CN108073075A - 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** - Google Patents
基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** Download PDFInfo
- Publication number
- CN108073075A CN108073075A CN201711395511.8A CN201711395511A CN108073075A CN 108073075 A CN108073075 A CN 108073075A CN 201711395511 A CN201711395511 A CN 201711395511A CN 108073075 A CN108073075 A CN 108073075A
- Authority
- CN
- China
- Prior art keywords
- mrow
- temperature
- msub
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、***,为了提高温度补偿精度而设计。本发明,基于遗传算法的选择出最优的个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,将得到的温度补偿模型参数存放在微处理器的存储器中,编写程序,通过调用GA‑BP神经网络模型参数矩阵,计算出补偿后输出值,并实现补偿算法的实时输出。本发明神经网络前向反馈训练过程采用附加动量和动态自适应学习率的梯度下降算法,动态自适应学习率算法有效防止训练发散和收敛速度慢的缺点。
Description
技术领域
本发明属于温度补偿领域,具体涉及一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、***。
背景技术
硅微加速度计是惯性测量和导航***的关键元件之一,已广泛应用于航空航天、弹药、高铁机车、智能手机和汽车等领域。因此,硅微加速度计的精度和稳定性也就显得尤为重要,而硅微加速度计精度和稳定性受环境因素是影响很大,其中环境温度对其性能影响最为突出。这是由于硅微加速度计本身对温度敏感。当环境温度改变时,硅微加速度计的模型也将发生改变。因此,对硅微加速度计进行温度补偿是提高硅微加速度计精度和稳定性的重要手段。
目前,常用的补偿方法有硬件补偿和软件补偿两大类。其中,硬件补偿方法主要有:①在硅微加速度计设计时充分考虑热设计,妥善处理设计中出现的热干扰,尽可能减小对硅微加速度计的影响;②在硅微加速度计中增加温度补偿结构设计,采用负温度系数的材料或元件以抵消由温度变化造成的材料物理参数的变化,从而达到温度补偿的目的;③通过增加硬件措施,改善加速度计工作环境温度。硬件补偿方法大都实现成本高,过程复杂。所以工程中更多采用软件补偿方案,软件补偿方法则是通过相关算法构建硅微加速计温度模型,诸如多项式的曲面拟合、向量机、小波神经网络、人工神经网络等。
现有技术分别从敏感结构和工艺加工过程、工作环境以及电路中的软件等方面实现硅微加速度计温度补偿。这些技术要么设计加工难度高、效果差,要么电路复杂,很难在实际工程中得到应用,还存在温度全局性欠佳以及输出精度不高等问题。已公开文献中的补偿方法也存在算法自适应性较差。
鉴于上述的缺陷,本设计人积极加以研究创新,以期创设一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、***,使其更具有产业上的利用价值。
发明内容
为解决上述技术问题,本发明的目的是提供一种可靠性高、全局性好、补偿精度高、具有良好的自适应性、自组织性和学习能力强的基于GA优化BP神经网络的硅微加速度计温度补偿方法、***。
为达到上述发明目的,本发明基于GA优化BP神经网络的硅微加速度计温度补偿方法,包括:
获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
存储得到的温度补偿模型参数,通过调用BP神经网络模型参数矩阵,计算出补偿后输出值,实现补偿算法的实时输出。
进一步地,所述的BP神经网络训练过程中,采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度,具体表达式如下:
w(i)=w(i-1)+Δw(i)+k[w(i-1)-w(i-2)]
其中w(i)、w(i-1)、w(i-2)分别为i、i-1、i-2时刻的权值,k为动量学习率;
采用附加动量方法解决收敛过程缓慢问题,具体表达式如下:
η(n)=ηmax-n(ηmax-ηmin)/N
其中ηmax、ηmin、η(n)分别为最大、最小和当前学习率,n、N分别为当前迭代次数和最大迭代次数;
其中,所述BP神经网络的目标误差函数为:
当设定网络训练误差小于预先设定误差值或者网络学习次数达到预先设定值时,将自适应,得到各层神经元之间的连接权值和隐含层、输出层神经元阈值:
Wih=net.iw{1,1}
Who=net.iw{2,1}
bh=net.b{1}
