一种用于多参数仪表检定的数据融合方法

摘要

本发明公开了一种用于多参数仪表检定的数据融合方法，包括对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数据仪表校准项的特征参数；根据得到的特征参数建立并训练人工蜂群数据融合模型；根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；根据证据组合结果，做出最终决策。本发明的方法能够融合历史测试数据来分析其内部特征，更合理的对仪表进行检定，通过建立人工蜂群神经网络结构和构造证据的基本概率指派函数，可以更智能化的判定仪表检定结论，减少检定数据处理过程中人为的干预和避免结论误判。

主权项

一种用于多参数仪表检定的数据融合方法，其特征在于，包括如下步骤：步骤一、对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数据仪表校准项的特征参数；步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型，具体过程如下：(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构；依据步骤一中提取的特征参数种类，确定人工蜂群神经网络的输入层神经元数p；根据预先设定的检定结果的级别数q，确定人工蜂群神经网络输出层的神经元数为q；单隐含层的神经元数n₀：n₀＝2p+β；其中，β为无量纲的修正参数；(2)优化人工蜂群神经网络结构的权值参数；具体步骤如下：设标准网络模型中待优化的数目为N，利用Pareto最优概念，将优于某个体的个体适应度值作为该个体的适应度值，一个观察蜂选择蜜源的概率取决于蜜源的概率值prob_i，具体采用下式计算：其中，fit_i是个体i的适应度值，SN是采蜜蜂数量；通过得到的蜜源的概率值prob_i，利用人工蜂群算法优化人工蜂群神经网络结构的权值参数；个体i的适应度值fit_i计算过程如下：首先根据Pareto的支配关系，对群体中的每一个个体排序，再根据周围的拥挤情况计算适应度密度值，最后综合确定适应度值；其过程如下：1)计算群体Q中每个个体i的排序R′(i)其中，符号表示Pareto支配关系；2)个体i的排序R(i)：$R\left(i\right)=R^{\prime }\left(i\right)+\underset{j\in Q,i<j}{\Sigma }{R}^{\prime }\left(j\right)\forall i\in Q$3)根据采蜜蜂数量SN将目标空间划分成个网格，n_e表示每维目标空间的网格数，设的整数部分为a，小数部分为r，则$n_e=\left\{\begin{array}{cc}a& r=0\\ a+1& r\ne 0\end{array}\right.$将每个个体所在的网格区域的个体数作为给个体的密度值；4)个体适应度值：${\mathrm{fit}}_i=\frac{1}{\exp (R\left(i\right)*\rho \left(i\right))}$式中，R(i)表示个体i的排序号，ρ(i)表示个体i的密度值；步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；步骤四、根据证据组合结果，做出最终决策：若信任度值最大的命题满足预先设定的阈值条件，则该命题为决策的目标，否则不做决策。