116225623A (zh) * 2023-05-04 2023-06-06 北京庚顿数据科技有限公司 虚拟数据发生方法和虚拟数据发生器
CN116225623B (zh) * 2023-05-04 2023-07-07 北京庚顿数据科技有限公司 虚拟数据发生方法

Similar Documents

Publication Publication Date Title
CN113406990A (zh) 基于bp神经网络对时间测量误差进行补偿的方法和装置
CN109711530B (zh) 一种滑坡预测方法及系统
CN110633859B (zh) 一种两阶段分解集成的水文序列预测方法
CN111985523A (zh) 基于知识蒸馏训练的2指数幂深度神经网络量化方法
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN109993638A (zh) 产品推荐的方法、装置、介质和电子设备
CN116578875B (zh) 基于多行为的点击预测模型训练方法及装置
CN113887845A (zh) 极端事件预测方法、装置、设备、介质和计算机程序产品
CN115755564A (zh) 基于睡眠分期预测的闹钟控制方法、雷达及存储介质
CN115796338A (zh) 光伏发电功率预测模型构建及光伏发电功率预测方法
CN112989203B (zh) 素材投放方法、装置、设备和介质
CN111430035B (zh) 传染病人数预测方法、装置、电子设备及介质
CN115952916A (zh) 基于人工智能的风电功率预测误差修正方法、装置及设备
CN116862319A (zh) 电力指标信息生成方法、装置、电子设备和介质
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
CN116911574A (zh) 基于鲸鱼算法与随机森林的三级供应链优化方法及装置
CN109993374B (zh) 货物量预测方法及装置
CN107562695B (zh) 一种配电变压器的负载数据处理方法及装置
CN111553324B (zh) 人体姿态预测值校正方法、装置，服务器及存储介质
CN115758862A (zh) 设备校准方法、装置、计算机设备及计算机可读存储介质
CN114595630A (zh) 活动效应评估模型训练方法、装置、计算机设备和介质
CN114157578A (zh) 网络状态预测方法及装置
JP3181018B2 (ja) 気象予測装置
CN112907285A (zh) 基于自适应网格和向后迭代积分的期权数据处理方法
CN110378717B (zh) 用于输出信息的方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210917