bo=net,b{2}
式中:Wih为20×2矩阵;Who为1×20矩阵;bh为1×20矩阵;bo为1×1矩阵。
进一步地,所述BP神经网络为三层结构,输入层、中间层、输出层神经元个数分别为2、20、1。
为达到上述发明目的,本发明基于GA优化BP神经网络的硅微加速度计温度补偿***,包括:
训练样本获取单元,用于获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
初始权值、阈值确定单元,用于基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
BP神经网络训练单元,用于基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
补偿单元,用于存储得到的温度补偿模型参数,通过调用BP神经网络模型参数矩阵,计算出补偿后输出值,实现补偿算法的实时输出。
进一步地,所述BP神经网络训练单元,包括训练精度提高模块,用于采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度。
借由上述方案,本发明基于GA优化BP神经网络的硅微加速度计温度补偿方法、***至少具有以下优点:
本发明补偿机理主要采用遗传算法优化的BP神经网络,遗传算法提高了传统神经网络算法的全局最优性能,且精度更高,可保证加速度计在-40-80度的工作温度范围内输出的高精度和高温度稳定性;加速度计输出的非线性、标度因数温度系数、全温零偏极差分别由补偿前的2223ppm、141ppm/℃、58.8mg减小到273ppm、18ppm/℃、2.7mg,优于目前报道中的各种方法。而且,该补偿方法测试简单方便。
本发明以高度集成的微处理器为核心,制作成了易于装配的微小模块,可以和硅微加速度计封装在尺寸为36mm×26mm的微型PCB板,易于满足工程装配的要求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明所补偿的硅微扭摆式电容加速度计的原理简图;
图2是本发明的BP神经网路算法建模图;
图3是本发明的GA算法优化BP神经网路参数的流程图;
图4是本发明的温箱转台工控测试***框图;
图5是本发明的补偿后的微处理器运行程序框图;
图6是本发明的硅微加速度计补偿方法的***组成框图;
图7是本发明的***电源管理单元模块电路图;
图8是本发明的***微处理器单元模块电路图;
图9是本发明的***电源管理单元模块电路图;
图10是本发明的***数据采集单元模块电路图;
图11是本发明的***数字接口单元模块电路图;
图12是本发明的***DA转换模块电路图;
图13是本发明的***双路互补输出单元模块电路图;
图14是本发明的硅微加速度计补偿前后全温下非线性的数据图;
图15是本发明的硅微加速度计补偿前后全温下标度因数温度系数的数据图;
图16是本发明的硅微加速度计补偿前后全温下零偏的数据图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1所示,为补偿的硅微扭摆式电容加速度计结构。扭摆式电容加速度计是由敏感质量块、敏感电极、挠性支撑梁、锚点等组成。当外界施加加速度时,敏感质量块由于左右两边的质量和惯性力矩不等产生扭转,敏感电极间距变化形成差动电容。差动电容变化量为
式中:m为敏感块质量;a为输入加速度;L为质心到支撑梁的距离;Ls、w、h分别为支撑梁长、宽、高;β是与h/w有关的因数;Ld为敏感电极中心到支撑梁的距离;G为剪切弹性模量。
差动电容通过C/V转换、滤波放大电路输出电压信号
式中:Cf为C/V转换的反馈电容;Us为极板所加的载波幅值;U为加速度计输出电压。加速度计的输出电压正比于输入加速度值。
实施例1
本发明基于GA优化BP神经网络的硅微加速度计温度补偿方法,包括:
获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
将得到的温度补偿模型参数存放在微处理器的存储器中,编写程序,通过调用GA-BP神经网络模型参数矩阵,计算出补偿后输出值,并实现补偿算法的实时输出。
本实施例中,参见图2和图3所示,(1)选用硅微加速度计为集成了温度传感器的加速度计,通过带温控的二维转台在-40℃~80℃均匀取15个温度点,循环测量所述的硅微加速度计的加速度输出和温度输出并取得多组数据,作为GA优化的BP神经网络的训练样本;
(2)为了解决BP神经网络存在的局部最优问题,采用遗传算法GA优化BP网络的初始权值和阈值,遗传算法包含适应度计算、选择操作、交叉操作、变异操作几个基本过程。初始种群随机产生,种群中的所有个体都包含了网络的所有权值和阈值信息,个体通过适应度函数计算个体适应度Fj。
式中Fj为第j个体的适应度;m为BP神经网络的输出层节点数;yi为第i个节点的期望输出;为第i个节点的预测输出;k为常系数。
遗传算法通过多次选择、交叉和变异操作找到最优适应度的个体,个体通过解码得到BP网络结构初始参数。
(3)根据采集的样本,优选GA优化的BP神经网络为三层,隐层神经元为20个。
