CN116304968A - 一种基于bp神经网络的超声水表流量数据融合方法和装置 - Google Patents
一种基于bp神经网络的超声水表流量数据融合方法和装置 Download PDFInfo
- Publication number
- CN116304968A CN116304968A CN202310017181.8A CN202310017181A CN116304968A CN 116304968 A CN116304968 A CN 116304968A CN 202310017181 A CN202310017181 A CN 202310017181A CN 116304968 A CN116304968 A CN 116304968A
- Authority
- CN
- China
- Prior art keywords
- neural network
- neuron
- hidden layer
- flow
- water meter
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 87
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000002945 steepest descent method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000002604 ultrasonography Methods 0.000 claims 2
- 238000009434 installation Methods 0.000 abstract description 3
- 238000011900 installation process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/66—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters
- G01F1/667—Arrangements of transducers for ultrasonic flowmeters; Circuits for operating ultrasonic flowmeters
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fluid Mechanics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明提供一种基于BP神经网络的超声水表流量数据融合方法和装置，属于流量检测技术领域。方法包括：获取超声水表在多种情况下特定流量点的各个声道的流速数据；分别将各个声道的流速数据进行平均；构建BP神经网络模型：训练BP神经网络模型以及验证BP神经网络模型，得到训练好的BP神经网络模型；将训练好的BP神经网络模型各神经元的最终权值和偏置参数传输至多声道超声水表，多声道超声水表通过训练好的BP神经网络模型对当前的流场进行识别，并调用对应流场下的权重系数进行数据融合；本发明提高了各种安装环境下流量测量的准确性，解决超声水表在实际安装过程中对长直管段的要求，具有更优的测量性能。
Description
技术领域
本发明属于流量检测技术领域，具体涉及一种基于BP神经网络的超声水表流量数据融合方法和装置。
背景技术
基于时差法的超声波流量测量原理是通过检测测量管道中超声波信号顺逆流的渡越时间得到时间差，根据时间差求得管道内的流体流量。该方法具有精度高、量程比宽和重复性好等优点。基于时差法的超声水表通常按照声道分为单声道和多声道，与单声道超声流量计相比，多声道超声波流量计受流场的影响较小，应用较为广泛。
多声道超声流量计常用权重系数法进行数据融合方法，通常的方法是在高斯积分的基础上，采用高斯-勒让德、高斯-雅可比、Tailored和OWICS等数据融合方法来获取声道权重系数。采用基于遗传BP(back propagation)神经网络算法方法结合了遗传算法在全局搜索中的优势，使其流量测量误差远小于高斯求积法，但算法的有效性很大程度上取决于设计者指定的网络架构、初始权重和层偏差。
多声道超声流量计的融合方法多采用传统的固定权值，将各声道流速数据进行加权求和。该方法具有局限性，导致其测量的误差很难减小。
发明内容
本发明要解决的技术问题是提供一种基于BP神经网络的超声水表流量数据融合方法和装置，可以解决上述背景技术中提出的问题。
为解决上述技术问题，本发明提供如下技术方案：
一方面，提供了一种基于BP神经网络的超声水表流量数据融合方法，所述方法包括：
S101、获取超声水表在多种情况下特定流量点的各个声道的流速数据；
