CN114118307B - 抑制温度效应的光磁编码器智能数据融合处理方法及装置 - Google Patents

抑制温度效应的光磁编码器智能数据融合处理方法及装置 Download PDF

Info

Publication number
CN114118307B
CN114118307B CN202210090301.2A CN202210090301A CN114118307B CN 114118307 B CN114118307 B CN 114118307B CN 202210090301 A CN202210090301 A CN 202210090301A CN 114118307 B CN114118307 B CN 114118307B
Authority
CN
China
Prior art keywords
layer
hidden layer
output
input
encoder
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.)
Active
Application number
CN202210090301.2A
Other languages
English (en)
Other versions
CN114118307A (zh
Inventor
潘月斗
赵子维
潘京辉
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.)
Jiangsu Yingkede Technology Co.,Ltd.
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210090301.2A priority Critical patent/CN114118307B/zh
Publication of CN114118307A publication Critical patent/CN114118307A/zh
Application granted granted Critical
Publication of CN114118307B publication Critical patent/CN114118307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

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

Abstract

本发明公开了一种抑制温度效应的光磁编码器智能数据融合处理方法及装置，涉及机器人关节伺服驱动系统编码器技术领域。包括：获取光磁混合编码器的信号；对光磁混合编码器的信号进行处理；将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络；基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，输出结果为优化后的磁电编码器角度和光电编码器角度；对输出结果进行数据融合，得到光磁混合编码器的最终输出值。本发明能够解决机器人关节伺服驱动系统中光磁混合型编码器实际测量时由于温度影响而产生误差的问题，提高了反馈精度。

