基于神经网络预测器的传感器数据证实技术研究

《基于神经网络预测器的传感器数据证实技术研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于神经网络预测器的传感器数据证实技术研究

2、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

3、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

4、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，

5、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

6、，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、

7、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

8、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（(m>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2k对训练样本数据分段示意样本号n个输入

9、值m个标准输出值12…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+1)………x(n+k+1)…x(n+m+k)1.1基于单因素输入的单变量神经网络预测器本文采用三层前馈网络模型（BP模型）。如图1所