S102、分别将各个声道的流速数据进行平均；
S103、构建BP神经网络模型：训练BP神经网络模型以及验证BP神经网络模型，得到训练好的BP神经网络模型；
S104、将S103训练好的BP神经网络模型各神经元的最终权值和偏置参数传输至多声道超声水表，所述多声道超声水表通过训练好的BP神经网络模型对当前的流场进行识别，并调用对应流场下的权重系数进行数据融合；
S104包括确定BP神经网络的激活函数为Leaky-ReLU函数、输入层神经元数量为n个、输出层神经元数量为1个、隐含层1神经元数量为n+m(用于识别的神经网络隐含层神经元数量为n个和用于最优权重计算的神经网络隐含层数量为m个)、隐含层2为神经元数量为1个；
其中，BP神经网络输出层的输出结果为声道测量流速数据融合后的面平均流速；
所述面平均流速提供如下公式进行计算：
式中，y为面平均流速，x为各声道流速组成的输入向量，
为隐含层1的第j个神经元的最优权系数向量，/>
为隐含层1的第j个神经元与输入层第n个神经元的最优权系数；/>
为隐含层2的第1个神经元的输出结果；其中n为1、2、3……；m为1、2、3……。
其中，各声道流速组成的输入向量可以通过获取管道内不同声道的水流流速数据建立向量。隐含层1的第j个神经元的最优权系数向量通过隐含层1的第j个神经元的最优权系数组成向量。
在一种可选的实施例中，隐含层2的输出结果向量计算公式如式(2)所示：
式中，y1为隐含层1的输出结果向量，f为隐含层激活函数，w1为隐含层1的用于流场识别神经元的权系数矩阵，
为隐含层1的第m+1神经元的最优权系数向量，b1为隐含层1用于流场识别神经元的偏置系数矩阵，/>
为隐含层1用于流场识别神经元的偏置系数向量。
在一种可选的实施例中，隐含层2的第1个神经元的输出结果如式(3)所示：
式中，
为隐含层2的第1个神经元的输出结果，f为隐含层激活函数，y1为隐含层1输出结果向量，/>
为隐含层2第1神经元的最优权系数矩阵，/>
为隐含层2的偏置系数，
为隐含层1的用于管道内流场识别部分的神经元，/>
为隐含层2的最优权系数矩阵，/>
为隐含层2的第1个神经元与/>
神经元对应的权值，/>
为隐含层2的第1个神经元与/>
神经元对应的权值，/>
为隐含层2的偏置系数。
在一种可选的实施例中，S103中训练BP神经网络模型包括：
S31、通过随机函数为BP神经网络各神经元进行权值和偏置参数的初值赋值；
S32、提取BP神经网络学习样本，将n个声道的流速作为输入层，将面平均流速作为输出期望，并对输入层数据进行归一化处理，采用最大值与最小值法归一化处理所述神经网络学习样本，使输出期望值分布在[0,1]范围内，得到已训练好的BP神经网络模型；
S33、进入BP神经网络训练过程，将已训练好的BP神经网络通过各神经元的权值和偏置参数计算各层各神经元的输出结果，将已训练好的BP神经网络输出层的输出结果进行反归一化处理，得到本次训练输出值。
在一种可选的实施例中，S103中验证BP神经网络模型包括：
S34、计算本次训练输出值与所述输出期望的误差，比较本次训练输出值与所述输出期望的误差，如果所述误差未满足设计要求则根据最速下降法和动量法更新BP神经网络各层各神经元的权值和偏置，然后重复S33。
最速下降法一般指梯度下降。梯度下降是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降(Gradient Descent)是最常采用的方法之一，最速下降法与动量法的使用为现有技术，因此本申请对此不做赘述。
S35、输出BP神经网络各神经元的最终权值和偏置参数。
在一种可选的实施例中，所述方法还包括对S35中输出的BP神经网络各神经元的权值和偏置参数进行修正。
在一种可选的实施例中，通过如下公式对S35中输出的BP神经网络各神经元的权值和偏置参数进行优化
a(k+1)＝a(k)+Δa(k) (4)
式中，k为迭代运算步数，mc为动量因子，η(k)为第k步的学习率，EA(k)为第k步的传递误差，a为优化后的权值和偏置参数，ω(k)为第k步的权值和偏置参数，Δω(k)为第k步权值和偏置参数的偏差。
在一种可选的实施例中，所述S34中的误差为相对误差。
另一方面，提供了一种基于BP神经网络的超声水表流量数据融合装置，所述装置包括可读存储介质，所述可读存储介质可执行上述任一所述的方法。
本发明实施例提供的方法至少具有以下有益效果：
本发明实施例提供了基于BP神经网络的多声道超声水表流量数据融合方法，通过输入的各声道流速，识别管道内的不同流场下对应的最优权值计算，提高了各种安装环境下流量测量的准确性，解决超声水表在实际安装过程中对长直管段的要求，具有更优的测量性能。
附图说明
并入本文中并且构成说明书的部分的附图示出了本公开的实施例，并且与说明书一起进一步用来对本公开的原理进行解释，并且使相关领域技术人员能够实施和使用本公开。