Description

抑制温度效应的光磁编码器智能数据融合处理方法及装置
技术领域
本发明涉及机器人关节伺服驱动系统编码器技术领域，特别是指一种抑制温度效应的光磁编码器智能数据融合处理方法及装置。
背景技术
多关节机器人广泛应用于现代工业领域当中，机器人关节是多关节机器人的关键组成部件，机器人关节的控制精度和可靠性决定了机器人的工作性能好应用特性。编码器是机器人关节的重要位置速度信息传感器，编码器输出的位置速度信息数据的准确性和可靠性决定了机器人关节控制的精度和应用可靠性，因此编码器的数据处理方法在机器人关节控制系统中的作用至关重要。
机器人关节设计中通常将光电编码器与磁电编码器进行结合，设计出了集合了上述两种编码器优点的光磁混合编码器。当前机器人的应用场景越来越复杂，一些时候甚至需要在极寒或者高温的场景下进行作业。根据现有资料可知，在常规温度下(-30℃~60℃)工作时光磁混合编码器的精度较高且较为稳定，但在高温(高于60℃)或低温(低于-30℃)情况下工作时，光电编码器因易受温度变化影响会产生较大误差，磁编码器虽稳定性较好不过仍会因霍尔元件的温度漂移现象导致误差的产生。因此，处理编码器由温度影响而引起的误差就成为了亟需解决的问题。
发明内容
本发明针对现有技术中的编码器由温度影响引起误差的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种抑制温度效应的光磁编码器智能数据融合处理方法，该方法由电子设备实现，该方法包括：
S1、获取光磁混合编码器的信号。
S2、对光磁混合编码器的信号进行处理。
S3、将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络。
S4、基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，输出结果为优化后的磁电编码器角度和光电编码器角度。
S5、对输出结果进行数据融合，得到光磁混合编码器的最终输出值。
可选地，S2中的对光磁混合编码器的信号进行处理包括：
分别对光磁混合编码器中的磁电编码器的信号以及对光磁混合编码器中的光电编码器的信号进行处理。
其中，对光磁混合编码器中的磁电编码器的信号进行处理包括：
将磁电编码器的输出信号拆分为
Figure 925366DEST_PATH_IMAGE001
轴信号
Figure 780189DEST_PATH_IMAGE002
和
Figure 28768DEST_PATH_IMAGE003
轴信号
Figure 892819DEST_PATH_IMAGE004
。
对光磁混合编码器中的光电编码器的信号进行处理包括：
将光电编码器的输入信号
Figure 910453DEST_PATH_IMAGE005
进行尺度变换。
可选地，S3中的将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络包括：
将
Figure 139440DEST_PATH_IMAGE006
作为训练好的BP神经网络输入信号
Figure 812998DEST_PATH_IMAGE007
、
Figure 215161DEST_PATH_IMAGE004
作为训练好的BP神经网络输入信号
Figure 87302DEST_PATH_IMAGE008
、尺度变换后的光电编码器的输入信号作为训练好的BP神经网络输入信号
Figure 280998DEST_PATH_IMAGE009
，输入到训练好的BP神经网络。
可选地，S4中的BP神经网络的训练过程包括：
S41、获取训练样本数据集，对训练样本数据集进行处理。
S42、初始化BP神经网络的参数；参数包括输入层到隐藏层之间的权值
Figure 238590DEST_PATH_IMAGE010
、隐藏层到输出层之间的权值
Figure 913285DEST_PATH_IMAGE011
、隐藏层阈值
Figure 374353DEST_PATH_IMAGE012
、输出层学习率
Figure 7460DEST_PATH_IMAGE013
以及隐藏层学习率
Figure 921189DEST_PATH_IMAGE014
。
S43、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 399575DEST_PATH_IMAGE015
大于或等于预设输出误差阈值
Figure 246309DEST_PATH_IMAGE016
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差
Figure 50316DEST_PATH_IMAGE015
小于预设输出误差阈值
Figure 713991DEST_PATH_IMAGE016
，则得到训练好的BP神经网络；其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整。
可选地，对隐藏层到输出层之间的权值进行调整，包括：
通过下式（1）（2）计算隐藏层到输出层之间的权值的调整量，通过隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 730489DEST_PATH_IMAGE017
其中，
Figure 369412DEST_PATH_IMAGE018
为隐藏层到输出层之间的权值的调整量；
Figure 547583DEST_PATH_IMAGE019
为调整前隐藏层到输出层之间的权值；
Figure 967063DEST_PATH_IMAGE020
为调整后隐藏层到输出层之间的权值；
Figure 52831DEST_PATH_IMAGE013
为输出层学习率；
Figure 608577DEST_PATH_IMAGE021
为样本输出量的均方误差；
Figure 488809DEST_PATH_IMAGE022
为样本输出量；
Figure 861497DEST_PATH_IMAGE023
为期望值；
Figure 485376DEST_PATH_IMAGE024
为线性激活函数；
Figure 161208DEST_PATH_IMAGE025
，
Figure 743499DEST_PATH_IMAGE026
为隐藏层阈值
Figure 871992DEST_PATH_IMAGE027
为隐藏层的输出量。
可选地，对隐藏层阈值进行调整，包括：
通过下式（3）（4）计算隐藏层阈值的调整量，通过隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 565142DEST_PATH_IMAGE028
其中，
Figure 829901DEST_PATH_IMAGE029
为隐藏层阈值的调整量；
Figure 317514DEST_PATH_IMAGE030
为调整前隐藏层阈值；
Figure 933303DEST_PATH_IMAGE031
为调整后隐藏层阈值。
可选地，对输入层到隐藏层之间的权值进行调整，包括：
通过下式（5）（6）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 367827DEST_PATH_IMAGE032
其中，
Figure 484163DEST_PATH_IMAGE033
为输入层到隐藏层之间的权值的调整量；
Figure 611519DEST_PATH_IMAGE034
为调整前输入层到隐藏层之间的权值；
Figure 980183DEST_PATH_IMAGE035
为输入层到隐藏层之间的权值；
Figure 483977DEST_PATH_IMAGE036
为非线性激活函数；
Figure 988908DEST_PATH_IMAGE037
为输入层的输出信号；
Figure 552744DEST_PATH_IMAGE014
为隐藏层学习率；
Figure 408705DEST_PATH_IMAGE038
为隐藏层的输入量，
Figure 981768DEST_PATH_IMAGE039
。
可选地，S43中的对BP神经网络的参数进行调整包括：
设计模糊调整器对输出层学习率进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值。
可选地，设计模糊调整器对输出层学习率进行调整包括：
将误差均值和误差均值变化率作为模糊调整器的输入，得到调整后的输出层学习率
Figure 341206DEST_PATH_IMAGE013
。
另一方面，本发明提供了一种抑制温度效应的光磁编码器智能数据融合处理装置，该装置应用于实现抑制温度效应的光磁编码器智能数据融合处理方法，该装置包括：
获取模块，用于获取光磁混合编码器的信号。
处理模块，用于对光磁混合编码器的信号进行处理。
输入模块，用于将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络。
输出模块，基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，输出结果为优化后的磁电编码器角度和光电编码器角度。
融合模块，用于对输出结果进行数据融合，得到光磁混合编码器的最终输出值。
可选地，处理模块，进一步用于：
分别对光磁混合编码器中的磁电编码器的信号以及对光磁混合编码器中的光电编码器的信号进行处理。
其中，对光磁混合编码器中的磁电编码器的信号进行处理包括：
将磁电编码器的输出信号拆分为
Figure 607102DEST_PATH_IMAGE001
轴信号
Figure 684779DEST_PATH_IMAGE002
和
Figure 61534DEST_PATH_IMAGE003
轴信号
Figure 538127DEST_PATH_IMAGE004
。
对光磁混合编码器中的光电编码器的信号进行处理包括：
将光电编码器的输入信号
Figure 974925DEST_PATH_IMAGE005
进行尺度变换。
可选地，输入模块，进一步用于：
将
Figure 274319DEST_PATH_IMAGE006
作为训练好的BP神经网络输入信号
Figure 189185DEST_PATH_IMAGE007
、
Figure 992056DEST_PATH_IMAGE004
作为训练好的BP神经网络输入信号
Figure 599755DEST_PATH_IMAGE008
、尺度变换后的光电编码器的输入信号作为训练好的BP神经网络输入信号
Figure 386446DEST_PATH_IMAGE009
，输入到训练好的BP神经网络。
可选地，输出模块，进一步用于：
S41、获取训练样本数据集，对训练样本数据集进行处理。
S42、初始化BP神经网络的参数；参数包括输入层到隐藏层之间的权值