本实施例中,建立硅微加速度计温度补偿数学模型,来补偿加速度温度性能。该温度方法通过对BP神经网络权值阈值参数的多次选择、交叉、变异操作选择出全局最优的模型参数,搭建三层前向反馈神经网络模型:输入层为传感器电压输出和温度输出共2个神经元,中间隐含层为20个神经元,输出层为加速度共1个神经元。模型迭代训练方法采用附加动量和动态自适应学习率的梯度下降算法,提高算法的收敛速度和精度,防止发散。该温度补偿算法模型解决了硬件电路补偿复杂的问题,具有良好的自适应性、很强的学习能力以及很好的全局性,能有效提高硅微加速度计的测量精度和加速度计各个性能参数的温度稳定性。具体表现为:本发明以高度集成的微处理器为核心,制作成了易于装配的微小模块,可以和硅微加速度计封装在尺寸为36mm×26mm的微型模块中,易于满足工程装配的要求;其补偿算法采用遗传算法优化的BP神经网络,遗传算法提高了传统神经网络算法的全局最优性能,且精度更高,可保证加速度计在-40~80℃的工作温度范围内输出的高精度和高温度稳定性;加速度计输出的非线性、标度因数温度系数、全温零偏极差分别由补偿前的2223ppm、141ppm/℃、58.8mg减小到273ppm、18ppm/℃、2.7mg,补偿结果优于已报道的成果。而且,该补偿方法性能测试***简单方便,可实现自动化。
实施例2
本实施例基于GA优化BP神经网络的硅微加速度计温度补偿方法,在实施例1的基础上,神经网络前向反馈训练过程采用附加动量和动态自适应学习率的梯度下降算法,附加动量算法不断积累前一次的学习经验,加快收敛过程,动态自适应学习率算法有效防止训练发散和收敛速度慢的缺点。所述的BP神经网络训练过程中,采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度,具体表达式如下:
w(i)=w(i-1)+Δw(i)+k[(w(i-1)-w(i-2)]
其中w(i)、w(i-1)、w(i-2)分别为i、i-1、i-2时刻的权值,k为动量学习率;
采用附加动量方法解决收敛过程缓慢问题,具体表达式如下:
η(n)=ηmax-n(ηmax-ηmin)/N
其中ηmax、ηmin、η(n)分别为最大、最小和当前学习率,n、N分别为当前迭代次数和最大迭代次数;
其中,所述BP神经网络的目标误差函数为:
当设定网络训练误差小于预先设定误差值或者网络学习次数达到预先设定值时,将自适应,得到各层神经元之间的连接权值和隐含层、输出层神经元阈值:
Wih=net.iw{1,1}
Who=net.iw{2,1}
bh=net.b{1}
bo=net.b{2}
式中:Wih为20×2矩阵;Who为1×20矩阵;bh为1×20矩阵;bo为1×1矩阵。
在MATLAB上编程实现,设置遗传算法种群规模为100,进化次数为50次,交叉概率为0.4,变异概率为0.2;设置BP神经网络训练次数为2500次,学习步长为0.15,最小均方误差为10-13,最小梯度为10-11,通过训练得出全局最优的网络权值和阈值参数如下:
bo=[1.78667310657]
(4)将步骤(3)得到的温度补偿模型参数存放在微处理器的存储器中,编写程序,通过调用参数建立GA优化的BP神经网络模型,实现补偿算法并实时输出电压值:
实施例3
本实施例基于GA优化BP神经网络的硅微加速度计温度补偿***,包括:
训练样本获取单元,用于获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
初始权值、阈值确定单元,用于基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
BP神经网络训练单元,用于基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
补偿单元,用于将得到的温度补偿模型参数存放在微处理器的存储器中,编写程序,通过调用GA-BP神经网络模型参数矩阵,计算出补偿后输出值,并实现补偿算法的实时输出。
本实施例中,所述BP神经网络训练单元,包括训练精度提高模块,用于采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度。
参见图4所示,该***以2TS-450带温箱双轴转台为测试平台,离心机滑环输出的数据经RS232串口读入到工控机,经相关数据处理软件求得输出结果。
参见图5所示,为补偿后微处理器运行程序图。温度补偿***开机工作后,首先初始化***参数,然后接收A/D传输数据(VT,Va),并调用存入微处理器FLASH中的GA优化的BP网络温度模型参数矩阵,代入温度模型式(1)可实时计算出补偿后加速度并将代入加速度计理想输入输出模型得到补偿后的电压输出值:
式中:SF0=-66.67mV/g为标度因数的标定常量;Bias0=2.5V为零偏的标定常量;为加速度计温度补偿后输出。SF0和Bias0是标定常量都与温度无关。
计算得到补偿值,最后进行数字输出,设置输出速率200Hz;同时,为方便补偿前后数据的比较和数据传输的准确性,设计数字接口发送数据结构为帧头(2个字节)+补偿之前输出(3个字节)+温度(3个字节)+补偿之后输出(3个字节)+校验(1个字节)。
