一种改进的汽车衡称重方法

摘要

本发明提供了一种改进的汽车衡称重方法，包括建立称重模型、构造约束条件模型、称重模型离线训练和在线称重步骤。本发明与已有技术相比有以下优点：本发明可以实现小样本情况下汽车衡称重模型训练，获得称重模型参数后实现自动称重与误差自动补偿，大大提高了称重结果的准确度；同时减少了汽车衡称重模型训练所需的样本数量，提高了工作效率。

主权项

一种改进的汽车衡称重方法，其特征是包括建立称重模型、构造约束条件模型、称重模型离线训练和在线称重步骤；1)所述称重模型为三层的BP神经网络，其网络结构如下：第一层为输入层，输入层的神经元数量I为称重传感器的路数，同时I也是输入层神经元的数量；第二层为隐含层，隐含层的神经元数量隐含层激励函数采用Sigmoid函数，L为输出层神经元的数量；第三层为输出层，输出层的神经元数量L为1个；输出层激励函数采用线性函数；输出层的神经网络输出为：$\hat{z}=v^T\frac{1}{1+e^{-\left({\omega }^{T}X+b^{\left(1\right)}\right)}}+b^{\left(2\right)}=\underset{m=1}{\overset{M}{\Sigma }}\left(\frac{v_m}{1+e^{-\left(\underset{i=1}{\overset{I}{\Sigma }}{\omega }_{m,i}{x}_i+b_m^{\left(1\right)}\right)}}\right)+b^{\left(2\right)}---\left(1\right)$式(1)中，ω为神经网络输入层到隐含层的权矩阵，ω^T为神经网络输入层到隐含层的权矩阵的转置矩阵，ω_m,i为输入层第i路输入到隐含层的第m个神经元的连接权值(i＝1,2,…,I；m＝1,2,…,M)，ω＝[ω_1,1,ω_1,2,…,ω_1,I；…；ω_M,1,ω_M,2,…,ω_M,I]；b⁽¹⁾为隐含层偏置向量，为隐含层第m个神经元的偏置值(m＝1,2,…,M)，V为隐含层到输出层的权向量，V^T为隐含层到输出层的权向量的转置向量，v_m为隐含层第m个神经元到输出层的连接权值(m＝1,2,…,M)，V＝[v₁,v₂,…,v_M]；b⁽²⁾为输出层偏置值，X为神经网络输入向量，x_i为输入层第i路输入，M为神经网络隐含层的神经元数量；2)所述约束条件模型为称重模型的输入层‑隐层权值向量的相邻元素的平方和最小，即$min\underset{m=1}{\overset{M}{\Sigma }}\underset{i=2}{\overset{I}{\Sigma }}{({\omega }_{m,i}-{\omega }_{m,i-1})}^2---\left(2\right);$3)所述称重模型离线训练，是在微处理器与外部专用计算机连接后，首先利用微处理器采集训练样本，然后基于称重模型和约束条件模型，利用外部专用计算机进行训练，训练完成后，称重模型的参数被存储在微处理器或外部存储器中，之后外部专用计算机被撤离；4)所述在线称重即实际称重，此时，微处理器采集I路称重传感器的输出信号经过数据预处理后作为称重模型的输入，同时调用保存在微处理器或外部存储器中的神经网络参数(即ω、V、b⁽¹⁾、b⁽²⁾)，一起代入式(1)所示的称重模型，计算获得称重结果，完成在线称重。