Figure 105003DEST_PATH_IMAGE010
、隐藏层到输出层之间的权值
Figure 559118DEST_PATH_IMAGE011
、隐藏层阈值
Figure 337718DEST_PATH_IMAGE012
、输出层学习率
Figure 611705DEST_PATH_IMAGE013
以及隐藏层学习率
Figure 133953DEST_PATH_IMAGE014
。
S43、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 442574DEST_PATH_IMAGE015
大于或等于预设输出误差阈值
Figure 123567DEST_PATH_IMAGE016
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差
Figure 884850DEST_PATH_IMAGE015
小于预设输出误差阈值
Figure 210789DEST_PATH_IMAGE016
，则得到训练好的BP神经网络；其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整。
可选地，输出模块，进一步用于：
通过下式（1）（2）计算隐藏层到输出层之间的权值的调整量，通过隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 842758DEST_PATH_IMAGE040
其中，
Figure 432003DEST_PATH_IMAGE018
为隐藏层到输出层之间的权值的调整量；
Figure 946161DEST_PATH_IMAGE019
为调整前隐藏层到输出层之间的权值；
Figure 810211DEST_PATH_IMAGE020
为调整后隐藏层到输出层之间的权值；
Figure 827846DEST_PATH_IMAGE013
为输出层学习率；
Figure 119150DEST_PATH_IMAGE021
为样本输出量的均方误差；
Figure 855025DEST_PATH_IMAGE022
为样本输出量；
Figure 522767DEST_PATH_IMAGE023
为期望值；
Figure 394908DEST_PATH_IMAGE024
为线性激活函数；
Figure 122692DEST_PATH_IMAGE025
，
Figure 100792DEST_PATH_IMAGE026
为隐藏层阈值；
Figure 306645DEST_PATH_IMAGE027
为隐藏层的输出量。
可选地，输出模块，进一步用于：
通过下式（3）（4）计算隐藏层阈值的调整量，通过隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 298872DEST_PATH_IMAGE041
其中，
Figure 197558DEST_PATH_IMAGE029
为隐藏层阈值的调整量；
Figure 642446DEST_PATH_IMAGE030
为调整前隐藏层阈值；
Figure 651990DEST_PATH_IMAGE031
为调整后隐藏层阈值。
可选地，输出模块，进一步用于：
通过下式（5）（6）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 764302DEST_PATH_IMAGE042
其中，
Figure 568310DEST_PATH_IMAGE033
为输入层到隐藏层之间的权值的调整量；
Figure 500494DEST_PATH_IMAGE034
为调整前输入层到隐藏层之间的权值；
Figure 48150DEST_PATH_IMAGE035
为输入层到隐藏层之间的权值；
Figure 14969DEST_PATH_IMAGE036
为非线性激活函数；
Figure 724299DEST_PATH_IMAGE037
为输入层的输出信号；
Figure 409359DEST_PATH_IMAGE014
为隐藏层学习率；
Figure 760705DEST_PATH_IMAGE038
为隐藏层的输入量，
Figure 313522DEST_PATH_IMAGE039
。
可选地，输出模块，进一步用于：
设计模糊调整器对输出层学习率进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值。
可选地，输出模块，进一步用于：
将误差均值和误差均值变化率作为模糊调整器的输入，得到调整后的输出层学习率
Figure 724912DEST_PATH_IMAGE013
。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述抑制温度效应的光磁编码器智能数据融合处理方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述抑制温度效应的光磁编码器智能数据融合处理方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，将光磁混合编码器中光电编码器和磁电编码器的信号进行处理，磁电编码器信号拆分为
Figure 631688DEST_PATH_IMAGE001
轴信号与
Figure 521147DEST_PATH_IMAGE003
轴信号、光电编码器信号进行尺度变换，作为所设计的神经网络输入信号。这样更易建立输出的修正后的信号与输入信号的关系。在神经网络正向传播过程中，通过确定权值、阈值以及激活函数来对输入信号进行修正。若输出信号不满足要求，则通过反向传播来调整权值、阈值以进一步改善输出结果。同时，针对反向传播过程中存在的学习率
Figure 462558DEST_PATH_IMAGE013
更新问题设计一种模糊控制方法进行更新。通过权值、阈值的调整得到满足要求的输出结果后，根据光电编码器与磁电编码器存在的方差进行数据融合处理，降低因温度影响而产生的误差得到更加精确的输出结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的抑制温度效应的光磁编码器智能数据融合处理方法流程示意图；
图2是本发明实施例提供的可调节温度的光磁混合编码器测试装置框图；
图3是本发明实施例提供的磁电编码器结构布局示意图；
图4是本发明实施例提供的磁电编码器霍尔元件的温漂现象图；
图5是本发明实施例提供的光电编码器测量误差随温度变化的平均误差曲线图；
图6是本发明实施例提供的BP神经网络训练方法流程图；
图7是本发明实施例提供的神经网络结构图；
图8是本发明实施例提供的非线性激活函数
Figure 779270DEST_PATH_IMAGE036
图；
图9是本发明实施例提供的线性激活函数
Figure 173342DEST_PATH_IMAGE024
图；
图10是本发明实施例提供的抑制温度效应的光磁编码器智能数据融合处理装置框图；
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种抑制温度效应的光磁编码器智能数据融合处理方法，该方法可以由电子设备实现。如图1所示的抑制温度效应的光磁编码器智能数据融合处理方法流程图，该方法的处理流程可以包括如下的步骤：
S11、获取光磁混合编码器的信号。
S12、对光磁混合编码器的信号进行处理。
可选地，如图2所示，分别对光磁混合编码器中的磁电编码器的信号以及对光磁混合编码器中的光电编码器的信号进行处理。
一种可行的实施方式中，对磁电编码器的信号进行处理包括：
磁编码器虽稳定性较好，不过仍会因霍尔元件的温度漂移现象导致误差的产生。磁电编码器的漂移可以分为温度漂移和零点漂移两类。如图3所示，磁电编码器结构布局为四个霍尔传感器
Figure 600912DEST_PATH_IMAGE043
，四个霍尔传感器间隔90°位于磁钢周围且对称分布，磁钢旋转一周可产生相位相差90°的四个正弦信号。其中，
Figure 396830DEST_PATH_IMAGE044
位于一条直线记为
Figure 150022DEST_PATH_IMAGE003
轴，
Figure 31390DEST_PATH_IMAGE045
位于一条直线记为
Figure 262652DEST_PATH_IMAGE001
轴。将
Figure 913076DEST_PATH_IMAGE003
轴
Figure 571590DEST_PATH_IMAGE044
的信号、
Figure 940255DEST_PATH_IMAGE001
轴
Figure 972277DEST_PATH_IMAGE045
的信号分别差分，可得
Figure 211629DEST_PATH_IMAGE003
轴正弦信号
Figure 306624DEST_PATH_IMAGE004
与
Figure 162584DEST_PATH_IMAGE001
轴正弦信号
Figure 735648DEST_PATH_IMAGE006
，两路信号的反正切即为所测轴的角度值，如下式（1）所示：
Figure 95085DEST_PATH_IMAGE046
零点漂移可使实际信号平移、整体增大或缩小，温度漂移可使实际信号按比例增大或缩小。如图4所示，将旋转一周的
Figure 360981DEST_PATH_IMAGE001
轴信号作为横坐标、
Figure 438659DEST_PATH_IMAGE003
轴信号作为纵坐标，理想情况下将产生的圆形的曲线，但因温漂和零漂现象的影响，实际中测量信号的输出往往是非圆形的曲线将磁电编码器的输出信号拆分为
Figure 80993DEST_PATH_IMAGE001
轴信号
Figure 294936DEST_PATH_IMAGE006
、
Figure 731734DEST_PATH_IMAGE003
轴信号
Figure 31128DEST_PATH_IMAGE004
后，更易建立修正信号与输入信号的关系。故将
Figure 945995DEST_PATH_IMAGE002
作为神经网络输入信号
Figure 545603DEST_PATH_IMAGE007
，
Figure 150372DEST_PATH_IMAGE004
作为输入信号
Figure 937063DEST_PATH_IMAGE008
。
通过高精度光纤陀螺与光磁混合编码器的同轴链接进行旋转对标，建立光纤陀螺角度与
Figure 921199DEST_PATH_IMAGE001
轴信号、
Figure 109735DEST_PATH_IMAGE003
轴信号的唯一映射关系，关系如表1所示。
Figure 888335DEST_PATH_IMAGE047
