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<img file="FDA0001029960470000011.GIF" wi="531" he="70" />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<img file="FDA0001029960470000012.GIF" wi="30" he="45" />为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mover><mi>z</mi><mo>^</mo></mover><mo>=</mo><msup><mi>v</mi><mi>T</mi></msup><mfrac><mn>1</mn><mrow><mn>1</mn><mo>+</mo><msup><mi>e</mi><mrow><mo>-</mo><mrow><mo>(</mo><mrow><msup><mi>ω</mi><mi>T</mi></msup><mi>X</mi><mo>+</mo><msup><mi>b</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup></mrow><mo>)</mo></mrow></mrow></msup></mrow></mfrac><mo>+</mo><msup><mi>b</mi><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></msup><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mrow><mo>(</mo><mfrac><msub><mi>v</mi><mi>m</mi></msub><mrow><mn>1</mn><mo>+</mo><msup><mi>e</mi><mrow><mo>-</mo><mrow><mo>(</mo><mrow><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>I</mi></munderover><msub><mi>ω</mi><mrow><mi>m</mi><mo>,</mo><mi>i</mi></mrow></msub><msub><mi>x</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>b</mi><mi>m</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msubsup></mrow><mo>)</mo></mrow></mrow></msup></mrow></mfrac><mo>)</mo></mrow><mo>+</mo><msup><mi>b</mi><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001029960470000013.GIF" wi="1846" he="317" /></maths>式(1)中,ω为神经网络输入层到隐含层的权矩阵,ω<sup>T</sup>为神经网络输入层到隐含层的权矩阵的转置矩阵,ω<sub>m,i</sub>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<sub>1,1</sub>,ω<sub>1,2</sub>,…,ω<sub>1,I</sub>;…;ω<sub>M,1</sub>,ω<sub>M,2</sub>,…,ω<sub>M,I</sub>];b<sup>(1)</sup>为隐含层偏置向量,<img file="FDA0001029960470000014.GIF" wi="61" he="71" />为隐含层第m个神经元的偏置值(m=1,2,…,M),<img file="FDA0001029960470000015.GIF" wi="445" he="77" />V为隐含层到输出层的权向量,V<sup>T</sup>为隐含层到输出层的权向量的转置向量,v<sub>m</sub>为隐含层第m个神经元到输出层的连接权值(m=1,2,…,M),V=[v<sub>1</sub>,v<sub>2</sub>,…,v<sub>M</sub>];b<sup>(2)</sup>为输出层偏置值,X为神经网络输入向量,x<sub>i</sub>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<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>m</mi><mi>i</mi><mi>n</mi><munderover><mo>Σ</mo><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>2</mn></mrow><mi>I</mi></munderover><msup><mrow><mo>(</mo><msub><mi>ω</mi><mrow><mi>m</mi><mo>,</mo><mi>i</mi></mrow></msub><mo>-</mo><msub><mi>ω</mi><mrow><mi>m</mi><mo>,</mo><mi>i</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0001029960470000021.GIF" wi="988" he="127" /></maths>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<sup>(1)</sup>、b<sup>(2)</sup>),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。 |