基于改进GSA_BP算法的动态称重数据处理

合集下载

改进型BP神经网络对电容称重传感器的非线性校正

改进型BP神经网络对电容称重传感器的非线性校正郭伟;张栋;李巨韬;王磊【摘要】Considering characteristics of the nonlineanty of the capacitance weighing sensor, i. e. the nonlinear relationship between the output voltage of the sensor and the loading, an improved BP neural network based on the Levenberg-Marquardt algorithm of Bayesian-Regularization was established to improve the nonlinear calibration capabilities. Simulation results show that the improved BP neural network achieved faster rate of convergence, higher accuracy and stronger generalization capability in comparison with the traditional gradient descent algorithm, which can effectively upgrade the nonlinear calibration of the capacitance weighing sensor.%针对电容称重传感器电容检测电路的输出电压与载荷质量之间的非线性特性问题,基于贝叶斯正则化的L-M算法建立BP神经网络改进模型,实现了电容称重传感器的非线性特性的校正,并与传统的梯度下降算法建立的BP神经网络模型的校正结果进行了仿真对比.仿真结果表明:改进型BP神经网络具有较快的收敛速度、较高的精度和较好的推广能力,有利于准确实现电容称重传感器非线性特性的有效校正.【期刊名称】《传感技术学报》【年(卷),期】2012(025)010【总页数】7页(P1354-1360)【关键词】电容称重传感器;非线性校正;贝叶斯正则化;Levenberg-Marquardt算法;梯度下降算法【作者】郭伟;张栋;李巨韬;王磊【作者单位】天津大学机构理论与装备设计教育部重点实验室,天津300072;天津大学机构理论与装备设计教育部重点实验室,天津300072;天津大学机构理论与装备设计教育部重点实验室,天津300072;天津大学机构理论与装备设计教育部重点实验室,天津300072【正文语种】中文【中图分类】TP212电容式称重传感器与其他称重传感器相比由于具有测量范围大、耐高温、抗腐蚀、灵敏度高和低功耗等优点在工业中逐渐得到了关注与应用［1］。

基于径向基网络动态称量数据修正

基于径向基网络动态称量数据修正仝宇【摘要】在动态称重仪表技术上提出了基于广义回归神经网络GRNN与径向基RBF结合的拟合逼近法,增加车型代码并入输入神经元.实验表明,GRNN网络适用于动态称量大样本下的拟合回归,提升运算速度.同时RBF网络进一步修正称量数据,提高了动态称重的准确性、快速性.【期刊名称】《山西电子技术》【年(卷),期】2015(000)001【总页数】3页(P46-48)【关键词】双秤台动态汽车衡;拟合回归;广义神经网络与径向基网络;车型【作者】仝宇【作者单位】太原理工大学信息工程学院,山西太原030024【正文语种】中文【中图分类】TP274基于车辆经过高速公路称重区时有不稳定因素，双台面动态汽车辆称重衡［1］逐步取代单台面称重。