一种可行的实施方式中，对光电编码器的信号进行处理包括：
如图5所示，光电编码器因易受温度变化影响会产生较大误差。将光电编码器的输入信号
Figure 427901DEST_PATH_IMAGE005
进行尺度变换，将尺度变换后的输入信号作为神经网络输入信号
Figure 684570DEST_PATH_IMAGE009
，即
Figure 993192DEST_PATH_IMAGE048
，变换后当光磁混合编码器旋转单位角度时，信号
Figure 677114DEST_PATH_IMAGE009
的变化幅度与
Figure 438397DEST_PATH_IMAGE001
轴、
Figure 498756DEST_PATH_IMAGE003
轴信号的变化幅度相同。这样可以在根据误差进行神经网络权值和阈值调节时方便计算。
S13、将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络。
可选地，将
Figure 661884DEST_PATH_IMAGE002
作为训练好的BP神经网络输入信号
Figure 516708DEST_PATH_IMAGE007
、
Figure 762357DEST_PATH_IMAGE004
作为训练好的BP神经网络输入信号
Figure 626408DEST_PATH_IMAGE008
、尺度变换后的光电编码器的输入信号作为训练好的BP神经网络输入信号
Figure 784988DEST_PATH_IMAGE009
，输入到训练好的BP神经网络。
S14、基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果。
其中，输出结果为优化后的磁电编码器角度
Figure 341871DEST_PATH_IMAGE049
和光电编码器角度
Figure 77746DEST_PATH_IMAGE050
。
可选地，BP神经网络的训练过程包括：
S141、获取训练样本数据集，对训练样本数据集进行处理。
S142、初始化BP神经网络的参数。
其中，参数包括输入层到隐藏层之间的权值
Figure 479908DEST_PATH_IMAGE034
、隐藏层到输出层之间的权值
Figure 617629DEST_PATH_IMAGE011
、隐藏层阈值
Figure 345413DEST_PATH_IMAGE026
、输出层学习率
Figure 303005DEST_PATH_IMAGE013
以及隐藏层学习率
Figure 774438DEST_PATH_IMAGE014
。
S143、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 766664DEST_PATH_IMAGE015
大于或等于预设输出误差阈值
Figure 399771DEST_PATH_IMAGE016
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差
Figure 841729DEST_PATH_IMAGE015
小于预设输出误差阈值
Figure 851274DEST_PATH_IMAGE016
，则得到训练好的BP神经网络。
其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整。
可选地，对隐藏层到输出层之间的权值进行调整，包括：
通过下式（2）（3）计算隐藏层到输出层之间的权值的调整量，通过隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 698007DEST_PATH_IMAGE051
其中，
Figure 767594DEST_PATH_IMAGE018
为隐藏层到输出层之间的权值的调整量；
Figure 699778DEST_PATH_IMAGE019
为调整前隐藏层到输出层之间的权值；
Figure 513013DEST_PATH_IMAGE020
为调整后隐藏层到输出层之间的权值；
Figure 479832DEST_PATH_IMAGE013
为输出层学习率；
Figure 454741DEST_PATH_IMAGE021
为样本输出量的均方误差；
Figure 139801DEST_PATH_IMAGE022
为样本输出量；
Figure 225568DEST_PATH_IMAGE023
为期望值；
Figure 46894DEST_PATH_IMAGE024
为线性激活函数；
Figure 192704DEST_PATH_IMAGE052
，
Figure 99480DEST_PATH_IMAGE012
为隐藏层阈值；
Figure 988939DEST_PATH_IMAGE027
为隐藏层的输出量。
可选地，对隐藏层阈值进行调整，包括：
通过下式（4）（5）计算隐藏层阈值的调整量，通过隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 396262DEST_PATH_IMAGE053
其中，
Figure 712974DEST_PATH_IMAGE029
为隐藏层阈值的调整量；
Figure 185675DEST_PATH_IMAGE030
为调整前隐藏层阈值；
Figure 878824DEST_PATH_IMAGE031
为调整后隐藏层阈值。
可选地，对输入层到隐藏层之间的权值进行调整，包括：
通过下式（6）（7）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 674742DEST_PATH_IMAGE054
其中，
Figure 162355DEST_PATH_IMAGE033
为输入层到隐藏层之间的权值的调整量；
Figure 778144DEST_PATH_IMAGE034
为调整前输入层到隐藏层之间的权值；
Figure 274985DEST_PATH_IMAGE035
为输入层到隐藏层之间的权值；
Figure 925409DEST_PATH_IMAGE036
为非线性激活函数；
Figure 849502DEST_PATH_IMAGE037
为输入层的输出信号；
Figure 215237DEST_PATH_IMAGE014
为隐藏层学习率；
Figure 250189DEST_PATH_IMAGE038
为隐藏层的输入量，
Figure 755120DEST_PATH_IMAGE055
。
可选地，对BP神经网络参数进行调整包括：
设计模糊调整器对输出层学习率进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值。
可选地，设计模糊调整器对输出层学习率进行调整包括：
将误差均值
Figure 850115DEST_PATH_IMAGE056
和误差均值变化率
Figure 440496DEST_PATH_IMAGE057
作为模糊调整器的输入，得到调整后的输出层学习率
Figure 13560DEST_PATH_IMAGE013
；其中，
Figure 372997DEST_PATH_IMAGE058
为控制器的采样周期。
S15、对输出结果进行数据融合得到光磁混合编码器的最终输出值。
一种可行的实施方式中，对输出结果进行数据融合的方法可以是：
计算优化后的角度均值
Figure 638893DEST_PATH_IMAGE059
，如下式（8）所示：
Figure 450992DEST_PATH_IMAGE060
算优化后磁电编码器的方差
Figure 827746DEST_PATH_IMAGE061
，如下式（9）所示：
Figure 307269DEST_PATH_IMAGE062
计算优化后光电编码器的方差
Figure 744067DEST_PATH_IMAGE063
，如下式（10）所示：
Figure 309040DEST_PATH_IMAGE064
计算磁电编码器的加权因子
Figure 489486DEST_PATH_IMAGE065
，如下式（11）所示：
Figure 844023DEST_PATH_IMAGE066
计算光电编码器的加权因子
Figure 451722DEST_PATH_IMAGE067
，如下式（12）所示：
Figure 238412DEST_PATH_IMAGE068
其中
Figure 222549DEST_PATH_IMAGE069
。
故光磁混合编码器融合后的值
Figure 676664DEST_PATH_IMAGE070
，如下式（13）所示：
Figure 455264DEST_PATH_IMAGE071
本发明实施例中，将光磁混合编码器中光电编码器和磁电编码器的信号进行处理，磁电编码器信号拆分为
Figure 463672DEST_PATH_IMAGE001
轴信号与
Figure 985920DEST_PATH_IMAGE003
轴信号、光电编码器信号进行尺度变换，作为所设计的神经网络输入信号。这样更易建立输出的修正后的信号与输入信号的关系。在神经网络正向传播过程中，通过确定权值、阈值以及激活函数来对输入信号进行修正。若输出信号不满足要求，则通过反向传播来调整权值、阈值以进一步改善输出结果。同时，针对反向传播过程中存在的学习率
Figure 294541DEST_PATH_IMAGE013
更新问题设计一种模糊控制方法进行更新。通过权值、阈值的调整得到满足要求的输出结果后，根据光电编码器与磁电编码器存在的方差进行数据融合处理，降低因温度影响而产生的误差得到更加精确的输出结果。
如图6所示，本发明实施例提供了一种BP神经网络的训练方法，该方法可以由电子设备实现。如图6所示的BP神经网络的训练方法流程图，该方法的处理流程可以包括如下的步骤：
S21、获取训练样本数据集，对训练样本数据集处理。
具体地，包括对训练样本数据集中的磁电编码器的信号进行处理以及对光电编码器的信号进行处理。
S22、初始化BP神经网络的参数。
其中，参数可以包括输入层到隐藏层之间的权值
Figure 244043DEST_PATH_IMAGE034
、隐藏层到输出层之间的权值
Figure 270905DEST_PATH_IMAGE019
、隐藏层阈值
Figure 331264DEST_PATH_IMAGE012
、输出层学习率
Figure 494393DEST_PATH_IMAGE013
以及隐藏层学习率
Figure 349216DEST_PATH_IMAGE014
。
S23、使用神经网络模糊控制方法对初始的BP神经网络进行调节，得到满足误差要求的样本输出结果。
一种可行的实施方式中，如图7所示，BP神经网络输入层的输出信号为
Figure 329286DEST_PATH_IMAGE072
，输出层的输出量为