图1为本发明一种基于BP神经网络的超声水表流量数据融合方法流程示意图；
图2为本发明BP神经网络拓扑结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明提供的一种建筑施工用警示效果好的护栏进行详细描述。同时在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。
需要指出的是，在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。
通常，可以至少部分从上下文中的使用来理解术语。例如，至少部分取决于上下文，本文中使用的术语“一个或多个”可以用于描述单数意义的任何特征、结构或特性，或者可以用于描述复数意义的特征、结构或特性的组合。另外，术语“基于”可以被理解为不一定旨在传达一组排他性的因素，而是可以替代地，至少部分地取决于上下文，允许存在不一定明确描述的其他因素。
如图1所示，本发明的实施例提供一种基于BP神经网络的超声水表流量数据融合方法，方法包括：
S101、获取超声水表在多种情况下特定流量点的各个声道的流速数据；
S102、分别将各个声道的流速数据进行平均；
S103、构建BP神经网络模型：训练BP神经网络模型以及验证BP神经网络模型，得到训练好的BP神经网络模型；
S104、将S103训练好的BP神经网络模型各神经元的最终权值和偏置参数传输至多声道超声水表，多声道超声水表通过训练好的BP神经网络模型对当前的流场进行识别，并调用对应流场下的权重系数进行数据融合；
S104包括确定BP神经网络的激活函数为Leaky-ReLU函数、输入层神经元数量为n个、输出层神经元数量为1个、用于识别的神经网络隐含层神经元数量为n+1个、用于最优权重计算的神经网络隐含层数量为m个；
其中，n为声道数量，m为不同流场分类数量，BP神经网络输出层的输出结果为声道测量流速数据融合后的面平均流速；
面平均流速提供如下公式进行计算：
式中，y为面平均流速，x为各声道流速组成的输入向量，
为隐含层1的第j个神经元的最优权系数向量，/>
为隐含层1的第j个神经元与输入层第n个神经元的最优权系数；/>
为隐含层2的第1个神经元的输出结果；其中n为1、2、3……；m为1、2、3……。
本发明实施例提供的方法至少具有以下有益效果：
本发明实施例提供了基于BP神经网络的多声道超声水表流量数据融合方法，通过输入的各声道流速，识别管道内的不同流场下对应的最优权值计算，提高了各种安装环境下流量测量的准确性，解决超声水表在实际安装过程中对长直管段的要求，具有更优的测量性能。
以下将通过可选的实施例进一步解释和描述本发明实施例提供的方法：
本发明实施例首先通过在多声道超声水表通过不同流场下的多流量点实验，分别获取超声水表在多种情况下特定流量点的各个声道的流速数据，分别将各个声道多次测量的数据进行平均，以减少测量过程中的随机误差。然后采用BP神经网络对实验数据对进行训练，得到多声道超声水表的神经网络参数。最后将训练得到的BP神经网络参数传输至多声道超声水表，超声水表通过训练好的BP神经网络对当前的流场进行识别，并调用对应流场下的权重系数进行数据融合。
在一种可选的实施例中，隐含层n的输出结果向量计算公式如式(2)所示：
式中，y1为隐含层1的输出结果向量，f为隐含层激活函数，w1为隐含层1的用于流场识别神经元的权系数矩阵，
为隐含层1的第m+1神经元的最优权系数向量，b1为隐含层1用于流场识别神经元的偏置系数矩阵，/>
为隐含层1用于流场识别神经元的偏置系数向量。
在一种可选的实施例中，隐含层2的第1个神经元的输出结果如式(3)所示：
式中，
为隐含层2的第1个神经元的输出结果，f为隐含层激活函数，y1为隐含层1输出结果向量，/>
为隐含层2第1神经元的最优权系数矩阵，/>
为隐含层2的偏置系数，，
为隐含层1的用于管道内流场识别部分的神经元，/>
为隐含层2的最优权系数矩阵，/>
为隐含层2的第1个神经元与/>
神经元对应的权值，/>
为隐含层2的第1个神经元与/>
神经元对应的权值，/>
为隐含层2的偏置系数。
在一种可选的实施例中，S103中训练BP神经网络模型包括：
S31、通过随机函数为BP神经网络各神经元进行权值和偏置参数的初值赋值；
S32、提取BP神经网络学习样本，将M个声道的流速作为输入层，将面平均流速作为输出期望，并对输入层数据进行归一化处理，采用最大值与最小值法处理神经网络学习样本，使输出期望值分布在[-1,1]范围内，得到已训练好的BP神经网络模型；
S33、进入BP神经网络训练过程，将已训练好的BP神经网络通过各神经元的权值和偏置参数计算各层各神经元的输出结果，将已训练好的BP神经网络输出层的输出结果进行反归一化处理，得到本次训练输出值。