本文应用建立在非参数回归基础上的广义神经网络GRNN 对原始称重信号做预处理，在大样本条件下拟合称重过程信号，拟合时间极短。

其结果传入RBF 网络作为输入神经元之一。

为此，文章根据实际情况对货车车型做出具体定义，与其他影响因子并入RBF 神经网络输入。

在多元网络输入影响下，进一步修正动态称重运算值。

在处理器中利用径向基GRNN－RBF 结合进行信号拟合逼近，有效地提高称量精度和速度。

1 双台面动态称量信号分析汽车动态称重衡双秤台面由两个秤台、四路传感器组成。

如图1，1、2 只传感器为一组，接收到的信号称为一路信号;3、4 只传感器为第二组，接收到的信号称为二路信号;以此类推。

图1 车辆动态称重衡双秤台面车辆上秤后，前、后秤台传感器开始采集重量信号，形成离散曲线，针对于单路传感器而言，车辆有几个轴采样曲线就会形成几个波峰。

本文将在不同车型、不同速度下进行动态称重信号的曲线逼近以及数据处理。

速度在30 km/h 以内，研究的车型主要有2、3、4、5、6 轴车中包含的不同轴型车。

图2 为车辆轴型示意图，本文分析的不同车型，是基于车辆不同的轴型。

在实验数据中要以车型为一个输入神经元，因而在此做简单介绍。

动态称量经验模态分解数据处理方法

Ｄａａｐｏｅｓｎｅｈｄ０ｍｐｒｃｌｍｏｅｄｅｏｐｓｔｏｔｒｃｓｉｇｍｔｏｆｅｉｉａｄｃｍｏｉｉｎ
０一ｎｍｉｉｈｔｇｎｄａ ● ｗｅｇｉｙｃ ●… ｎ
ＺＡｉｉｎＨＮＧＸ —ａｇ．ＷＮｕ—ｏｇ。ｌｉ－ｉＺＡｉｎＸｕ－ｎｌＡＸｅｇｎＬｎｐｎＰｇｇ，ＨＮＧＪａ。ＵＹｎｅｇｆ
ｅｄ—ｆｅｔｍｅｈｄｗｉｈｌｗｒｃｓｏｎｄｓｒｃｅｕｉｅｎｏａａｖｌｍｅＴｈｍｐｒｖｄＥＭＤｔｏｓｎｅｆｃｔｏｔｏｐｅｉｉｎａｔｔｒｑｒｍｅｔｆｒｄｔｏｕ．ｅｉｉｏｅｍｅｈｄｉａｏｔｄｉｙａｃｗｅｇｉｇｔｉ１Ｔｈｅｕｔｎｉａｅｔａｈｅｉｉｎｏｈｓｎｗｔｏｓｖｒｉｈ，ｄｐｅｎｄｎｍｉｉｈｔｒａ．ｅｒｓｌｓｉｄｃｔｈｔｔｅｐｒｃｓｏｆｔｉｅｍｅｈｄｉｅｙｈｇｎｔｅａｔ— ｎ・ｆｅｔｍｅｈｄｉｈｓｆｅｔｖｎｍｏｇｔｅｇｖｎｍｅｈｄ，ｎｈｒｏｆｗｅｇ — ｈｅｎｗｎｉｅｄｅｆｃｔｏｓｔｅｍｏｔｅｆｃｉｅｏｅａｎｈｉｅｔｏｓａｄｔｅｅｒｒｏｉｈｉｇｃｎｂｅｃｎｒｌｌｗ８ｒｎａｏｔｏｌｄｂｅｏ０．％．ｅＫｅｒｓ：ｗｅｇｔｎｙｗｏｄｉｈｉｇ；ｄｔｒｃｓｉｇ；ｅｉｃｌｍｏｅｄｃｍｐｓｔｏａａｐｏｅｓｎｍｐｒａｄｅｏｏｉｉｎ；ｅｄｅｆｃｉｎｆｅｔ

自适应秤体的智能动态称重仪表的设计

仪表中，仪表以后的称重过程将由这些参数控制自动完成。（２）不同物料的品种号只需学习一次，对于同一物料，用户可以任意修改目标量，仪表都将按照相应的参数自动完成称量。（３）用户若需要改变当前的物料类型，只需简单地变更品种号即可。仪表可记忆多达ｌ０个不同物料类型的品种号供用户选择。（４）不管用户秤体采用的是２级还是３级进料方式，仪表都将采用２级进料方式，其中利用快中慢三个阀门或中慢两个阀门控制快进料，利用慢进阀门控制慢进料。（５）为了满足小定量包装的需要，仪表设计了利用中、慢两个阀门来控制快进的工作方式，而不同方式的转换由仪表根据品种号来自动切换完成其中０－４号品种为正常称量模式，５－９号品种为小定量包多少料才最为合适，才能达到速度与精度的完美结合，即在满足用户精装模式。度要求的前提下，达到速度最陕，这是困扰动态称重仪表行业的—个老３仪表主要特点大难问题，系统的自诊断、自适应及功能自组织的形成，使称重计量向与传统动态称重仪表相比，智能型动态称重仪表具有以下特点：测量系统的信息处理智能化、组合化和功能自适应方向发展。（１）速度快，由于仪表采用了２级进料，并能根据秤体机械特性和阻碍上述目标实现的主要因素：秤体本身的机械性能；动态称称重物料的重量特性自动获取相应的参数，使得仪表可以尽量多的重仪表的控制性能。使用快进方式完成加料，慢进料的重量可以降到最低，因此大大地传统的解决上述问题的方法是：依据秤体调试技术人员的经加快了进料速度。（２）精度高，由于慢进提前量是自动获取的，并能根验，通过多次对秤体的调试，手工找出大、中、小三个重量点。作为正据秤体机械特性的变化而实时调整，因此大大提高了最终的定量精常工作过程中的重量参数来控制秤体的加料进程和动作。度。只要秤体的机械特性可以达到的精度，仪表可以使其完美地达这一方法存在的不足：到。（３）操作方便，用户无需设置快中慢参数，只需调用相应的品种号调试人员的经验决定了秤体的工作性能。对称重企业发展不即可，而同一物料的不同目标量也只需改变目标量，无需再去设置或利，也给用户带来很多不便。学习相应的快中慢参数，而是由仪表根据保存的参数自动获取。（４）调旦秤体机械特性发生改变，就必须重新调试。试方便，传统的动态称重仪表为了使秤体达到最佳称重效果，要在改变，就必须重新工作现场反复调试以获取最佳的快中慢参数，这对于秤体调试的工开始调试。作人员来说是一个相当头疼的事情，调试多次也不一定能达到满意调试出来了参数是的效果，而且使用一段时间后，参数可能又要调整，改变物料时又要经验积累，不一定是科学调整。因此秤体调试一直是困扰秤厂的一个头疼问题。而本仪表彻的。且调试必须在现场进底解决了这一问题，使得秤厂技术人员从繁琐的秤体调试工作中解行，调试工作相当繁琐。脱出来，专注于提高秤体的机械性能，以提高产品的质量，获得更多通过对秤体机械及、应吲御始参数的客户。（５）人性化设计的仪表操作界面，采用触摸式平板显示器，不笫．加料过程的全面分析，但使得数据显示更为清晰、全面而且操作采用中文提示，相当方便。利用学习算法，自动获（６）扩展的功能，仪表添加了网络功能，可实现远程控制和维护。取秤体机械特性参数，得到加料过程的大、中、４学习算法程序框图小三个重量参数，完成学习算法程序框图如图１所示。快进算法ｆ稚序对称重过程的自动控制。这就是自适应秤体５结语