Figure 193337DEST_PATH_IMAGE073
，隐藏层输出为
Figure 476551DEST_PATH_IMAGE074
。设输入层到隐藏层之间的权值矩阵为
Figure 767855DEST_PATH_IMAGE075
；隐藏层到输出层之间的权值矩阵为
Figure 503729DEST_PATH_IMAGE076
，隐藏层阈值为
Figure 905892DEST_PATH_IMAGE012
。本申请实施例中
Figure 309191DEST_PATH_IMAGE077
；
Figure 505818DEST_PATH_IMAGE078
。
其中，隐藏层采用如图8所示的非线性激活函数
Figure 728988DEST_PATH_IMAGE036
，如下式（1）所示：
Figure 200421DEST_PATH_IMAGE079
输出层采用如图9所示的线性激活函数
Figure 192648DEST_PATH_IMAGE024
，如下式（2）所示：
Figure 560175DEST_PATH_IMAGE080
隐藏层的输入量为
Figure 270642DEST_PATH_IMAGE081
，与激活函数作用后为
Figure 280187DEST_PATH_IMAGE082
；流向输出层后与输出层的权值相作用得
Figure 392499DEST_PATH_IMAGE083
，与激活函数作用后得到输出量为
Figure 193577DEST_PATH_IMAGE084
。
在得到输出量
Figure 125761DEST_PATH_IMAGE085
后将其与期望值
Figure 938997DEST_PATH_IMAGE023
进行比较，若目标误差
Figure 640236DEST_PATH_IMAGE015
不小于
Figure 880725DEST_PATH_IMAGE016
，则进行反向传播调整以修正权值与阈值。
可选地，反向传播调整以修正权值与阈值的过程如下：
目标误差
Figure 34626DEST_PATH_IMAGE015
为输出量与期望值之差，如下式（3）所示：
Figure 651552DEST_PATH_IMAGE086
输出量的均方误差
Figure 207298DEST_PATH_IMAGE021
为，如下式（4）所示：
Figure 618688DEST_PATH_IMAGE087
计算均方误差就是为了改变权值系数，按照
Figure 525464DEST_PATH_IMAGE021
的负梯度方向来调整输出层权值
Figure 680502DEST_PATH_IMAGE011
，如下式（5）、（6）所示：
Figure 356334DEST_PATH_IMAGE088
其中，
Figure 938625DEST_PATH_IMAGE018
为隐藏层到输出层之间的权值的调整量；
Figure 332697DEST_PATH_IMAGE019
为调整前隐藏层到输出层之间的权值；
Figure 25846DEST_PATH_IMAGE020
为调整后隐藏层到输出层之间的权值；
Figure 818834DEST_PATH_IMAGE013
为输出层学习率；
Figure 40868DEST_PATH_IMAGE021
为样本输出量的均方误差；
Figure 922237DEST_PATH_IMAGE022
为样本输出量；
Figure 419077DEST_PATH_IMAGE023
为期望值；
Figure 69501DEST_PATH_IMAGE024
为线性激活函数；
Figure 993595DEST_PATH_IMAGE089
，
Figure 96680DEST_PATH_IMAGE012
为隐藏层阈值；
Figure 131632DEST_PATH_IMAGE090
为隐藏层的输出量。
式中
Figure 902142DEST_PATH_IMAGE013
为学习率，取值通常介于0到1之间，后文将通过设计模糊控制来调整
Figure 731558DEST_PATH_IMAGE013
，以获得更好的权值
Figure 321939DEST_PATH_IMAGE011
。训练过程中，可以令调整后的输出层权值
Figure 160582DEST_PATH_IMAGE020
为下一次调整中的
Figure 785599DEST_PATH_IMAGE019
，代入上式（5）、（6）中。
输出层阈值
Figure 51495DEST_PATH_IMAGE012
的调整量，如下式（7）（8）所示：
Figure 129172DEST_PATH_IMAGE091
其中，
Figure 502997DEST_PATH_IMAGE092
为隐藏层阈值的调整量；
Figure 982520DEST_PATH_IMAGE093
为调整前隐藏层阈值；
Figure 419318DEST_PATH_IMAGE094
为调整后隐藏层阈值。
隐藏层权值
Figure 984291DEST_PATH_IMAGE034
的调整过程与输出层权值调整过程相似，如下式（9）、（10）所示：
Figure 164737DEST_PATH_IMAGE095
其中，
Figure 233187DEST_PATH_IMAGE033
为输入层到隐藏层之间的权值的调整量；
Figure 575307DEST_PATH_IMAGE034
为调整前输入层到隐藏层之间的权值；
Figure 627576DEST_PATH_IMAGE035
为输入层到隐藏层之间的权值；
Figure 346134DEST_PATH_IMAGE036
为非线性激活函数；
Figure 269090DEST_PATH_IMAGE037
为输入层的输出信号；
Figure 47691DEST_PATH_IMAGE014
为隐藏层学习率；
Figure 321677DEST_PATH_IMAGE096
为隐藏层的输入量，
Figure 843925DEST_PATH_IMAGE097
。
式中
Figure 884038DEST_PATH_IMAGE014
为隐藏层学习率，取值通常介于0到1之间。
可选地，针对学习率
Figure 567960DEST_PATH_IMAGE013
的更新问题设计模糊调整器，具体内容如下：
模糊调整器的输入为误差均值
Figure 860401DEST_PATH_IMAGE098
和误差均值变化率
Figure 655182DEST_PATH_IMAGE099
，输出为学习率
Figure 818310DEST_PATH_IMAGE013
；其中，
Figure 204292DEST_PATH_IMAGE100
为控制器的采样周期。
选取论域，输入变量
Figure 452871DEST_PATH_IMAGE101
,
Figure 316921DEST_PATH_IMAGE102
，输出变量
Figure 600135DEST_PATH_IMAGE103
。隶属度函数均采用高斯型，解模糊方法采用MIN-MAX-重心法。模糊控制规则如下表2所示：
Figure 891439DEST_PATH_IMAGE104
上述表2通过模糊规则建立输入变量
Figure 361735DEST_PATH_IMAGE105
与
Figure 29477DEST_PATH_IMAGE106
与输出变量
Figure 167197DEST_PATH_IMAGE013
之间的关系，进而实现对学习率
Figure 629402DEST_PATH_IMAGE013
的调整。
由上述内容可知，经BP神经网络训练后的输出值为
Figure 852573DEST_PATH_IMAGE107
。其中训练后的
Figure 55497DEST_PATH_IMAGE001
轴信号
Figure 47724DEST_PATH_IMAGE108
与
Figure 946410DEST_PATH_IMAGE109
轴信号
Figure 656877DEST_PATH_IMAGE110
，使用表1可输出优化后的磁电编码器角度
Figure 135262DEST_PATH_IMAGE049
。训练后的光电编码器相关信号
Figure 247575DEST_PATH_IMAGE111
，使用前述光电编码器尺度变换的反映射规则
Figure 51583DEST_PATH_IMAGE112
，可得优化后的光电编码器角度
Figure 983767DEST_PATH_IMAGE050
。
本发明实施例中，将光磁混合编码器中光电编码器和磁电编码器的信号进行处理，磁电编码器信号拆分为
Figure 531423DEST_PATH_IMAGE001
轴信号与
Figure 498242DEST_PATH_IMAGE003
轴信号、光电编码器信号进行尺度变换，作为所设计的神经网络输入信号。这样更易建立输出的修正后的信号与输入信号的关系。在神经网络正向传播过程中，通过确定权值、阈值以及激活函数来对输入信号进行修正。若输出信号不满足要求，则通过反向传播来调整权值、阈值以进一步改善输出结果。同时，针对反向传播过程中存在的学习率
Figure 738730DEST_PATH_IMAGE013
更新问题设计一种模糊控制方法进行更新。通过权值、阈值的调整得到满足要求的输出结果后，根据光电编码器与磁电编码器存在的方差进行数据融合处理，降低因温度影响而产生的误差得到更加精确的输出结果。
如图10所示，本发明实施例提供了一种装置1000，该装置1000应用于实现方法，该装置1000包括：
获取模块1010，用于获取光磁混合编码器的信号。
处理模块1020，用于对光磁混合编码器的信号进行处理。
输入模块1030，用于将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络。
输出模块1040，基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，输出结果为优化后的磁电编码器角度和光电编码器角度。
融合模块1050，用于对输出结果进行数据融合，得到光磁混合编码器的最终输出值。
可选地，处理模块1020，进一步用于：
分别对光磁混合编码器中的磁电编码器的信号以及对光磁混合编码器中的光电编码器的信号进行处理。
其中，处理模块1020，进一步用于：
将磁电编码器的输出信号拆分为
Figure 158210DEST_PATH_IMAGE001
轴信号
Figure 509557DEST_PATH_IMAGE006
和
Figure 330883DEST_PATH_IMAGE003
轴信号
Figure 742272DEST_PATH_IMAGE004
。
处理模块1020，进一步用于：
将光电编码器的输入信号
Figure 646119DEST_PATH_IMAGE113
