收藏 分享(赏)

基于lm算法的现场测量系统的传感器非线性误差校正方法.doc

上传人:cjc2202537 文档编号:205741 上传时间:2018-03-23 格式:DOC 页数:9 大小:97KB
下载 相关 举报
基于lm算法的现场测量系统的传感器非线性误差校正方法.doc_第1页
第1页 / 共9页
基于lm算法的现场测量系统的传感器非线性误差校正方法.doc_第2页
第2页 / 共9页
基于lm算法的现场测量系统的传感器非线性误差校正方法.doc_第3页
第3页 / 共9页
基于lm算法的现场测量系统的传感器非线性误差校正方法.doc_第4页
第4页 / 共9页
基于lm算法的现场测量系统的传感器非线性误差校正方法.doc_第5页
第5页 / 共9页
点击查看更多>>
资源描述

1、基于 LM 算法的现场测量系统的传感器非线性误差校正方法?70?测控技术 )2oo4 年第 23 卷第 6 期文章编号:10008829(2004)06-0070 03基于 LM 算法的现场测量系统的传感器非线性误差校正方法MethodtoNonlinearErrorsCorrectionofSensorsforFieldMeasurementBasedLM摘要:BP 神经网络及其改进算法虽然在测量精度方面有所改善.结构的不确定性,训练时问长的缺点限制了其在现场测量系统的应用.在引入 LM 算法的同时,并通过分段的方法对其缺陷进行了改进.仿真结果证明了该方法具有收敛速度快,实时性强的特点.关键

2、词:BP 神经网络;LM 算法;分段; 实时性中图分类号:rP274文献标识码:AAbstract:BPneurnetworkanditsnewalgorithmimprovetheprecisionofmeasurement,butuncertainofstructureandlearningformoretimelimititsapplication.LMalgorithmforBPneuralnetworkisintroducedanditsdefectismadeupbythesubsection.Intheend,theresultofsimulationtestifyitsgood

3、qualitiesthatrapidastringencyandbetterrealtime.Keywords:BP(backpropagation)neuralnetwork;LM(LevenbergMarquardt)algorithm;subsection;real-time在测控系统中,对前端信号采集的精度要求越来越高.但由于测量元件受环境因素影响比较大,使得传感器的输出不仅仅由被测参数决定,这就产生了交叉灵敏度的问题.对于这个问题,传统的解决办法往往采用硬件补偿电路或利用软件编程对测量数据进行加工,效果不是特别理想.随着现代信号处理技术的发展,各种新的方法不断出现.文献1,2介绍利用

4、人工神经网络的办法,来修正由交叉灵敏度而引起的传感器非线性输出误差,并通过仿真试验证实了该方法优于最小二乘法.从中发现潜在的问题:采用的神经网络结构复杂,精度要求越高,学习时间越长;网络结构的不确定性,即每层神经元节点的个数,初始值的设定需要不断尝试才能确定;收敛速度慢,实时性不强.这些问题使得该方法在实时性要求比较高的现场测量系统收稿日期:20031125作者简介:倪飞舟(1968 一),男,安徽合肥人,讲师,硕士研究生,主要从事计算机信息与自动化领域的科研和教学工作.(安徽医科大学计算中心,安徽合肥 230032)倪飞舟(牡丹江市第二发电厂燃料分厂,黑龙江牡丹江 157000)李桂权中无法

5、直接使用.鉴于这种情况,笔者做了一些改进:通过引进BP 神经网络 LM 改进算法 ,解决了网络收敛速度慢的问题 ;应用分段逼近的方法,成功消除了 LM 算法存在的存储空间要求和计算精度相互限制的矛盾.最后通过实例验证了这些改进的有效性.l 补偿原理一个受多个参量影响的传感器系统可表示为Y=,tl,t2,t)式中,为待测目标参量;t.,t:,t为 k 个非目标参量;y 为传感器输出.为了消除非目标参量对传感器输出的影响,一般采用逆向建模的方法.如图 1 所示.图 1 非线性误差校正实际测量的数据,由于受非目标参量的影响,它与目标参量之间的函数关系不再是线性的,即=厂(y,t0,tl,tk)y/k

6、逆向建模的目的就是通过神经网络的非线性映射能力,把非线性函数关系=厂(Y,t.,t 一,t)向线性函数关系=y/k的不断逼近.在模型中,测量数据 Y 及非目标向量的测量值作为神经网络的输入,P=kx 作为网络的期望输出 ,按照一定的算法原则,不断调整网络的权值和偏置量,使得网络的输出误差在允许的范围之内.2BP 神经网络及 LM 算法BP 神经网络是目前应用最广泛的一种多层前馈网络,它具有很强的非线性映射能力和泛化能力.BP 神经网络的结构包括一个输入层,一个输出层和若干隐含层.每个层又有若干个神经元节点组成,层与层之间的节点依靠权值连接,每个节点的输出由前一级的输出,节点输出函数和偏置量决定

