基于神经网络预测器的传感器数据证实技术研究.docVIP

　　基于神经网络预测器的传感器数据证实技术研究|第1 内容加载中... 摘要：提出了基于神经网络预测器的传感器数据证实技术。首先利用神经网络对传感器输出的时间序列建立预测模型，然后利用该模型预测出传感器由值，并且该值与传感器实际输出值之数据的影响。同时，为了实现在线应用，采用了遗传算法对神经网络的优化技术。 关键词：传感器数据证实 神经网络 遗传算法 对于高速、大容量、高性能的复杂装置和设备，在运行中如果出现故障往往会产生巨大的、甚至是灾难性的后果。对这些装置和设备运行状态的监测与诊断是解决其可靠性、安全性的关键途径之一。作为测量控制系统中诸参量的关键部件，500)this.style.ouseg(this)传感器被广泛地应用到这些装置和设备中。可以说，传感器技术是现代测试和控制技术的灵魂，传感器输出信号的质量关系到整个系统性能的好坏程度。事实上，传感器是测试控制系统比较容量损坏的部件，因此系统应用具备对传感器故障的容错能力。目前，传感器故障诊断较多地采用冗余方法和神经网络识别方法。这些方法都需要利用传感器的输出信号，且研究较多的是判别传感器的“硬故障”（即突然发生的损坏或完全失效）。对于传感器的“软故障”（如偏置、漂移或标定系数的偏移等）的研究工作，开展得还不多，存在很多问题急需解决。为此，本文提出一种基于神经网络预测器的传感器数据证实技术。 1 神经网络预测器原理 神经网络具有很强的非线性映射能力。一个三层的前馈神经网络具有映射任意函数关系的能力，且不需要对所分析的时间序列作任何假设。500)this.style.ouseg(this)因此神经网络非常适用于时间序列预测，且神经网络预测模型具有良好的适应性、自学习和抗干扰能力强等特点。在建立神经网络预测模型进行时序预测的过程中，如何选择、研究预测网络的拓扑结构是非常重要的，这将直接影响预测的精度。要提高神经网络预测模型的预测精度，可以采取以下途径： 增加网络模型的训练样本数。这样可以使得神经网络得到更好的训练和学习，从而更准确地学习和掌握时间序列内在变化、发展规律，提高预测质量； 适当增加神经网络的输入层节点数。因为如果神经网络的输入层节点数过少，将使神经网络无法达到对时间序列的良好拟合，从而降低神经网络的预测精度。但并非神经网络的输入层节点数越多越好。相反，如果输入层节点数过多，则将减慢预测网络的训练和收敛速度，并使网络模型过于复杂，导致网络预测能力的恶化。 随着网络规模的扩大以及训练样本复杂度的增加，BP算法存在收敛速度慢、振荡，特别是受到局都最优的困扰，很难保证得到全局最优解。为了能在线应用，因此对网络进行优化是必要的。本文采用遗传算法（GA）来优化网络的权值以提高网络训练速度达到在线应用的需要。 GA的计算过程为：500)this.style.ouseg(this) 选择编码方式 产生初始群体 计算初始群体的适应性值 如果不满足中止条件{ 选择（selection） 交换（crossover） 变异（mutation） 计算新一代群体的适应性值 }500)this.style.ouseg(this) 遗传算法的实现涉及5个主要因素：参数的编码、初始群体的设定、评估函数即适应函数的设计、遗传操作（选择、交*、变异）的设计和算法控制参数的设定。所有这些因素的实现都是基于模式定理和积木块假设的。本文初始群体数目为40~100，算法控制参数为神经网络的权值，参数采用二进制编码，适应度函数为神经网络的能量函数。 采用GA算法和梯度法的结合即混合优化方法，具体步骤如下： （1）确定适应度函数。对BP网络，定义其能量函数为： 500)this.style.ouseg(this) 式中，Yki为第k个训练样本第i个输入节点的实际输出，Yki为第k个训练样本第i个输入节点的期望输出。 神经网络的优化过程即是调整权矩阵为群体个数。第i个网络的f(个原始解。 （3）选种评价各个适应度大的个体作为下一代的样本，转步取胜（3），直至群体适应度趋于稳定。 (6) 确定区域收缩方向及区域变化值。群体适应度稳定后，从群体中选取出最佳个体（(mgt;1)个时刻的值，即进行m步预测，可取序列中n个相邻的样本为滑动窗并将它们映射为m个值。这m个值表示在该窗之后的m个时间上的样本预测值。表2列出了训练数据的一种分段方法。把训练数据分成k段长度为n+m的有一定重叠的数据段，每一段的头n个数据作为网络的输入，后m个数据则作为相应的网络输出。 表2 k对训练样本数据分段示意 样本号n个输入值m个标准输出值1 2 … kx(1)…x(n) x(2)…x(n+1) ……… x(k)… x(n+k)x(n+1)…x(n+m) x(n+2)…x(n+m