进行尺度变换。
可选地，输入模块1030，进一步用于：
将
Figure 269998DEST_PATH_IMAGE006
作为训练好的BP神经网络输入信号
Figure 211410DEST_PATH_IMAGE007
、
Figure 793701DEST_PATH_IMAGE004
作为训练好的BP神经网络输入信号
Figure 187773DEST_PATH_IMAGE008
、尺度变换后的光电编码器的输入信号作为训练好的BP神经网络输入信号
Figure 615343DEST_PATH_IMAGE009
，输入到训练好的BP神经网络。
可选地，输出模块1040，进一步用于：
S41、获取训练样本数据集，对训练样本数据集进行处理。
S42、初始化BP神经网络的参数；参数包括输入层到隐藏层之间的权值
Figure 411261DEST_PATH_IMAGE010
、隐藏层到输出层之间的权值
Figure 898874DEST_PATH_IMAGE011
、隐藏层阈值
Figure 514663DEST_PATH_IMAGE012
、输出层学习率
Figure 11503DEST_PATH_IMAGE013
以及隐藏层学习率
Figure 396348DEST_PATH_IMAGE014
。
S43、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 320442DEST_PATH_IMAGE015
大于或等于预设输出误差阈值
Figure 423527DEST_PATH_IMAGE016
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差
Figure 458479DEST_PATH_IMAGE015
小于预设输出误差阈值
Figure 61997DEST_PATH_IMAGE016
，则得到训练好的BP神经网络；其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整。
可选地，输出模块1040，进一步用于：
通过下式（1）（2）计算隐藏层到输出层之间的权值的调整量，通过隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 891413DEST_PATH_IMAGE114
其中，
Figure 747373DEST_PATH_IMAGE018
为隐藏层到输出层之间的权值的调整量；
Figure 586016DEST_PATH_IMAGE019
为调整前隐藏层到输出层之间的权值；
Figure 679874DEST_PATH_IMAGE020
为调整后隐藏层到输出层之间的权值；
Figure 945771DEST_PATH_IMAGE013
为输出层学习率；
Figure 23448DEST_PATH_IMAGE021
为样本输出量的均方误差；
Figure 665782DEST_PATH_IMAGE022
为样本输出量；
Figure 145305DEST_PATH_IMAGE023
为期望值；
Figure 582102DEST_PATH_IMAGE024
为线性激活函数；
Figure 147076DEST_PATH_IMAGE115
，
Figure 327522DEST_PATH_IMAGE012
为隐藏层阈值；
Figure 661551DEST_PATH_IMAGE027
为隐藏层的输出量。
可选地，输出模块1040，进一步用于：
通过下式（3）（4）计算隐藏层阈值的调整量，通过隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 269250DEST_PATH_IMAGE116
其中，
Figure 55940DEST_PATH_IMAGE029
为隐藏层阈值的调整量；
Figure 771568DEST_PATH_IMAGE030
为调整前隐藏层阈值；
Figure 225683DEST_PATH_IMAGE031
为调整后隐藏层阈值。
可选地，输出模块1040，进一步用于：
通过下式（5）（6）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 4283DEST_PATH_IMAGE117
其中，
Figure 809428DEST_PATH_IMAGE033
为输入层到隐藏层之间的权值的调整量；
Figure 66097DEST_PATH_IMAGE034
为调整前输入层到隐藏层之间的权值；
Figure 374719DEST_PATH_IMAGE035
为输入层到隐藏层之间的权值；
Figure 58641DEST_PATH_IMAGE036
为非线性激活函数；
Figure 819923DEST_PATH_IMAGE037
为输入层的输出信号；
Figure 880283DEST_PATH_IMAGE014
为隐藏层学习率；
Figure 43411DEST_PATH_IMAGE038
为隐藏层的输入量，
Figure 898235DEST_PATH_IMAGE118
。
可选地，输出模块1040，进一步用于：
设计模糊调整器对输出层学习率进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值。
可选地，输出模块1040，进一步用于：
将误差均值和误差均值变化率作为模糊调整器的输入，得到调整后的输出层学习率
Figure 146814DEST_PATH_IMAGE013
。
本发明实施例中，将光磁混合编码器中光电编码器和磁电编码器的信号进行处理，磁电编码器信号拆分为
Figure 10864DEST_PATH_IMAGE001
轴信号与
Figure 762920DEST_PATH_IMAGE003
轴信号、光电编码器信号进行尺度变换，作为所设计的神经网络输入信号。这样更易建立输出的修正后的信号与输入信号的关系。在神经网络正向传播过程中，通过确定权值、阈值以及激活函数来对输入信号进行修正。若输出信号不满足要求，则通过反向传播来调整权值、阈值以进一步改善输出结果。同时，针对反向传播过程中存在的学习率
Figure 316873DEST_PATH_IMAGE013
更新问题设计一种模糊控制方法进行更新。通过权值、阈值的调整得到满足要求的输出结果后，根据光电编码器与磁电编码器存在的方差进行数据融合处理，降低因温度影响而产生的误差得到更加精确的输出结果。
图11是本发明实施例提供的一种电子设备1100的结构示意图，该电子设备1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）1101和一个或一个以上的存储器1102，其中，存储器1102中存储有至少一条指令，至少一条指令由处理器1101加载并执行以实现下述抑制温度效应的光磁编码器智能数据融合处理方法：
S1、获取光磁混合编码器的信号。
S2、对光磁混合编码器的信号进行处理。
S3、将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络。
S4、基于处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，输出结果为优化后的磁电编码器角度和光电编码器角度。
S5、对输出结果进行数据融合，得到光磁混合编码器的最终输出值。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述抑制温度效应的光磁编码器智能数据融合处理方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种抑制温度效应的光磁编码器智能数据融合处理方法，其特征在于，所述方法包括：
S1、获取光磁混合编码器的信号；
S2、对所述光磁混合编码器的信号进行处理；
S3、将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络；
S4、基于所述处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，所述输出结果为优化后的磁电编码器角度和光电编码器角度；
S5、对所述输出结果进行数据融合，得到光磁混合编码器的最终输出值；
所述S4中的BP神经网络的训练过程包括：
S41、获取训练样本数据集，对所述训练样本数据集进行处理；
S42、初始化BP神经网络的参数；所述参数包括输入层到隐藏层之间的权值
Figure 411724DEST_PATH_IMAGE001
、隐藏层到输出层之间的权值
Figure 922340DEST_PATH_IMAGE002
、隐藏层阈值
Figure 780706DEST_PATH_IMAGE003
、输出层学习率
Figure 910336DEST_PATH_IMAGE004
以及隐藏层学习率
Figure 52604DEST_PATH_IMAGE005
；
S43、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将所述样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 343908DEST_PATH_IMAGE006
大于或等于预设输出误差阈值
Figure 453684DEST_PATH_IMAGE007
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差小于预设输出误差阈值
Figure 121426DEST_PATH_IMAGE007
，则得到训练好的BP神经网络；其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整；
所述对隐藏层到输出层之间的权值进行调整，包括：
通过下式（1）（2）计算隐藏层到输出层之间的权值的调整量，通过所述隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 118201DEST_PATH_IMAGE008
Figure 190193DEST_PATH_IMAGE009
其中，
Figure 413364DEST_PATH_IMAGE010
为隐藏层到输出层之间的权值的调整量；
Figure 743851DEST_PATH_IMAGE002
为调整前隐藏层到输出层之间的权值；
Figure 736078DEST_PATH_IMAGE011
为调整后隐藏层到输出层之间的权值；
Figure 11595DEST_PATH_IMAGE012
为输出层学习率；
Figure 722062DEST_PATH_IMAGE013