基于高斯和粒子滤波的动态称重数据处理

（１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｌｅｃｔｉｒｃａｌＥｎｇｉｎｅｅｉｒｎｇ，ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９１，Ｃｈｉｎａ；２．ＺｈｏｎｇｓｈａｎＭｕｌｔｉｗｅｉｇｈＰａｃｋａｇｉｎｇＭａｃｈｉｎｅｒｙＣｏ．，Ｌｔｄ，Ｚｈｏｎｇｓｈａｎ５２８４２５，Ｃｈｉｎａ）
摘要：由于动态称重过程中的噪声干扰，导致动态称重信号处理中存在数据处理速度慢与精度低等不足。为了提高动态称重的快速性与准确性，本文将高斯和粒子滤波算法应用于动态称重数据处理。在对动态称重系统建立状态空间模型的基础上，引进高斯和粒子滤波算法，利用高斯和逼近状态的后验密度，提高了对状态分布估
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇｓｉｇｎａｌｐｒｏｃｅｓｓ，ｔｈｅｓｌｏｗｓｐｅｅｄａｎｄｗｅａｋａｃｃｕｒａｃｙｏｆｔｈｅｄａｔａｐｒｏｃｅｓｓｉｓｃａｕｓｅｄｂｙｔｈｅｎｏｉｓｅｉｎｔｅｆｒｅｒｅｎｃｅｉｎｔｈｇｈｉｎｇ．Ｔｏｉｍｐｒｏｖｅｔｈｅｓｐｅｅｄａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇ，ｔｈｅＧａｕｓｓｉａｎｓｕｍｐａｒｔｉｃｌｅｉｆｌｅｒａｌｇｏｉｔｒｈｍｉｓｐｒｅｓｅｎｔｅｄｔｏｐｒｏｃｅｓｓｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇｄａｔａ．Ｔｏｉｍｐｒｏｖｅｔｈｅｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｆｏｈｅｔｓｔａｔｅｄｉｓｔｒｉｂｕｔｉｏｎ，ｔｈｉｓｎｏｖｅｌａｌｇｏｒｉｔｈｍａｎｄｔｈｅＧａｎｓｓｉａｎｓｕｍｄｉｓ－

动态称重系统的动态补偿和校正

4
结果与分析
图 6 为加入补偿环节后，传感器的脉冲响应曲线。其动态响应时间已经大大缩短，系统的动态性能得到较好的改善。
图 6 动态补偿后的脉冲响应曲线在下料实验中，选用了最大量程为 10 kg 的应变式力传感器。表 1、表 2 分别为无补偿环节及模糊控制器和加入补偿环节及模糊控制器的测量误差值。其中：实验误差=实际称量值-设定下料值表 1 未加入补偿以及校正环节的测量误差值 /g （此表请竖排）设定值 1 2 3 4 5 6 7
e en 1 C (1 ) ei
或
e en 1 (1 )C
(4)计算调整时间： t e / k ，从而决定关闭阀门时间 t 2 t1 t 。此算法的优点是不考虑被控对象的数学模型,只关注前几次称重误差和误差变化率的情况,且并不要求每次称量准确无误，但称量的误差与前面相比不断减小，收敛速度较快，稳定在一定范围内，满足精度要求即达到目的。此算法本质是规则优化了的非线性 PID 模糊控制器,算法简单且控制精度高。
据展宽的工作频带确定。这样就得到了等效系统的理想动态响应。在应用中，使用脉冲标定法测得动态试验数据，利用最小二乘法辨识方法建立传感器的数学模型。再计算出阶跃响应。把这阶跃响应作为补偿环节的输入，把等效系统的理想阶跃响应作为补偿环节的输出，用最小二乘法辨识出补偿环节的 H c ( z) 。实际应用中，考虑到避免出现数据饱和现象和减小计算量，选用基于 Householder 变换的快速自适应最小二乘算法，具有以下优点：数值稳定性好，抗方程病态性好，对数据误差有较小的灵敏度，跟踪性好，估计精度高 [4] 。
3 称重模糊控制器的设计
由于动态称重过程具有非线性，难以建立精确的数学模型，同时补偿后的输出曲线,由式(1)知,含有物料的冲击力 F(t),留空量ΔG 因素也没有考虑，为了消除动态称重过程中的留空量△G 和冲击力 F(t)的影响，必须在预测关闭时刻 t 的基础上加上调节时间△t 来消除这 2 个因素造成的误差。考虑到粮店售货员能快速准确的称出所需重量的经验，引入模糊控制算法，根据前几次称重情况，模仿人的称重行为，计算出本次称重的调节时间 △t ，决定关闭小闸门的时刻