参见图6所示,一种基于GA优化的BP算法的硅微加速度计温度补偿***,用于实现权利要求1的温度补偿方法,包括加速度传感器、数据采集单元、微处理器单元、数字接口单元、电源管理单元、DA转换和双路互补输出单元,其特征在于:所述加速度传感器、数据采集单元、微处理器单元和DA转换和双路互补输出单元依次连接,实现补偿后的实时电压输出。所述补偿***采用单片集成化模块,与加速度计构成具有实用性很强的微封装单元,该单元完成加速度测量和实时补偿,易于工程化。
参见图7所示,为本***电源管理单元模块,***供电电压为7-15V,采用LT1962EMS8-5基准源为加速度计、AD芯片、DA芯片、数字接口芯片、放大器提供5V供电,采用ADR441BRZ-ND高精度低噪声基准源为加速度计提供精准的2.5V偏置电压,采用ADR4550ARZ高精度低噪声基准源为高精度AD芯片和DA芯片提供精准的5V参考电压源,采用ADP3338AKCZ-3.3基准源为微控制器提供3.3V工作电压。
参见图8所示,为本***微处理器单元模块,***采用ST公司的STM32F405RG作为微处理器芯片,通过微处理器控制AD单元采集硅微加速度计的加速度和温度的输出电压值。
参见图9所示,为本***电源管理单元模块,***补偿带温度传感器的硅微扭摆式电容加速度计,其型号为HD6068。该加速度计由一个立体微加工工艺制成的硅元件、低功耗ASIC专用处理电路等元件组成,采用LCC32(13×10×1.7mm)陶瓷封装,量程±30g,工作频率0-1kHz。
参见图10所示,为本***数据采集单元模块,***采用24高精度低噪声的AD7190,设置AD工作在双路差分工作模式,采集加速度计的电压输出和温度输出,通过SPI接口与微控制器通信,输出速率设置2400Hz,满足加速度计输出频率要求。
参见图11所示,为本***数字接口单元模块,***采用RS_422的数字输出接口芯片MAX491,以及为方便与外部连线进行测量和安装,在整个***中提供的电路板供电电源、ARM电路下载和RS_422数字输出接线端口。
参见图12所示,为本***DA转换模块,***采用采用18位高精度低噪声的DAC9881,通过SPI通信接口与微控制器进行数据通信,将微控制器补偿后的数字电压输出转换成模拟电压输出。
参见图13所示,为本***双路互补输出单元模块,***采用OPA2350UA放大器实现DA输出后的电压值的双路互补输出,同时提高输出电压的带负载能力。
参见图14至图16所示,经过测试,本发明对加速计全温下的非线性度、标度因数温度系数、全温的零偏均有明显的提升效果(全温下的非线性度、标度因数温度系数、全温的零偏分别由2223ppm、141ppm/℃、58.8mg减小到273ppm、18ppm/℃、2.7mg,且温度稳定性大大提高)。
为验证算法的全局最优性,测试-40℃-80℃下加速度从-20g以2g为间隔升高20g的数据,分别计算各个数据点用BP补偿和用GA优化后的BP补偿输出误差绝对值。70℃、80℃预测误差较-40℃-60℃明显变大,而其他预测误差基本保持一致,从而验证了GA优化后的BP神经网络具有全局最优性。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种基于GA优化BP神经网络的硅微加速度计温度补偿方法,其特征在于,包括:
获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
<mrow>
<mi>a</mi>
<mo>=</mo>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>15</mn>
</msubsup>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>&chi;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
存储得到的温度补偿模型参数,通过调用BP神经网络模型参数矩阵,计算出补偿后输出值,实现补偿算法的实时输出。
2.根据权利要求1所述的基于GA优化BP神经网络的硅微加速度计温度补偿方法,其特征在于,所述的BP神经网络训练过程中,采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度,具体表达式如下:
w(i)=w(i-1)+Δw(i)+k[w(i-1)-w(i-2)]
其中w(i)、w(i-1)、w(i-2)分别为i、i-1、i-2时刻的权值,k为动量学习率;
采用附加动量方法解决收敛过程缓慢问题,具体表达式如下:
η(n)=ηmax-n(ηmax-ηmin)/N
其中ηmax、ηmin、η(n)分别为最大、最小和当前学习率,n、N分别为当前迭代次数和最大迭代次数;
其中,所述BP神经网络的目标误差函数为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
当设定网络训练误差小于预先设定误差值或者网络学习次数达到预先设定值时,将自适应,得到各层神经元之间的连接权值和隐含层、输出层神经元阈值:
Wih=net.iw{1,1}
Who=net.iw{2,1}
bh=net.b{1}
bo=net.b{2}
式中:Wih为20×2矩阵;Who为1×20矩阵;bh为1×20矩阵;bo为1×1矩阵。
3.根据权利要求1所述的基于GA优化BP神经网络的硅微加速度计温度补偿方法,其特征在于,所述BP神经网络为三层结构,输入层、中间层、输出层神经元个数分别为2、20、1。
4.一种基于GA优化BP神经网络的硅微加速度计温度补偿***,其特征在于,包括:
训练样本获取单元,用于获取遗传算法GA的搜索种群和BP神经网络的训练样本,所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值;
初始权值、阈值确定单元,用于基于遗传算法的反复选择、交叉、变异操作选择出最优的个体,该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值;
BP神经网络训练单元,用于基于训练样本,建立BP神经网络,通过BP神经网络自学习建立加速度计的温度补偿模型,表达式如下:
<mrow>
<mi>a</mi>
<mo>=</mo>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>15</mn>
</msubsup>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
</mrow>
</msub>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>&chi;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中:a为加速度,也即为温度模型输出;X=(Va,VT)表示加速度计输出电压和温度传感器输出电压,为温度模型输入;ψ为输出层函数;为隐含层转移激励函数;Wih、Who分别为输入层到隐含层和隐含层到输出层的权值;bh、bo分别为隐含层和输出层的阈值;
补偿单元,用于存储得到的温度补偿模型参数,通过调用BP神经网络模型参数矩阵,计算出补偿后输出值,实现补偿算法的实时输出。
5.根据权利要求4所述的基于GA优化BP神经网络的硅微加速度计温度补偿***,其特征在于,所述BP神经网络训练单元,包括训练精度提高模块,用于采用附加动量和动态自适应学习率的梯度下降算法提高训练速度和精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395511.8A CN108073075A (zh) | 2017-12-21 | 2017-12-21 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395511.8A CN108073075A (zh) | 2017-12-21 | 2017-12-21 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108073075A true CN108073075A (zh) | 2018-05-25 |
Family
ID=62158807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711395511.8A Pending CN108073075A (zh) | 2017-12-21 | 2017-12-21 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073075A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633205A (zh) * | 2019-01-16 | 2019-04-16 | 南京理工大学 | 一种石英谐振加速度计温度补偿方法 |
CN109738669A (zh) * | 2019-01-11 | 2019-05-10 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
CN110070170A (zh) * | 2019-05-23 | 2019-07-30 | 福州大学 | 基于mcu的pso-bp神经网络传感器校准***及方法 |
CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
CN110458287A (zh) * | 2019-02-15 | 2019-11-15 | 平安科技(深圳)有限公司 | 神经网络优化器的参数更新方法、装置、终端及存储介质 |
CN111308112A (zh) * | 2019-12-04 | 2020-06-19 | 电子科技大学 | 一种基于神经网络的温度补偿*** |
CN111723834A (zh) * | 2019-03-21 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 语音深度学习训练方法及装置 |