为样本输出量的均方误差；
Figure 590661DEST_PATH_IMAGE014
为样本输出量；
Figure 702974DEST_PATH_IMAGE015
为期望值；
Figure 382348DEST_PATH_IMAGE016
为线性激活函数；
Figure 580111DEST_PATH_IMAGE017
，
Figure 252401DEST_PATH_IMAGE018
为隐藏层阈值；
Figure 219220DEST_PATH_IMAGE019
为隐藏层的输出量；
所述对隐藏层阈值进行调整，包括：
通过下式（3）（4）计算隐藏层阈值的调整量，通过所述隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 833609DEST_PATH_IMAGE020
其中，
Figure 253089DEST_PATH_IMAGE021
为隐藏层阈值的调整量；
Figure 729070DEST_PATH_IMAGE022
为调整前隐藏层阈值；
Figure 284816DEST_PATH_IMAGE023
为调整后隐藏层阈值；
所述对输入层到隐藏层之间的权值进行调整，包括：
通过下式（5）（6）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 571572DEST_PATH_IMAGE025
其中，
Figure 478349DEST_PATH_IMAGE026
为输入层到隐藏层之间的权值的调整量；
Figure 758020DEST_PATH_IMAGE027
为调整前输入层到隐藏层之间的权值；
Figure 699431DEST_PATH_IMAGE028
为输入层到隐藏层之间的权值；
Figure 392974DEST_PATH_IMAGE029
为非线性激活函数；
Figure 787046DEST_PATH_IMAGE030
为输入层的输出信号；
Figure 604830DEST_PATH_IMAGE031
为隐藏层学习率；
Figure 400747DEST_PATH_IMAGE032
为隐藏层的输入量，
Figure 29306DEST_PATH_IMAGE033
；
所述S43中的对BP神经网络的参数进行调整包括：
设计模糊调整器对输出层学习率
Figure 910674DEST_PATH_IMAGE012
进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值；
所述设计模糊调整器对输出层学习率进行调整包括：
将误差均值和误差均值变化率作为模糊调整器的输入，得到调整后的输出层学习率
Figure 532149DEST_PATH_IMAGE004
。
2.根据权利要求1所述的方法，其特征在于，所述S2中的对所述光磁混合编码器的信号进行处理包括：
分别对所述光磁混合编码器中的磁电编码器的信号以及对所述光磁混合编码器中的光电编码器的信号进行处理；
其中，对所述光磁混合编码器中的磁电编码器的信号进行处理包括：
将磁电编码器的输出信号拆分为
Figure 182573DEST_PATH_IMAGE034
轴信号
Figure 214989DEST_PATH_IMAGE035
和
Figure 583653DEST_PATH_IMAGE036
轴信号
Figure 743239DEST_PATH_IMAGE037
；
对所述光磁混合编码器中的光电编码器的信号进行处理包括：
将光电编码器的输入信号
Figure 513749DEST_PATH_IMAGE038
进行尺度变换。
3.根据权利要求2所述的方法，其特征在于，所述S3中的将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络包括：
将
Figure 218531DEST_PATH_IMAGE035
作为训练好的BP神经网络输入信号
Figure 74491DEST_PATH_IMAGE039
、
Figure 37768DEST_PATH_IMAGE037
作为训练好的BP神经网络输入信号
Figure 662785DEST_PATH_IMAGE040
、尺度变换后的光电编码器的输入信号作为训练好的BP神经网络输入信号
Figure 928681DEST_PATH_IMAGE041
，输入到训练好的BP神经网络。
4.一种抑制温度效应的光磁编码器智能数据融合处理装置，其特征在于，所述装置包括：
获取模块，用于获取光磁混合编码器的信号；
处理模块，用于对所述光磁混合编码器的信号进行处理；
输入模块，用于将处理后的光磁混合编码器的信号输入到训练好的反向传播BP神经网络；
输出模块，基于所述处理后的光磁混合编码器的信号以及训练好的BP神经网络，得到输出结果；其中，所述输出结果为优化后的磁电编码器角度和光电编码器角度；
BP神经网络的训练过程包括：
S41、获取训练样本数据集，对所述训练样本数据集进行处理；
S42、初始化BP神经网络的参数；所述参数包括输入层到隐藏层之间的权值
Figure 383189DEST_PATH_IMAGE001
、隐藏层到输出层之间的权值
Figure 25523DEST_PATH_IMAGE002
、隐藏层阈值
Figure 629680DEST_PATH_IMAGE003
、输出层学习率
Figure 66477DEST_PATH_IMAGE012
以及隐藏层学习率
Figure 506817DEST_PATH_IMAGE005
；
S43、将处理后的训练样本数据集输入到BP神经网络，得到样本输出量，将所述样本输出量与期望值进行比较，得到目标误差，若目标误差
Figure 687263DEST_PATH_IMAGE006
大于或等于预设输出误差阈值
Figure 145926DEST_PATH_IMAGE007
，则对BP神经网络的参数进行调整，转去执行S43；若目标误差
Figure 753625DEST_PATH_IMAGE006
小于预设输出误差阈值
Figure 179796DEST_PATH_IMAGE007
，则得到训练好的BP神经网络；其中，对BP神经网络的参数进行调整包括对隐藏层到输出层之间的权值进行调整、对隐藏层阈值进行调整以及对输入层到隐藏层之间的权值进行调整；
所述对隐藏层到输出层之间的权值进行调整，包括：
通过下式（1）（2）计算隐藏层到输出层之间的权值的调整量，通过所述隐藏层到输出层之间的权值的调整量，对隐藏层到输出层之间的权值进行调整：
Figure 757408DEST_PATH_IMAGE043
其中，
Figure 211523DEST_PATH_IMAGE010
为隐藏层到输出层之间的权值的调整量；
Figure 334331DEST_PATH_IMAGE044
为调整前隐藏层到输出层之间的权值；
Figure 998530DEST_PATH_IMAGE011
为调整后隐藏层到输出层之间的权值；
Figure 255199DEST_PATH_IMAGE012
为输出层学习率；
Figure 928933DEST_PATH_IMAGE013
为样本输出量的均方误差；
Figure 878435DEST_PATH_IMAGE014
为样本输出量；
Figure 498772DEST_PATH_IMAGE015
为期望值；
Figure 700077DEST_PATH_IMAGE016
为线性激活函数；
Figure 863205DEST_PATH_IMAGE017
，
Figure 108242DEST_PATH_IMAGE003
为隐藏层阈值；
Figure 622400DEST_PATH_IMAGE019
为隐藏层的输出量；
所述对隐藏层阈值进行调整，包括：
通过下式（3）（4）计算隐藏层阈值的调整量，通过所述隐藏层阈值的调整量，对隐藏层阈值进行调整：
Figure 860352DEST_PATH_IMAGE045
其中，
Figure 877986DEST_PATH_IMAGE021
为隐藏层阈值的调整量；
Figure 559503DEST_PATH_IMAGE022
为调整前隐藏层阈值；
Figure 295378DEST_PATH_IMAGE023
为调整后隐藏层阈值；
所述对输入层到隐藏层之间的权值进行调整，包括：
通过下式（5）（6）计算输入层到隐藏层之间的权值的调整量，通过输入层到隐藏层之间的权值的调整量，对输入层到隐藏层之间的权值进行调整：
Figure 838486DEST_PATH_IMAGE047
其中，
Figure 710627DEST_PATH_IMAGE026
为输入层到隐藏层之间的权值的调整量；
Figure 563046DEST_PATH_IMAGE027
为调整前输入层到隐藏层之间的权值；
Figure 786217DEST_PATH_IMAGE028
为输入层到隐藏层之间的权值；
Figure 368901DEST_PATH_IMAGE029
为非线性激活函数；
Figure 361128DEST_PATH_IMAGE030
为输入层的输出信号；
Figure 118868DEST_PATH_IMAGE031
为隐藏层学习率；
Figure 563756DEST_PATH_IMAGE032
为隐藏层的输入量，
Figure 448667DEST_PATH_IMAGE033
；
所述S43中的对BP神经网络的参数进行调整包括：
设计模糊调整器对输出层学习率
Figure 420034DEST_PATH_IMAGE012
进行调整，修正输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及隐藏层阈值；
所述设计模糊调整器对输出层学习率进行调整包括：
将误差均值和误差均值变化率作为模糊调整器的输入，得到调整后的输出层学习率
Figure 224042DEST_PATH_IMAGE004
；
融合模块，用于对所述输出结果进行数据融合，得到光磁混合编码器的最终输出值。
CN202210090301.2A 2022-01-26 2022-01-26 抑制温度效应的光磁编码器智能数据融合处理方法及装置 Active CN114118307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210090301.2A CN114118307B (zh) 2022-01-26 2022-01-26 抑制温度效应的光磁编码器智能数据融合处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210090301.2A CN114118307B (zh) 2022-01-26 2022-01-26 抑制温度效应的光磁编码器智能数据融合处理方法及装置