基于BP神经网络的称重传感器蠕变补偿法

基于BP神经网络的称重传感器蠕变补偿法作者：尹霞来源：《硅谷》2014年第04期摘要传感器蠕变的一种新的补偿方法——动态神经网络补偿法，可实现蠕变实时精确补偿。

引入人工神经网络识别的方法来确定载荷的变化状况，利用传感器的输出变化率，来判断传感器的蠕变起始点，可以确定作用于传感器上的实际载荷。

同时这种方法的精度也不会受到传感器载荷、环境等因素的影响，即简单方便，易于实现并且可以批量生产，精度较好，有较好的学习性，这也是一种新的蠕变误差补偿算法。

关键词称重传感器；蠕变；神经网络补偿中图分类号：TP212 文献标识码：A 文章编号：1671-7597（2014）04-0052-021 传感器的蠕变特性图1所示为称重传感器蠕变特性变化曲线，曲线上标识出了加载段L和卸载段C，并且曲线上把每一段的加卸载和蠕变过程都标识出来。

图1 称重传感器蠕变曲线实际应用中，这种加载情况是不多见的，一般需要经过加载、卸载的多次循环，如图2、3所示。

图2 多次加载时的蠕变特性曲线图3 含加/卸载循环时的蠕变曲线通过分析图1-3可以知道，对于传感器的每一段加载和卸载过程，都可以大概划分成为两个区域，亦即是传感器输出的缓慢变化区和剧烈变化区，另外值得注意的还有在两个区之间还存在一小段过渡区，这个区域即隶属于缓慢变化区域也隶属于剧烈变化区域。

它的输出缓慢变化区域实质上也就是传感器的蠕变段，而传感器输出的剧烈变化区实际上就是计量过程中的加/卸载段，过渡区就是加/卸载段和蠕变段之间的融合段，即过渡段，该段同时含有加/卸载和蠕变较其它段明显些，传感器上实际载荷实际上就是加载段末端它的输出。

下面就图2为例来分析一下其理想工作过程。

在图2曲线上任取一点C，当C点处于曲线上Co的左边时，传感器位于初始蠕变和初始载荷都是“0”的载荷增加阶段，那么传感器在C点上的输出fc亦即是传感器在C点上的载荷Wc，随着时间逐步的增加，C点渐渐的靠近Co 点，当C点位于Co点时，传感器实际载荷Wo既是在Co的输出fo，此时传感器到达加载曲线的终点，随着时间的进一步增加，开始发生蠕变；当C点位于Co的右侧时，传感器实际载荷保持Wo不变，但是传感器的输出持续不断的发生着变化，只不过变化的速度不是很快，传感器就产生了蠕变C。

改进的BP算法及其在变形监测数据处理中的应用

改进的BP算法及其在变形监测数据处理中的应用谷川同济大学测量与国土信息工程系，上海（200092）E-mail：guchuanhaha@摘要：传统BP神经网络算法存在重大缺陷，如：迭代过程容易陷落到局部极小、收敛速度慢、难以确定网络结构等。

本文针对其缺陷，分别对其收敛性标准、激活函数等进行改进，并采取措施防止振荡、加速收敛以及防止陷入局部极小。

将改进之后的BP神经网络运用到变形监测数据处理中，应用结果表明：改进后的BP神经网络比传统BP神经网络在精度等方面有了很大的改善。

关键词：BP神经网络，遗传算法，激活函数，附加动量，变形监测数据处理1.引言人工神经网络(Artificial Neural Network,简称ANN) 是20世纪80年代发展起来的自动控制领域的前沿科学之一，它是一种大规模并行的复杂非线性动力系统，具有并行的处理机制、灵活可变的拓扑结构、非线性映射计算能力，自学习和自组织的能力，在很多方面都得到了广泛的应用。

实际应用中，目前神经网络诸多算法中应用最广的是BP(Back Propagation)网络, 其结构简单，可操作性强，在函数逼近、模式识别、分类、数据压缩等领域有着广泛的应用。

根据Kolmogorov定理，对于一个三层（一个输入层、一个隐含层、一个输出层）的BP网络，只要其隐含层的神经元数可选，就可以任意精度逼近任何连续函数。

据统计，有近90%的神经网络应用是基于BP算法的[1]。

但是，传统BP神经网络存在如下三个缺陷，以至于影响其实际应用：⑴传统BP网络的隐层节点采用的是Sigmoid函数，采用误差梯度下降法，在有随机扰动的情况下往往不能保证全局收敛而陷入局部极小, 不能达到最佳效果，致使学习过程失效；⑵学习算法的收敛速度很慢, 尤其是在目标点附近。

其中一个重要的原因是学习速率选择不当。

学习速率选得太小，则收敛太慢，学习速率选得太大，则有可能修正过头，导致振荡甚至发散；⑶难以确定神经网络的优化结构，网络的输入节点、输出节点由问题而定，隐节点的选取根据经验, 缺乏理论指导，对初始权值、阈值等的选取敏感[2]。