7、.研究表明,两层网络在其隐含层中使用 S 型传输函数,在输出层中使用线性传输函数,就几乎可以以任意精度逼近对象函数,只要隐含层基于 LM 算法的现场测量系统的传感器非线性误差校正方法?7l?中包含足够多的神经元节点.传统的 BP 神经网络收敛速度特别慢 ,而且容易收敛到局部极小值.一般不能直接应用到系统中.为了改善这种状况,人们对 BP 神经网络的算法改进作了大量的研究工作.笔者只介绍一种收敛速度快,对初始值的设定鲁棒性强的 LM 算法.LM算法是一种基于标准数值优化技术的算法.它是牛顿法的变形.在这种算法中,一般用平方误差代替均方误差进行计算.假设迭代运算产生的误差曲面方程用下式表示N)1J

8、i2()=y()y()y()=V1(),V2(),VQ():1,l,1,2,1,P,2,1,Q式中,N=P Q.P 为输出层节点的个数 ;Q 为输入样本组数 ,矢量 x 表示网络神经元节点之间的连接权值和偏置量.每次迭代运算,各权值和偏置量按下式调整x=xI-J(XI).,(XI),J(XI)y(XI),(X)=Ov1(X)a,a2()Ox1Ov(X)OxlOv1(X)Ox,Ov2(X)Ox,Ov(X)Ox,1()孤a2()孤a()孤式中,为修正因子.如果某一步不能减小 F(X)的值,则将乘以一个因子 0(01),再重复这一步运算;如果产生更小的 F(X)的值,则在下一步中除以因子 0.这样依

9、靠在每次迭代中的调整,保证了该算法具有快速收敛和稳定性好的特点.从算法中可以发现 LM 算法每次迭代运算都要计算矩阵的逆,即使如此,它仍是中等规模多层神经网络训练算法中最快的一种.该算法最大的缺点是对系统存储容量要求高,所需存储容量近似正比于网络权值和偏置量个数和的平方.比如.假设某个网络结构为 5-9-l,即包含 5 个输入节点,9 个隐含节点,1个输出节点,那么执行该算法所需的容量为(取值按 2B 计算)(59+9+10)28K,这对于最大存储容量为几十 KB,采用单片微处理器的现场测量系统是不合适的.因此,必须限制网络结构所包含的神经元的个数,降低网络的复杂程度.但是采用简单的网络结构带

10、来的问题是网络的推广能力不强.所谓推广能力主要是针对在采用简单结构的神经网络进行函数逼近时,会出现收敛曲线仅在学习样本附近很好地满足逼近要求,而远离样本点时,函数逼近误差却很大,但总体误差满足系统要求的情况而提出的.这样就产生了存储容量和精度要求相互限制的矛盾.3 函数分段逼近法为了解决上述矛盾.笔者采用分段逼近的方法.这种方法不同于传统的用线段分段拟合一个非线性曲线,它是在神经网络基础之上的分段逼近.具体实现如图 2 所示.假设被逼近的非线性函数按照测量值划分为 5 个部分,每一部分对应一组神经网络的权值和偏置值,这些权值和偏置值的初始值可以由离线训练学习得到,然后存人非易失性存储器中.在应

11、用过程中.假设测量值落在日区,调出日区对应的权值和偏置值,如果输出误差不满足误差要求,则进行在线学习;如果输出结果满足误差要求,则不训练网络.当测量值由一区变化到另一区时,不妨假设,由日区变化到 D 区,首先存储日区对应的权值和偏置值,然后调出 D 区对应的权值和偏置值 ,而不是在当前网络权值和偏置值的基础上进行训练学习.这样每组权值和偏置值仅对应某一小段函数,网络结构可以设计得简单些;测量值相对集中,可以保证网络的逼近精度,这一点可以从下面的仿真试验中得到证实.4 仿真实验图 2 函数分段逼近仿真实验的目的主要是验证两点结论:LM 算法比一般的 BP 改进算法收敛速度快,参数的初始化设置鲁棒

12、性强;在神经网络采用简单结构的基础上,分段的 LM 算法在一定程度上可以提高系统的推广能力.在实验过程中,选用火灾监控系统常用的气敏传感器 SnO:作为测量元件,测量参数为 CO 气体的浓度.SnO:气敏传感器受温度和湿度的影响比较大,取温度作为非目标参量,在实际应用中,需要加补偿电路,为了增强实验的对比效果,去掉了补偿电路,笔者有意识地把温度控制在温度传感器线性输出范围之内,可以认为温度的测量值与设定的温度之间的比例关系是不变的,这样就可以用温度的标定值代替温度测量值的标定值.测量数据如表 1 所示.表 1 传感器实际测数据将测量的数据归一化后.获得如表 2 所示的数据表.仿真实验分两个部分