Publications (2)

Publication Number Publication Date
CN114118307A CN114118307A (zh) 2022-03-01
CN114118307B true CN114118307B (zh) 2022-04-19

Family

ID=80361487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210090301.2A Active CN114118307B (zh) 2022-01-26 2022-01-26 抑制温度效应的光磁编码器智能数据融合处理方法及装置

Country Status (1)

Country Link
CN (1) CN114118307B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298444A (zh) * 2019-05-22 2019-10-01 东南大学 一种提高基于霍尔效应磁编码器输出角度精度的方法
CN111649766A (zh) * 2020-06-01 2020-09-11 哈尔滨理工大学 一种磁电编码器角度值噪声主动抑制方法及装置
US11088784B1 (en) * 2020-12-24 2021-08-10 Aira Technologies, Inc. Systems and methods for utilizing dynamic codes with neural networks
CN113255851A (zh) * 2021-07-16 2021-08-13 北京科技大学 一种机器人关节光磁混合编码器的数据融合方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298444A (zh) * 2019-05-22 2019-10-01 东南大学 一种提高基于霍尔效应磁编码器输出角度精度的方法
CN111649766A (zh) * 2020-06-01 2020-09-11 哈尔滨理工大学 一种磁电编码器角度值噪声主动抑制方法及装置
US11088784B1 (en) * 2020-12-24 2021-08-10 Aira Technologies, Inc. Systems and methods for utilizing dynamic codes with neural networks
CN113255851A (zh) * 2021-07-16 2021-08-13 北京科技大学 一种机器人关节光磁混合编码器的数据融合方法及装置

Also Published As

Publication number Publication date
CN114118307A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN108297101B (zh) 多关节臂串联机器人末端位姿误差检测和动态补偿方法
CN109927032A (zh) 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法
CN108809166B (zh) 永磁直流电机的扰动观测器
CN112432644A (zh) 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法
CN109974750B (zh) 一种基于模糊逻辑系统的环形激光器温度建模及补偿方法
CN111273544B (zh) 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
CN105717788A (zh) 一种基于模糊pid的快速反射镜自抗扰控制系统
CN110441027B (zh) 一种控制探针自动跟踪系统零点漂移的修正方法
CN109946979A (zh) 一种伺服系统灵敏度函数的自适应调整方法
CN113203429A (zh) 一种陀螺仪温度漂移误差的在线估计及补偿方法
CN113325716A (zh) 基于扩张观测器的水下液压机械臂非线性鲁棒控制方法
CN111089576A (zh) 光纤陀螺实际输出值确定方法、光纤陀螺阀值测试方法
CN114118307B (zh) 抑制温度效应的光磁编码器智能数据融合处理方法及装置
CN116987878A (zh) 一种航天复杂铸造零件热处理的抗干扰温度控制方法
CN112651456A (zh) 基于rbf神经网络的无人车控制方法
CN114013504B (zh) 车辆转向参数测量校准方法、系统、介质及自动驾驶车辆
CN114003045B (zh) 一种光电跟踪仪的目标跟踪方法、终端、可读存储介质
CN113219841B (zh) 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法
CN108981688B (zh) 基于激光导航agv惯导航向角原点变换及误差补偿算法
CN105871277A (zh) 一种基于最小方差的永磁伺服系统非线性模型预测控制器设计方法
CN117192726B (zh) 一种基于改进自抗扰控制的快速反射镜控制方法及设备
CN116149262B (zh) 一种伺服系统的跟踪控制方法及系统
CN115070731B (zh) 一种面向并联机构的几何误差标定方法、系统和电子设备
CN114527768A (zh) 基于hjb方程数据驱动解的无人船最优避障路径规划方法
CN116061768A (zh) 基于固定时间极值搜索算法的氢燃料电池的智能控制方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20250210

Address after: Room 2008, Building 1, No. 76 Wuxie Road, Didang Street, Yuecheng District, Shaoxing City, Zhejiang Province 312099

Patentee after: Shaoxing Mingsi Technology Co.,Ltd.

Country or region after: China

Address before: 100083 No. 30, Haidian District, Beijing, Xueyuan Road

Patentee before: University OF SCIENCE AND TECHNOLOGY BEIJING

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20250518

Address after: Building 22, South of Huanxi Road, Taixing High tech Industrial Development Zone, Taizhou City, Jiangsu Province, China 225400

Patentee after: Jiangsu Yingkede Technology Co.,Ltd.

Country or region after: China

Address before: Room 2008, Building 1, No. 76 Wuxie Road, Didang Street, Yuecheng District, Shaoxing City, Zhejiang Province 312099

Patentee before: Shaoxing Mingsi Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right