在一种可选的实施例中，S103中验证BP神经网络模型包括：
S34、计算本次训练输出值与所述输出期望的误差，比较本次训练输出值与所述输出期望的误差，如果所述误差未满足设计要求则根据最速下降法和动量法更新BP神经网络各层各神经元的权值和偏置，然后重复S33；
S35、输出BP神经网络各神经元的最终权值和偏置参数。
在一种可选的实施例中，方法还包括对S35中输出的BP神经网络各神经元的最终权值和偏置参数进行修正。
在一种可选的实施例中，通过如下公式对S35中输出的BP神经网络各神经元的权值和偏置参数进行优化
ω(k+1)＝ω(k)+Δω(k) (4)
式中，k为迭代运算步数，mc为动量因子，η(k)为第k步的学习率，EA(k)为第k步的传递误差，a为优化后的权值和偏置参数，ω(k)为第k步的权值和偏置参数，Δω(k)为第k步权值和偏置参数的偏差。
BP神经网络的隐含层设计是BP神经网络的关键。隐含层层数和隐含层神经元个数决定了BP神经网络的性能。隐含层中神经元个数太少BP神经网络拟合的准确度低，不能准确反映训练数据的内在规律，造成数据融合误差大；隐含层神经元个数太多会导致过拟合现象，同时会占用过多的数据存储空间并使数据融合程序运行时间过长。
本发明实施例中输入层神经元数量为4个，输出层神经元数量为1个，因此用于识别的BP神经网络隐含层神经元数量为5个。
在一种可选的实施例中，S34中的误差为相对误差。
以下通过四声道超声水表3种不同流场进行识别进行为例对本发明实施例提供的方法进行详细说明。
请参见图2，通过
神经元分别计算不同流场情况下的最优权重，通过
神经元进行流场识别，然后根据/>
神经元流场识别结果对应选择输出对应面平均流速结果。
BP神经网络通过BP算法训练得到各参数，最终面平均流速如式(1)所示，通过BP神经元计算结果识别管道内的流场，并调用对应流场的最优权值进行数据融合计算最终得到面平均流速。
式中，y为面平均流速，x为各声道流速组成的输入向量，
为隐含层1的第j个神经元的最优权系数向量，j取值1～3，/>
为隐含层1的第j个神经元与输入层第1神经元的最优权系数，/>
为隐含层1的第j个神经元与输入层第2神经元的最优权系数，/>
为隐含层1的第j个神经元与输入层第3神经元的最优权系数；/>
为隐含层2的第1个神经元的输出结果。
管道内流场识别部分采用
这4个神经元作为隐含层构成多层神经网络，使其具备非线性分类能力。隐含层1的计算公式如式(2)所示。
式中，y1为隐含层1的输出结果向量，f为隐含层激活函数，w1为隐含层1的用于流场识别神经元的权系数矩阵，
为隐含层1的第4神经元的最优权系数向量，j为输入层神经元编号，取值为1～4，/>
为隐含层1的第5神经元的最优权系数向量，/>
为隐含层1的第6神经元的最优权系数向量，/>
为隐含层1的第7神经元的最优权系数向量，b1为隐含层1用于流场识别神经元的偏置系数向量，/>
为隐含层1的第7个神经元…,/>
..为隐含层1的第7神经元的偏置系数。
流场识别神经元
计算计算公式如式(3)所示
通过采用附加动量法修正网络中的权值，从而对BP神经网络进行改进，可以提高BP神经网络预测性能，式(4)与式(5)为动量法权值调节公式：
a(k+1)＝a(k)+Δa(k) (4)
式中，k为迭代运算步数，mc为动量因子，η(k)为第k步的学习率，EA(k)为第k步的传递误差，a为优化后的权值和偏置参数，ω(k)为第k步的权值和偏置参数，Δω(k)为第k步权值和偏置参数的偏差。
BP神经网络算法通过动量因子mc将上时刻权值修正量引入本次调整中，利用“惯性效应”解决误差目标函数陷入局部极小值问题。
BP神经网络通过训练，得到BP神经网络各神经元的最终权值和偏置参数。在验证阶段，BP神经网络根据训练阶段获得的各神经元权值和偏置参数，将验证数据输入至BP神经网络，计算BP神经网络输出值与验证数据结果之间的误差。验证数据取不同流场下不同流量点的数据作为神经网络的验证数据。
实际测量中，由获得的BP神经网络各神经元偏置和权值，根据各个声道的实时测量流速，BP神经网络识别当前测量流场情况和声道流速数据融合权重系数，计算得到多声道超声流量测量的平均流量。
另一方面，本发明实施例还提供了一种基于BP神经网络的超声水表流量数据融合装置，装置包括可读存储介质，可读存储介质可执行上述任一的方法。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。
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，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于BP神经网络的超声水表流量数据融合方法，其特征在于，所述方法包括：
S101、获取超声水表在多种情况下特定流量点的各个声道的流速数据；