基于自适应卡尔曼滤波的动态称重算法的研究

基于自适应卡尔曼滤波的动态称重算法的研究杨军;李丽宏;周尚儒【摘要】在使用卡尔曼滤波算法对动态称重数据进行滤波时,一般假设系统的量测噪声为常量.在实际应用中,由于车辆自身结构和过车状态的差异,实际产生的量测噪声是随机变量.为了减少时变干扰噪声对系统状态估计的影响,在滤波算法中通过最小二乘法加入干扰噪声调节器,在线估计噪声的特性实现自适应滤波.在实际使用中证实,该改进后的算法不仅能有效防止滤波发散,还克服了车辆振动、路面不平和车辆拖磅等因素对称量结果的影响,使系统称量误差小于2％,称量准确度等级达到2级指标.【期刊名称】《自动化与仪表》【年(卷),期】2014(029)008【总页数】4页(P5-8)【关键词】卡尔曼滤波;动态称重系统;最小二乘法;自适应滤波【作者】杨军;李丽宏;周尚儒【作者单位】太原理工大学信息工程学院,太原030024;太原理工大学信息工程学院,太原030024;太原理工大学信息工程学院,太原030024【正文语种】中文【中图分类】TP274汽车动态称重过程中的运动状态比较复杂，当车辆轮轴驶过秤台时，传感器受到两部分的作用力，一是车辆的稳态载荷，二是车辆的动态载荷（瞬态载荷）。

瞬态载荷是影响称重的干扰噪声，也是影响称重准确度的最主要因素[1]。

动态载荷产生的因素有很多，如路面凹凸不平、车辆自身的振动、车辆结构的差异、车辆过秤不规则（包括拖磅、跳磅、加减速等）等，这些因素将导致称重数据中信噪比降低、采样数据波形不稳定、车辆重复称量的差异大，尤其是由于车辆过秤速度不同，导致称重数据个数有很大差异，这些问题将导致在使用常规滤波算法处理称重数据时无法保证称量的精度[2]。

卡尔曼滤波是以最小均方误差为最佳估计准则寻求一种递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。

本文提出的自适应卡尔曼滤波算法中加入了系统误差计算，自适应调节系统的量测噪声[3]，最大限度去除了干扰噪声对系统状态估计的影响。

基于加权数据融合和相关性的微型电子测压器改进的动态校准方法

Ａｂｓｒｃｔａｔ：Ｔｏｇａａｅｅｔｎｒｃｓｏｆｍｉｒｌｃｒｎｃｐｅｏｇｕｅｉｈｅｔｅｖｒｎｎｆｈｇｅｅａｕｒｎｔｅｔｓｉｇｐｅｉｉｎｏｃｏｅｅｔｏｉｉｚａｇｎｔｅｔｓｎｉｏｍｅｔｏｉｈｔｍｐｒ —
关键词：测试计量仪器；动态校准；数据融合；相关性；灵敏度
中图分类号：Ｍ９０１Ｔ３．２
文献标识Байду номын сангаас码：Ａ
文章编号：０４—１９（０００１０６９２１）９—１８０２９— ４
ａｄｖｒｆｈｅｓｂｌｔｎａｉｎｌｔｆｉｎｅｉｔｅｆａｉｉｉａｄｒｔｏａｉｏｍｐｒｖｄｄｎｍｉａｉｒｔｏｔｄ．ｙｙｙｏｅｙａｃｃｌｂａｉｎｍｅｈｏＫｅｙｗｏｒｄｓ：ｍｅｓｉｎｎｅｔｎｔｕｍｅｔ；ｄｎａｉａｉｒｔｏａｕｒｇａｄｔｓｉｉｓｒｎｇｎｓｙｍｃｃｌｂａｉｎ；ｄｔｕｓｏａａｆｉｎ；ｃｒｅａｉｎ；ｓｎｓｔｖｔｏｒｌｔｏｅｉｉｉｙ
ＢａｅｎＷｅｇｉｇＤａａＦｕｉｎａｄＣｏｒｌｔｏｓｄｏｉｈｎｔｓｏｎｒｅａｉｎ
ＷＮＧＱｎＡｉｇ，ｚｎ，ＨＮＧｕｒｇＺＡｉ
（ａｉａｅａｏａｏｙｏｌｔｎｃＭｅｓｒｎＴｃｎｌｙｏｔｎｖｒｔｈｎ，Ｔｉａ３０，ｈｎＮｔｎｌｙＬｂｒｔｒｆｒｅｒｉａｕｅｔｅｈｏｇ，ＮｒＵｉｓｙｏＣｉａａｙｎ００５Ｃｉａ）ｏＫＥｃｏｍｅｏｈｅｉｆｕ１