13、,一部分是比较动量一自适应算法,LM算法,分段的 LM 算法的收敛速度和逼近精度的比较;第二个部分主要是 LM 算法和分段的 LM 算法的推广能力的比较.在仿真实验中,采用的神经网络为两层 BP 网络,隐含层使用 Logsig传递函数,输出层则为 Purelin 函数;输入层包含 2 个输入节点,隐含层包含 3 个神经元节点,输出层为一个神经元节点.由于测量条件的限制,气体浓度取值分布太稀疏,笔者取浓度值在?72?测控技术 t2oo4 年第 23 卷第 6 期0.810.13 之间的样本数据作为所要比较的一个段.设定的动量.自适应算法最大迭代次数为 3000 次,仿真实验结果如表3,表 4 所

14、示.表 2 传感器测量数据归一化学习量:旦适堕差些篁壁簋鲨率训练次数绝对误差训练次数绝对误差训练次数绝对误差表 1 是在网络训练完成后,输入样本数据对0.541,0.25,期望输出为 0.1300 而得到的.表 2 是在网络训练完成后,输入非样本数据对0.573,0.25,期望输出为 0.1200 而得到的.从表 1 可以看出,动量.自适应方法在采用简单结构的神经网络后,无论是在收敛速度上,还是逼近的精度上都不如 LM 算法,而且 LM 算法受学习率的初始设定值的影响比较小.另外还可以看出分段的 LM 算法在样本数据点处并不一定比普通的 LM算法逼近精度高.但是从表 2 发现,在非样本数据点处

15、,分段的LM 算法的逼近精度则远远高于普通的 LM 算法,这说明分段后,网络的推广能力得到很大的提高.表 4 算法改进效果5 结束语为了改善现场测量系统受环境因素影响比较大的状况,并充分考虑到系统的实时性要求和数据处理能力的限制,而将 BP神经网络的 LM 算法引入到系统中.进而利用分段的方法解决了 LM 算法储存区间要求大,推广能力不强的缺点.另外,分段的 LM 算法对被测量对象有一定的要求,它要求测量值在不同区间的来回变化相对于测量系统的采样速率是缓慢的,只有这样分段的优势才会更加明显.参考文献:1 林康红 ,等.基于神经网络的传感器非线性误差校正J.传感器技术,2002,(1):42 4

16、4.2HaganMT.神经网络设计M.戴葵,等译.北京:机械工业出版社,2002.3楼顺天,等 .基于 MATLAB 的系统分析与设计M.西安: 西安电子科技大学出版社,199809.口(上接第 63 页)个 IP 地址,就可以用浏览器察看被监视点的视频图像 .对一些监控点比较集中的区域,在标准的 PC 工业控制机上通过 Windows200Server 建立一个门户网站 (见图 4),门户网站的网页上一次可以同时显示 9 个画面,把全部摄像机分成多个组,通过切换组的方式来显示所有的摄像机画面,距离该站约 500km 的银川厂部,可以通过网络察看设备的运行情况.摄像机“摄像机图 4 嵌人式 W

17、eb 视频监控系统结构该系统 2002 年 10 月投入运行以来,设备运行情况良好,取得了比较好的社会效益,受到了用户的好评.4 结束语嵌入式 Web 视频服务器是视频监控的一个发展方向,特别适合于石油行业和一些元人值守的场所.随着网络技术的迅猛发展,视频在前端进行数字化,网络化,采用嵌入式 Web 服务器技术,通过网络进行传输,采用分布式存储系统,模块化结构,完成视频监控任务,是一个理想的方案,它不但使用方便,而且安装和调试简单.参考文献:1美 ComerDE 用 TCP/IP 进行网际互联M.第一卷 .张娟,等译.北京:电子工业出版社,200112.2精英科技. 视频压缩与编码技术M.北京:中国电力出版社,2001一O8.3JeremyBentham.TCP/IPLEAN.WebserversforembeddedsystemsM+PublichersGroupWestinU.S,200206.4AlightweightTCP/IPstackEB/OL.Http:www.sics+se/一 adam/1wip/index+html,200209+口

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 高等教育 > 教育学

本站链接:文库   一言   我酷   合作


客服QQ:2549714901微博号:道客多多官方知乎号:道客多多

经营许可证编号: 粤ICP备2021046453号世界地图

道客多多©版权所有2020-2025营业执照举报