S102、分别将各个声道的流速数据进行平均；
S103、构建BP神经网络模型：训练BP神经网络模型以及验证BP神经网络模型，得到训练好的BP神经网络模型；
S104、将S103训练好的BP神经网络模型各神经元的最终权值和偏置参数传输至多声道超声水表，所述多声道超声水表通过训练好的BP神经网络模型对当前的流场进行识别，并调用对应流场下的权重系数进行数据融合；
S104包括确定BP神经网络的激活函数为Leaky-ReLU函数、输入层神经元数量为n个、输出层神经元数量为1个、隐含层(1)神经元数量为n+m(用于识别的神经网络隐含层神经元数量为n个和用于最优权重计算的神经网络隐含层数量为m个)、隐含层(2)为神经元数量为1个；
其中，BP神经网络输出层的输出结果为声道测量流速数据融合后的面平均流速；
所述面平均流速提供如下公式进行计算：
式中，y为面平均流速，x为各声道流速组成的输入向量，
为隐含层(1)的第j个神经元的最优权系数向量，/>
为隐含层(1)的第j个神经元与输入层第n个神经元的最优权系数；
为隐含层(2)的第1个神经元的输出结果；其中n为1、2、3……；m为1、2、3……。
2.根据权利要求1所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，隐含层1的输出结果向量计算公式如式(2)所示：
式中，y1为隐含层(1)的输出结果向量，f为隐含层激活函数，w1为隐含层(1)的用于流场识别神经元的权系数矩阵，
为隐含层(1)的第m+1神经元的最优权系数向量，b1为隐含层(1)用于流场识别神经元的偏置系数矩阵，/>
为隐含层(1)用于流场识别神经元的偏置系数向量。
3.根据权利要求2所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，隐含层(2)的第1个神经元的输出结果如式(3)所示：
式中，
为隐含层(2)的第1个神经元的输出结果，f为隐含层激活函数，y1为隐含层(1)输出结果向量，/>
为隐含层(2)第1神经元的最优权系数矩阵，/>
为隐含层(2)的偏置系数，/>
为隐含层1的用于管道内流场识别部分的神经元，/>
为隐含层2的最优权系数矩阵，/>
为隐含层2的第1个神经元与/>
神经元对应的权值，/>
为隐含层2的第1个神经元与/>
神经元对应的权值。
4.根据权利要求1所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，S103中训练BP神经网络模型包括：
S31、通过随机函数为BP神经网络各神经元进行权值和偏置参数的初值赋值；
S32、提取BP神经网络学习样本，将n个声道的流速作为输入层，将面平均流速作为输出期望，并对输入层数据进行归一化处理，采用最大值与最小值法归一化处理所述神经网络学习样本，使输出期望值分布在[0,1]范围内，得到已训练好的BP神经网络模型；
S33、进入BP神经网络训练过程，将已训练好的BP神经网络通过各神经元的权值和偏置参数计算各层各神经元的输出结果，将已训练好的BP神经网络输出层的输出结果进行反归一化处理，得到本次训练输出值。
5.根据权利要求4所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，S103中验证BP神经网络模型包括：
S34、计算本次训练输出值与所述输出期望的误差，比较本次训练输出值与所述输出期望的误差，如果所述误差未满足设计要求则根据最速下降法和动量法更新BP神经网络各层各神经元的权值和偏置，然后重复S33；
S35、输出BP神经网络各神经元的最终权值和偏置参数。
6.根据权利要求5所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，所述方法还包括对S35中输出的BP神经网络各神经元的权值和偏置参数进行修正。
7.根据权利要求6所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，通过如下公式对S35中输出的BP神经网络各神经元的权值和偏置参数进行优化：
a(k+1)＝a(k)+Δa(k) (4)
式中，k为迭代运算步数，mc为动量因子，η(k)为第k步的学习率，EA(k)为第k步的传递误差，a为优化后的权值和偏置参数，ω(k)为第k步的权值和偏置参数，Δω(k)为第k步权值和偏置参数的偏差。
8.根据权利要求4所述的基于BP神经网络的超声水表流量数据融合方法，其特征在于，所述S34中的误差为相对误差。