CN112946318A (zh) * | 2021-03-24 | 2021-06-11 | 苏州康旺聚贤智能科技有限公司 | 一种加速度传感器的标定算法 |
CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及*** |
CN113447180A (zh) * | 2021-05-10 | 2021-09-28 | 中山大学 | 一种基于差分电容的扭摆测试装置、扭摆解耦读取方法 |
CN113514665A (zh) * | 2021-05-28 | 2021-10-19 | 成都工业职业技术学院 | 一种乏燃料组件运输容器加速度监测***及方法 |
CN113556072A (zh) * | 2021-07-29 | 2021-10-26 | 西南大学 | 一种超高速电机参数在线辨识方法 |
CN114193439A (zh) * | 2021-12-20 | 2022-03-18 | 山东大学 | 一种连续体机器人末端位置误差补偿方法及*** |
CN115994491A (zh) * | 2023-03-24 | 2023-04-21 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和*** |
CN116046018A (zh) * | 2023-01-31 | 2023-05-02 | 无锡凌思科技有限公司 | 一种应用于mems陀螺仪的温度补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及*** |
-
2017
- 2017-12-21 CN CN201711395511.8A patent/CN108073075A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及*** |
Non-Patent Citations (2)
Title |
---|
王小川 等: "《MATLAB神经网络43个案例分析》", 31 August 2013, 北京航空航天大学出版社 * |
邢传鼎 等: "《人工智能原理及应用》", 28 February 2005, 东华大学出版社 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738669A (zh) * | 2019-01-11 | 2019-05-10 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN109738669B (zh) * | 2019-01-11 | 2020-12-25 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN109633205B (zh) * | 2019-01-16 | 2020-12-04 | 南京理工大学 | 一种石英谐振加速度计温度补偿方法 |
CN109633205A (zh) * | 2019-01-16 | 2019-04-16 | 南京理工大学 | 一种石英谐振加速度计温度补偿方法 |
CN110458287A (zh) * | 2019-02-15 | 2019-11-15 | 平安科技(深圳)有限公司 | 神经网络优化器的参数更新方法、装置、终端及存储介质 |
CN110458287B (zh) * | 2019-02-15 | 2024-05-07 | 平安科技(深圳)有限公司 | 神经网络优化器的参数更新方法、装置、终端及存储介质 |
CN111723834B (zh) * | 2019-03-21 | 2024-01-26 | 杭州海康威视数字技术股份有限公司 | 语音深度学习训练方法及装置 |
CN111723834A (zh) * | 2019-03-21 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 语音深度学习训练方法及装置 |
CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
CN110070170A (zh) * | 2019-05-23 | 2019-07-30 | 福州大学 | 基于mcu的pso-bp神经网络传感器校准***及方法 |
CN111308112A (zh) * | 2019-12-04 | 2020-06-19 | 电子科技大学 | 一种基于神经网络的温度补偿*** |
CN112946318A (zh) * | 2021-03-24 | 2021-06-11 | 苏州康旺聚贤智能科技有限公司 | 一种加速度传感器的标定算法 |
CN113447180A (zh) * | 2021-05-10 | 2021-09-28 | 中山大学 | 一种基于差分电容的扭摆测试装置、扭摆解耦读取方法 |
CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及*** |
CN113514665A (zh) * | 2021-05-28 | 2021-10-19 | 成都工业职业技术学院 | 一种乏燃料组件运输容器加速度监测***及方法 |