基于动态调整位移参数的BP改进算法

（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＰｒｏｊｅｃｔ，ＵｎｉｖｅｒｓｉｔｙｆＨｕｏａｉｈｕａ，Ｈｕａｉｈｕａ，Ｈｕｎａｎ４１８０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＢＰｎｅｔｗｏｒｋｉｓａｄｏｐｔｉｎｎｃｕｒ￣ｎｅｔｗｏｒｋｓａｐｐｌｉｃａｔｉｏｎａｂｏｕｔ８０％
～９０％，ｉｔｉｓａｕｎｒｅｓｔｒａｉｎｔｎｏｎｌｉｎｅａｉｒｔｙｏｐｔｉｍｉｚａｔｉｏｎ
ｐａｒａｍｅｔｅｒｓａｄｊｕｓｔｍｅｎｔｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｉｓｅａｓｙｔｏｊｕｍｐｏｕｔｏｆｅｖｅｎａｒｅａａｎｄａｃｃｅｌｅｒａｔｅａｃｏｍｐｕｔｉｎｇｓｐｅｅｄ．Ｆｉｎａｌ，ｗｅｔｅｓｔｔｈｅ
Ｊｕｎ．２０１３
文章编号：１６７２ — ７０１０（２０１３）０２ — ００１８ — ０４
基于动态调整位移参数的ＢＰ改进算法
李森林，邓小武
（怀化学院计算机科学与技术系，湖南怀化４１８００８）摘要：人工神经网络应用中，８０％～９Ｏ％采用ＢＰ网络，ＢＰ神经网络实质是一个无约束非线性最优化计算过程，计算时间长，且难得到最优结果．文中提出了一种动态调整位移参数的ＢＰ改进算法，使得ＢＰ网络能尽快跳出平坦区，加快计算速度．实验对太阳黑子进行预测，证明改进后ＢＰ算法具有速度快、精度高等方面的优点，达到了预期效果．关键词：反向学习算法；参数调整；神经网络中图分类号：ＴＰ１８３文献标识码：Ａ

基于动态权重的A星算法改进方法、系统、装置及介质[发明专利]

(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202210030741.9(22)申请日 2022.01.12(71)申请人华南理工大学地址 510641 广东省广州市天河区五山路381号(72)发明人梁亚东　罗飞　(74)专利代理机构广州嘉权专利商标事务所有限公司 44205专利代理师郑宏谋(51)Int.Cl.G05D 1/10(2006.01)(54)发明名称基于动态权重的A星算法改进方法、系统、装置及介质(57)摘要本发明公开了一种基于动态权重的A星算法改进方法、系统、装置及介质，其中方法包括：获取无人机飞行的过程中采集的环境信息；对A星算法的估价函数进行改进；设计动态权值生成器，根据环境信息实时生成当前节点的启发式权值；当无人机离起始点较近时，h(n)占的比重较大；当无人机不断接近目标时，g(n)的权值逐渐增加；其中，h(n)为从指定位置运行到终点的估计代价，g(n)为从起点移动到指定方格的移动代价。

本发明在无人机对目标点进行寻路地过程中，通过对A星算法的路径评价函数加入实时调整的动态启发式权值，来实现寻路的精确度与效率的统一。

本发明可广泛应用于无人机避障及路径规划的技术领域。

权利要求书2页说明书8页附图1页CN 114527788 A 2022.05.24C N 114527788A1.一种基于动态权重的A星算法改进方法，其特征在于，包括以下步骤：获取无人机飞行的过程中采集的环境信息；对A星算法的估价函数进行改进；设计动态权值生成器，根据环境信息实时生成当前节点的启发式权值；当无人机离起始点较近时，h(n)占的比重较大；当无人机不断接近目标时，g(n)的权值逐渐增加；其中，h(n)为从指定位置运行到终点的估计代价，g(n)为从起点移动到指定方格的移动代价。

2.根据权利要求1所述的一种基于动态权重的A星算法改进方法，其特征在于，所述对A 星算法的估价函数进行改进，包括：采用加权评估的方法对A星算法的估价函数进行改进，其中，改进的估价函数如下：f(n)＝w g g(n)+w h h(n)w g 和w h 的权值之和为1，采用w h 作为启发函数的权重系数，w h 的表达式为：其中w gmin 表示w g 的初始值；w gmax 表示w g 的最大值；D表示无人机从初始位置到目标位置的直线距离。

基于BP网络的整车式动态称重数据处理

基于BP网络的整车式动态称重数据处理李海龙;李丽宏;徐静楠【期刊名称】《计算机仿真》【年(卷),期】2017(034)001【摘要】在整车称重准确性优化的研究中,整车式动态称重信号中的干扰信号,影响称重的准确性.由于在称重信号中存在大量的低频干扰和高频噪声,同时车辆通过称重区域时的行驶速度、加速度和轴型,均影响动态称重结果的正确性.针对以上问题,提出首先利用单子带重构改进算法对称重信号进行滤波与信号重构处理,然后利用BP神经网络算法在线自学习方法确立称重模型后,结合轴型、车速和加速度对称重信号进一步校正.利用上述算法进行仿真并应用于现场,使得称重数据的误差控制在0.5％以内,取得良好的称重效果.%The interference signals in vehicle dynamic weighing affect the weighing accuracy.There are a lot of low frequency noise and high frequency noise in the weighing signal.At the same time,the driving speed,acceleration and axial type of vehicle in weighing region also affect dynamic weighing results.This paper presents a full-vehicle dynamic weighing data processing algorithm based on BP Firstly,the weighing signal is filtered reconstructed by using the list with reconstruction improvement algorithm.Then the BP neural network is used to build the weighing model,and the weighing signal is further corrected combined with axial type,speed and acceleration.The results of simulation and the on-site application show that the proposed algorithm has good weighing performance,and the error of the weighing data is less than 0.5％.【总页数】5页(P157-161)【作者】李海龙;李丽宏;徐静楠【作者单位】太原理工大学信息工程学院,山西太原030600;太原理工大学信息工程学院,山西太原030600;内蒙古工业大学电力学院,内蒙古呼和浩特010050【正文语种】中文【中图分类】TP183【相关文献】1.试论基于BP网络的汽车动态称重数据处理方法 [J], 赵均玺2.基于μC/OS-Ⅲ的整车式动态称重仪表 [J], 李建波;牛昱光3.基于改进GSA-BP算法的动态称重数据处理 [J], 吉训生;熊年昀;荆田田4.基于BP网络的汽车动态称重数据处理方法 [J], 黎志刚;蔡萍;周志峰5.基于BP网络的汽车动态称重数据处理方法 [J], 黎志刚;蔡萍;周志峰因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