9.一种基于BP神经网络的超声水表流量数据融合装置，其特征在于，所述装置包括可读存储介质，所述可读存储介质可执行权利要求1-8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017181.8A CN116304968B (zh) | 2023-01-06 | 2023-01-06 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017181.8A CN116304968B (zh) | 2023-01-06 | 2023-01-06 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304968A true CN116304968A (zh) | 2023-06-23 |
| CN116304968B CN116304968B (zh) | 2023-09-15 |
Family
ID=86785928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310017181.8A Active CN116304968B (zh) | 2023-01-06 | 2023-01-06 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304968B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118603264A (zh) * | 2024-08-08 | 2024-09-06 | 山东鹏诚智能科技有限公司 | 一种超声波水表流量矫正方法及其系统 |
| CN118656656A (zh) * | 2024-08-20 | 2024-09-17 | 电子科技大学长三角研究院(湖州) | 一种基于神经网络模型排污口流量精准定量方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
| CN106895890A (zh) * | 2017-04-25 | 2017-06-27 | 浙江大学 | 一种多声道超声波气体流量计声道权系数计算方法 |
| CN109724657A (zh) * | 2018-12-29 | 2019-05-07 | 杭州莱宸科技有限公司 | 基于改进的Elman神经网络的水表流量计量方法和系统 |
| CN110188876A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
-
2023
- 2023-01-06 CN CN202310017181.8A patent/CN116304968B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
| CN106895890A (zh) * | 2017-04-25 | 2017-06-27 | 浙江大学 | 一种多声道超声波气体流量计声道权系数计算方法 |
| CN109724657A (zh) * | 2018-12-29 | 2019-05-07 | 杭州莱宸科技有限公司 | 基于改进的Elman神经网络的水表流量计量方法和系统 |
| CN110188876A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
Non-Patent Citations (7)
| Title |
|---|
| HAOJIANG WU ET AL.: "Intelligent identification system of flow regime of oil–gas–water multiphase flow", INTERNATIONAL JOURNAL OF MULTIPHASE FLOW, vol. 27, no. 3, XP055451441, DOI: 10.1016/S0301-9322(00)00022-7 * |
| 刘涛;王红亮;: "基于BP神经网络的超声测流量系统精度提升", 电子技术应用, no. 06 * |
| 曹玲芝;安治恒;: "BP和RBF神经网络在起重机钢丝绳断丝数量预测中的比较研究", 煤矿机械, no. 01 * |
| 李芳;李艾华;吴朝军;: "神经网络改进算法在超声波流量测量中的应用", 计算机测量与控制, no. 02 * |
| 李跃忠;李昌禧;华志斌;: "基于神经网络的多声道超声气体流量计研究", 仪器仪表学报, no. 12 * |
| 王安琦: "基于神经网络的气体超声波流量计安装效应补偿研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 06 * |
| 胡鹤鸣;王池;孟涛;: "多声路超声流量计积分方法及其准确度分析", 仪器仪表学报, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118603264A (zh) * | 2024-08-08 | 2024-09-06 | 山东鹏诚智能科技有限公司 | 一种超声波水表流量矫正方法及其系统 |
