PSO算法结合BP神经网络进行校正

《PSO算法结合BP神经网络进行校正》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、PSO算法结合BP神经网络在传感器静态非线性校正中的应用张媛媛1,2，徐科军3，4，许耀华2，黄胜初2(1.合肥工业大学仪器科学与光电工程学院，安徽合肥，230009；2，安徽大学电子科学与技术学院，安徽合肥，230039；3，合肥工业大学电气与自动化工程学院，安徽合肥，230009；4，工业自动化安徽省工程技术研究中心，安徽合肥，230009）摘要：本文提出将粒子群优化（PSO）算法与BP神经网络相结合，应用在传感器静态非线性特性的校正中。将PSO算法所得到的全局最优值作为BP神经网络的初始权值，而后训练BP神经网络，训练结束后的神经网络作为传感器的静态特性校正

2、器。结果表明，该方法可以提高BP神经网络的精度，并且该神经网络具有良好的泛化能力。以空气质量流量传感器为对象进行了实验，实现了传感器静态非线性特性的线性化，取得了满意的效果。关键词:计量学；静态非线性校正；粒子群优化算法；空气质量流量传感器；BP神经网络中图分类号：TB97文献标识码：A文章编号：ApplicationofPSOandBPNeuralNetworkinStaticNonlinearCorrectorforSensor1，2322ZhangYuanYuan,XuKeJun,XuYaohua,HangShengchu(1,SchoolofInstrume

3、ntScienceandPhotoelectricEngineering,HefeiUniversityofTechnology,Hefei2300092,SchoolofElectronicScienceandTechnology,AnhuiUniversity,Hefei2300393，SchoolofElectricalandAutomationEngineering,HefeiUniversityofTechnology,Hefei2300094，EngineeringTechnologyResearchCenterofIndustrialAutomatio

4、n,AnhuiProvince,Hefei230009)Abstract:AcorrectingstaticnonlinearerrorsmethodofsensorsbasedonBPNeuralNetworkusingParticleSwarmOptimization(PSO)isintroduced.TheglobalbestvalueofparticleswarmareusedtoinitializetheweightsofBPneuralnetwork,thenBPneuralnetworkistrained.Thenneuralnetworkthatha

5、sbeentrainedisregardedascorrectorofsensor.TheresultsshowsthatthismethodcanimproveprecisionofBPneuralnetwork,meanwhilethegeneralizationcapabilityoftheneuralnetworkisallright.PSO-BPisusedtocorrectstaticnonlinearerrorsofmassairflowsensor.Itisprovedtothatthemethodiseffective.Keywords:Metro

6、logy；staticnonlinearcalibration；ParticleSwarmOptimization(PSO);MassAirFlow(MAF)sensor;BPneuralnetwork1前言绝大多数传感器具有静态非线性特性，需要设计校正器串联在其后，对其进行校正。若传感器输入信号u和输出信号y的静态非线性特性为yfu()，所设计的校正器特性为其111逆模型，满足zf()y，即校正后输出zf()yf(())fuu可以无失真地反映传感器的输入。但是该非线性逆函数很难直接求出，可利用神经网络所具有的可逼近任意连续非线1性函数的优点，使其

7、逼近f(.)。BP神经网络是目前应用最广泛的神经网络模型，但由于它收稿日期：；修改日期：基金项目：安徽省青年教师基金资助项目(2006jql035)作者简介：张媛媛（1977-），女，安徽淮北人，安徽大学电子科学与技术学院讲师，合肥工业大学博士研究生，主要从事传感器非线性建模及其动态非线性补偿的研究。徐科军（1956-），男，江苏无锡人，合肥工业大学电气与自动化工程学院教授，博导，主要从事传感器技术、自动化仪表和数字信号处理的研究。1采用基于梯度下降的局部优化搜索，且基于经验风险最小化原则，容易出现过学习问题，收敛精度较低，难以避免陷入局部极小值。而粒子群优化算