CN113556072A (zh) * | 2021-07-29 | 2021-10-26 | 西南大学 | 一种超高速电机参数在线辨识方法 |
CN113556072B (zh) * | 2021-07-29 | 2022-11-04 | 西南大学 | 一种超高速电机参数在线辨识方法 |
CN114193439A (zh) * | 2021-12-20 | 2022-03-18 | 山东大学 | 一种连续体机器人末端位置误差补偿方法及*** |
CN116046018A (zh) * | 2023-01-31 | 2023-05-02 | 无锡凌思科技有限公司 | 一种应用于mems陀螺仪的温度补偿方法 |
CN116046018B (zh) * | 2023-01-31 | 2023-11-14 | 无锡凌思科技有限公司 | 一种应用于mems陀螺仪的温度补偿方法 |
CN115994491A (zh) * | 2023-03-24 | 2023-04-21 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073075A (zh) | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、*** | |
CN108120451A (zh) | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、*** | |
CN106503802A (zh) | 一种利用遗传算法优化bp神经网络***的方法 | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN114548368B (zh) | 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法 | |
CN104992225A (zh) | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN102129259A (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制***和方法 | |
CN113505534B (zh) | 一种考虑需求响应的负荷预测方法 | |
Liang et al. | Novel decoupling algorithm based on parallel voltage extreme learning machine (PV-ELM) for six-axis F/M sensors | |
CN107607105B (zh) | 基于分数阶微分的光纤陀螺温度非线性误差补偿方法 | |
CN112417000B (zh) | 一种基于双向循环编解码器神经网络的时间序列缺失值填充方法 | |
CN111160659A (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN107367334A (zh) | 一种用于铂电阻测量的非线性补偿方法 | |
Lin et al. | Evolutionary algorithm based feedforward control for contouring of a biaxial piezo-actuated stage | |
CN111368400A (zh) | 基于pso算法的压电微驱动变频定位平台建模辨识方法 | |
CN105976029B (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
CN109782586A (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN113031434B (zh) | 时滞多柔性摆臂***分数阶自适应控制方法及装置 | |
CN113188715A (zh) | 基于机器学习的多维力传感器静态校准数据处理方法 | |
CN115952685A (zh) | 基于集成深度学习的污水处理过程软测量建模方法 | |
Barati et al. | Estimation and calibration of robot link parameters with intelligent techniques | |
Sang et al. | Double Inverted Pendulum control based on three-loop PID and improved BP Neural network | |
CN103076035A (zh) | 一种基于双支持向量机的传感器测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180525 |
|
RJ01 | Rejection of invention patent application after publication |