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 PDFInfo
- 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
- output
- hidden layer
- encoder
- weight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007499 fusion processing Methods 0.000 title claims abstract description 20
- 230000002277 temperature effect Effects 0.000 title claims abstract description 17
- 230000002401 inhibitory effect Effects 0.000 title claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
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:
对光磁混合编码器中的光电编码器的信号进行处理包括:
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:
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。
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值为隐藏层的输出量。
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:
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:
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:
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:
对光磁混合编码器中的光电编码器的信号进行处理包括:
可选地,输入模块,进一步用于:
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。
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;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:
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:
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:
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:
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,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,位于一条直线记为轴,位于一条直线记为轴。将轴的信号、轴的信号分别差分,可得轴正弦信号与轴正弦信号,两路信号的反正切即为所测轴的角度值,如下式(1)所示:
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,将旋转一周的轴信号作为横坐标、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轴信号、轴信号后,更易建立修正信号与输入信号的关系。故将作为神经网络输入信号,作为输入信号。
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,即,变换后当光磁混合编码器旋转单位角度时,信号的变化幅度与轴、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。
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。
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。
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;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:
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:
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:
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:
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轴信号与轴信号、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。
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。
可选地,反向传播调整以修正权值与阈值的过程如下:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;为隐藏层的输出量。
由上述内容可知,经BP神经网络训练后的输出值为。其中训练后的轴信号与轴信号,使用表1可输出优化后的磁电编码器角度。训练后的光电编码器相关信号,使用前述光电编码器尺度变换的反映射规则,可得优化后的光电编码器角度。
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轴信号与轴信号、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:
处理模块1020,进一步用于:
可选地,输入模块1030,进一步用于:
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。
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;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:
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:
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:
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轴信号与轴信号、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;
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;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:
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:
所述S43中的对BP神经网络的参数进行调整包括:
所述设计模糊调整器对输出层学习率进行调整包括:
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;
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,若目标误差大于或等于预设输出误差阈值,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,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:
其中,为隐藏层到输出层之间的权值的调整量;为调整前隐藏层到输出层之间的权值;为调整后隐藏层到输出层之间的权值;为输出层学习率;为样本输出量的均方误差;为样本输出量;为期望值;为线性激活函数;,为隐藏层阈值;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:
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:
所述S43中的对BP神经网络的参数进行调整包括:
所述设计模糊调整器对输出层学习率进行调整包括:
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。
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)
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 |
-
2022
- 2022-01-26 CN CN202210090301.2A patent/CN114118307B/zh active Active
Patent Citations (4)
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 |
---|---|---|
CN109318050A (zh) | 自动制孔系统的孔位校正方法 | |
CN112432644B (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 | |
CN105867138B (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
CN110883774A (zh) | 机器人关节角零位标定系统、方法及存储介质 | |
CN112986977A (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
JPH02217904A (ja) | 位置決め制御装置 | |
CN107246852A (zh) | 基于角度调整机构的测量标定方法、装置及角度调整机构 | |
CN110441027B (zh) | 一种控制探针自动跟踪系统零点漂移的修正方法 | |
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 | |
US4933870A (en) | Digital silver ion concentration controller for the precipitation of silver halide emulsions | |
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 | |
CN111693051A (zh) | 一种基于光电传感器的多目标数据关联方法 | |
CN113641193B (zh) | 一种非最小相位系统精确跟踪控制方法 | |
CN112987054B (zh) | 标定sins/dvl组合导航系统误差的方法和装置 | |
CN114029954A (zh) | 一种异构伺服的力反馈估计方法 | |
CN113601508B (zh) | 一种机器人运动控制方法、系统及机器人 | |
CN116184830B (zh) | 一种笼套式电动节流阀阀门开度控制方法 | |
JPH0272404A (ja) | メンバーシップ関数決定方法 | |
CN116805336B (zh) | 一种机器视觉环境下的钢筋交叉点精确坐标解算方法 | |
JPH0454243B2 (zh) | ||
CN114970087B (zh) | 一种基于旋转三棱镜装置的反解方法 | |
CN117406589B (zh) | 一种针对模型未知的机动目标交互式平滑变结构滤波方法 | |
TWI679507B (zh) | 以等效輪廓誤差控制雙軸工具機的學習系統及方法 | |
JPH04358202A (ja) | 学習制御方法 | |
Sun et al. | An Adaptive Fusion Attitude and Heading Measurement Method of MEMS/GNSS Based on Covariance Matching. Micromachines 2022, 13, 1787 |
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 |