比较困难。为提高动态称重的精确度，针对动态称重信号处理的方法及应用有很多。在文献［２，３］中提出确定模型分析法，由于影响因素较多，导致模型比较复杂，精度不足；文献［４６］提出ＢＰ网络模型方法，该方法建模过－程简单，但在数据处理中，尤其是非线性问题，容易出现局部最小，易陷入震荡或者早熟现象；文献［７９］将遗传－
·２３４· ７
计算机工程与设计
内，第ｉ粒子在第ｔ时刻所具有的加速度
Ｎ
１５年２０
力搜索算法（Ｐ神经网络的初始权值和ＳＡ，ＢＨ）对ＢＢＨＧ阈值进行优化。实验结果表明，ＢＨ算法的具有优秀的寻优能力，经ＢＨ优化的ＢＰ神经网络在动态称重数据处理上十分有效。
基于改进ＧＢＰ算法的动态称重数据处理ＡＳ－
吉训生，熊年昀＋，荆田田
（）江南大学轻工业过程先进控制教育部重点实验室，江苏无锡２４１２２１
摘要：为提高动态称重数据处理的精确度和速度，研究动态称重数据处理相关方法，提出一种改进的引力搜索算法（Ｐ神经网络进行优化的方法。通过引入改进黑洞因子（ＳＡ）对ＢＢＨ）和自适应惯性权重，提高ＧＡ的搜索能力，优化ＧＳＢＡ－ＢＰ算法、ＧＡＰ神经网络的初始权值和阈值，使动态称重数据的处理速度更快、精确度更高。将改进ＧＳＰ算法和Ｂ－Ｐ、ＧＰ进行仿真对比，对比结果表明，改进的ＧＳＡ－ＢＳＡ具有优秀的全局搜索能力，经其优化的ＢＰ网络对动态称重数据Ｂ的处理结果更加精确、性能更好。关键词：动态称重；引力搜索算法；全局搜索；ＢＰ网络；惯性权重）１中图法分类号：Ｔ７０２７０５３９１文献标识号：Ａ文章编号：００２４（２０１５０３３１０Ｐ－－－：／ｄｏｉ１０．１６２０８ｓｓｎ１０００２４．２０１５．１０．０２５．ｉ７０－ｊ
＋，，ｕｎＪＩＸｓｈｔｉＪＩｕｎｅｎＸＩＯＮＧＮｉａｎＮＧＴｉａｎａｎ－－ｙ－ｇ
（，，ＫｅＬＪｉａｎｎａｎＵｎｉｖｅｒｓｉｔＡｄｖａｎｃｅｄＰｒｏｃｅｓｓＣｏｎｔｒｏｌｏｆＥｄｕｃａｔｉｏｎＭｉｎｉｓｔｒｏｆＬｉｈｔＩｎｄｕｓｔｒａｂｏｒａｔｏｒｙｇｙｙｇｙｙ）Ｗｕｘｉ２１４１２２，Ｃｈｉｎａ
；：；；；ｏｒｄｓｄｎａｍｉｃｗｅｉｈｉｎｒａｖｉｔａｔｉｏｎａｌｓｅａｒｃｈａｌｏｒｉｔｈｍ（ＧＳＡ）ｌｏｂａｌｓｅａｒｃｈＢＰｎｅｔｗｏｒｋｉｎｅｒｔｉａｗｅｉｈｔＫｅｗｙｇｇｇｇｇｇｙ
２０１５年１０月第３６卷第１０期
计算机工程与设计
ＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮＣＯＭＰ
Ｏｃｔ．２０１５ｏ．１０Ｖｏｌ．３６Ｎ

