BP神经网络在静态汽车衡轴自动识别中的应用.pdfVIP

BP神经网络在静态汽车衡轴自动识别中的应用 宝鸡四维衡器有限公司 李建国 【摘 要】 本文主要探讨BP神经网络在静态汽车衡轴自动识别中的应用。其方法是利 用最小二乘法对车辆的重量数据进行拟合，设计了一种合适的BP神经网络模型，用 Matlab编写模型程序，利用车辆速度与车辆上称重量建立模型。BP神经网络在静态汽车 衡轴自动识别的预测中取得了很好的效果。BP神经网络在静态汽车衡轴自动识别中有良 好的应用前景。 【关键词】 BP神经网络；静态汽车衡；BP算法；轴自动识别；最小二乘法 引言： 静态汽车衡轴自动识别是指汽车在称重的过程中不借助外加的轴识别器，只通过对汽车 本身的上秤的重量信息进行研究，得出汽车的准确轴数，其一直以来被作为静态汽车衡 称重领域的一个课题被人们所研究。但是由于现场及汽车自身的诸多因素所影响，轴识 别率一直不能达到一个让人满意的结果。近年来，随着科学技术的发展，各种数据处理 方法应运而生，用神经网络去进行静态汽车衡轴自动识别的方法引人注目，它有着传统 处理方法无法比拟的适应性、容错性及自组织性等优点，特别是用传统处理方法效果不 好或不能达到目的时，采用BP神经网络往往能收到较好的效果。本文论述了采用BP神 经网络算法实现静态汽车衡轴自动识别的建模，通过最小二乘法与LM算法使BP神经网 络算法在静态汽车衡轴自动识别应用中轴识别准确率达到 99% 以上。 1 BP 神经网络原理与理论分析 BP （Back Propagation ）网络是一种按误差逆传播算法训练的多层前馈网络，是目 前应用最广泛的神经网络模型之一。BP 网络能学习和存贮大量的输入-输出模式映射关 系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法， 通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 在静态汽车衡称重的过程中，对轴识别率产生影响的两个最大的因素就是车速与车 重，因为静态秤的特性就使得其称重精度很高，通过对称重传感器的处理，我们可以很 精确的知道车辆上秤的重量；在静态称重的过程中，车辆正常行驶上秤过程我们可以认 为其是一个匀速上秤过程，那通过称重仪表的AD采集速率与秤自身的有效长度，我们 可以计算出其车速。我们把车速与动态车重作为输入层，把车轴与车重作为输出层就可 以构建一个二个节点的输入层和两个节点的输出层的多层神经网络模型。 2 BP网络在静态汽车衡轴自动识别中的建模过程 BP 神经网络建模的基本流程如图 1 所示：首先收集静态汽车衡产生汽车轴数与轴 重的主要影响因素及正确的轴数与轴重结果；然后把影响因素及正确的轴数与轴重结果 输入到设计好神经网络模型中进行反复训练，直到网络收敛（即达到预期的训练误差）， 在训练过程中可适当采用一定的技巧使网络的训练速度最快、误差最小、模型最优；最 后用建立好的模型对车轴与轴重进行预测。下面具体探讨网络模型的设计要点。 图 1 BP 神经网络模型建立流程图 2.1 确定训练样本 从理论上讲，训练样本集的容量越大，训练后神经网络的诊断准确率就有可能提高， 但会造成训练速度偏慢。由于训练样本集内可能含有信息重复的冗余样本，将这些冗余 样本剔除后也不会影响诊断准确率，这样可用较小的典型训练样本集获取较高的诊断准 确率。如图 2 所示。 图 2 训练样本容量和诊断准确率间的关系图 2.2 变量值的归一化处理 归一化处理的目的是把变量值归一到区间［-1,1 ］内，主要是因为 BP 网络中非线 性传递函数的值域一般在区间［-1,1 ］内，因此输入及输出变量的取值都限于这个区间 之内。二是为了使输入值（特别是那些比较大的输入值）均落在 Sigmoid 传递函数变化 较大的区间，使网络的训练速度最快，改善网络的性能。 2.3 BP 网络的初始化 开始训练时，首先进行参数的初