| CN118656656A (zh) * | 2024-08-20 | 2024-09-17 | 电子科技大学长三角研究院(湖州) | 一种基于神经网络模型排污口流量精准定量方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304968B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116304968B (zh) | 一种基于bp神经网络的超声水表流量数据融合方法和装置 | |
| CN108053054B (zh) | 一种河流水质预测方法 | |
| CN110513603B (zh) | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 | |
| CN102853836B (zh) | 一种基于航迹质量的反馈加权融合方法 | |
| CN113551744A (zh) | 一种超声流量计性能在线监测方法及系统 | |
| CN106815782A (zh) | 一种基于神经网络统计学模型的房地产估值方法及系统 | |
| CN111059477B (zh) | 一种基于双层架构反向寻源化工管道泄漏检测与定位方法 | |
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN114235111B (zh) | 一种基于模型优化的超声波水表流量校准方法 | |
| CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
| CN109724657A (zh) | 基于改进的Elman神经网络的水表流量计量方法和系统 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN110346005B (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
| Das et al. | Discharge estimation in converging and diverging compound open channels by using adaptive neuro-fuzzy inference system | |
| CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
| Fallahi et al. | Leakage detection in water distribution networks using hybrid feedforward artificial neural networks | |
| CN111507228B (zh) | 一种基于深度学习的合金钢力学性能联合无损检测方法 | |
| Niazkar et al. | Assessment of artificial intelligence models for estimating lengths of gradually varied flow profiles | |
| Mansourkhaki et al. | Comparative application of radial basis function and multilayer perceptron neural networks to predict traffic noise pollution in Tehran roads | |
| Liu et al. | Flow Velocity computation in solid-liquid two-phase flow by convolutional neural network | |
| CN112446168A (zh) | 一种基于mic及rbfnn的出水bod浓度软测量方法 | |
| CN113111590A (zh) | 一种基于人工神经网络的城市洪涝模型径流敏感参数识别方法 | |
| CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
| CN111504402A (zh) | 传感器参数优化方法和装置、控制器及介质 | |
| CN104968047A (zh) | 一种面向移动网络中节点网络距离的预测方法 |
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 |