：Ｔ，Ａｂｓｔｒａｃｔｏｉｒｏｃｅｓｓｉｎｒｅｌａｔｅｄｍｅｔｈｏｄｓｆｏｒｄｎａｍｉｃｗｅｉｈｉｎｄａｔａｍｒｏｖｅｔｈｅａｃｃｕｒａｃａｎｄｓｅｅｄｏｆｄｎａｍｉｃｗｅｉｈｉｎｄａｔａｐｇｙｇｇｐｙｐｙｇｇ，ｒｏｏｓｅｄ．Ａｒａｖｉｔａｔｉｏｎａｌｓｅａｒｃｈａｌｏｒｉｔｈｍ（ＧＳＡ）ｔｏｏｔｉｍｉｚｅｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｒｏｃｅｓｓｉｎｗｅｒｅｓｔｕｄｉｅｄａｎｉｍｒｏｖｅｄｐｐｇｇｐｐｇｐｒｅｓｅｎｔｅｄｃａｌｌｅｄｂｌａｃｋｈｏｌｅ（ＢＨ）ａｎｄｔｈｅａｄａｔｉｖｅｉｎｅｒｔｉａｗｅｉｈｔｗａｓｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｅｘｌｏｉｔａｔｉｏｎｃａａｂｉｌｉｔｎｅｗｏｅｒａｔｏｒｗａｓｐｐｇｐｐｙｐ，ｗａｓｉｍｒｏｖｅｄｉｎｉｔｉａｌｗｅｉｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｏｔｉｍｉｚｅｄ．Ｔｈｅｃｏｍｕｔａｔｉｏｎｅｆｆｉｃｉｅｎｃａｎｄｔｈｅａｃｃｕ－ｐｇｐｐｙｒａｒｏｃｅｓｓｉｎｗｅｒｅａｌｓｏｉｍｒｏｖｅｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｗａｓｃａｒｒｉｅｄｏｕｔｔｏｖｅｒｉｆｔｈｅａｌｏｒｉｔｈｍ．Ｔｈｅｃｏｆｔｈｅｄｎａｍｉｃｗｅｉｈｉｎｄａｔａｐｇｐｙｇｙｙｇｇ，ｗ，ｋＢｒｅｓｕｌｔｏｆｔｈｅｓｉｍｕｌａｔｉｏｎｈｉｃｈｗａｓｃｏｍａｒｅｄｔｏｏｔｈｅｒｗｅｌｌｏｗｎａｌｏｒｉｔｈｍｓｓｕｃｈａｓｔｒａｄｉｔｉｏｎａｌＢＰａｌｏｒｉｔｈｍ，ＧＡ－ｎｄｎＰａ－ｐｇｇ，ｌｏｂａｌｓｅａｒｃｈａｎｄｔｈｅＢＰｎｅｔｗｏｒｋｗａｓｏｔｉｍｉｚｅｄｕｓｉｎｔｈｅｎｄｉｃａｔｅｓｔｈａｔｔｈｅｉｍｒｏｖｅｄＧＳＡｈａｓｂｅｔｔｅｒｃａａｂｉｌｉｔｏｎＢＰ，ｉＧＳＡ－ｇｐｇｐｐｙｅｒｆｏｒｍａｎｃｅｏｎｒｏｃｅｓｓｉｎｏｆｄｎａｍｉｃｗｅｉｈｉｎｄａｔａ．ｉｍｒｏｖｅｄＧＳＡｉｓｍｏｒｅａｃｃｕｒａｔｅａｎｄｈａｓｂｅｔｔｅｒｐｇｙｇｇｐｐ
ＤｎａｂａｓｅｄｏｎｉｍｒｏｖｅｄｓｓｔｅｍｏｆｄａｔａｒｏｃｅｓｓｉｎｍｉｃｗｅｉｈｉｎｙｐｙｐｇｇｇＢＰａＧＳＡ－ｌｏｒｉｔｈｍｇ
）＝ａｔｉ（
ｉｊ＝１，ｊ≠
）ｔ ∑ ｒＧ（Ｒ
ｊ
２，ｉｊ
）Ｍｊ（ｔ））））（ ·（８ｘｔｔ－ｘｉ（ｊ（（）ｔ＋ε
每个粒子的位置和速度在每一次迭代过程中都会得到更新，粒子的速度和位置的更新过程如下）））＝ｒｎｄｖｔ＋１ａｖｔｔ＋ａｉ（ｉ· ｉ（ｉ（））＝ｘ）ｘｔ＋１ｔｔ＋１＋ｖｉ（ｉ（ｉ（ — ［］的随机数。 — 式中：ｎｄ０，１ｒａｉ— ）（９２１４１４００１０１１１２１６－－－－，男，江苏南通人，副教授，硕士生导师，研究方向为微弱信号处理；＋通讯作者：熊年昀（，男，安作者简介：吉训生（６９８７１９１９－）－），男，安徽阜阳人，硕士研究生，研究方向为烧结配料智能控徽宿州人，硕士研究生，研究方向为信号检测与信息处理；荆田田（８９１９－）：制与算法优化。Ｅ－ｍｉｌ１３４８１８３５０５＠ｑ．ｃｏｍａｑ
，是基于引力定律和第二运动定律的优化算法。文献ＧＳＡ）［］描述Ｇ１１ＳＡ在解决优化问题中收敛特性，文献［１２］研究结果表明ＧＡ在最优分配中表现的优秀能力，但是ＳＧＳＡ仍然存在全局和局部搜索平衡能力不足、收敛速度慢，开发能力不够。为提高动态称重的精确度和稳定性，，Ｂ通过引入黑洞因子（ｂｌａｃｋｈｏｌｅＨ）和惯性权重来改进引