基于径向基网络动态称量数据修正.pdf

《基于径向基网络动态称量数据修正.pdf》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、山西电子技术2015年第1期应用实践文章编号：1674-4578(2015)01．0046．03基于径向基网络动态称量数据修正仝宇(太原理工大学信息工程学院，山西太原030024)摘要：在动态称重仪表技术上提出了基于广义回归神经网络GRNN与径向基RBF结合的拟合逼近法。增加车型代码并入输入神经元。实验表明，GRNN网络适用于动态称量大样本下的拟舍回归，提升运算速度。同时RBF网络进一步修正称量数据，提高了动态称重的准确性、快速性。关键词：双秤台动态汽车衡；拟合回归；广义神经网络与径向基网络；车型中图分类号：TP274文献标识码：A基于车辆经过高速公路称重区时有不稳

2、定因素，双台面l2型；三轴型车：13、14、15型；五轴型车：1125型、155型、动态汽车辆称重衡⋯逐步取代单台面称重。本文应用建立119型、129型。在非参数回归基础上的广义神经网络GRNN对原始称重信l：fr---~lr-，----n号做预处理，在大样本条件下拟合称重过程信号，拟合时间团噩茎口极短。其结果传人RBF网络作为输人神经元之一。为此，文章根据实际情况对货车车型做出具体定义，与其他影响因疆I-----N耍墓口子并人RBF神经网络输入。在多元网络输入影响下，进一嚣口口步修正动态称重运算值。在处理器中利用径向基GRNN—V---NRBF结合进行信号拟合逼近

3、，有效地提高称量精度和速度。图2车辆轴组代码图1双台面动态称量信号分析2基于GN网络称重信号预处理汽车动态称重衡双秤台面由两个秤台、四路传感器组2．1GRNN算法依据成。如图1，1、2只传感器为一组，接收到的信号称为一路信广义神经网络建立在非参数估计回归的基础上，以样本号；3、4只传感器为第二组，接收到的信号称为二路信号；以数据为后验条件，执行Parzen非参估计，依据最大概率原则此类推。计算网络输出。假设、y是两个随机变量，其联合概率密度为f(，y)，若已知的观测值为o，Y相对的回归为：)：(粕)：．(1)t行车方向图1车辆动态称重衡双秤台面J一f(Xo，y)dy

4、车辆上秤后，前、后秤台传感器开始采集重量信号，形成y(x0)即在输入为0的条件下，Y的预测输出。应用离散曲线，针对于单路传感器而言，车辆有几个轴采样曲线Parzen非参数估计，可由样本数据集{，Yt?：，按下式估算就会形成几个波峰。密度函数，(0，y)：本文将在不同车型、不同速度下进行动态称重信号的曲线逼近以及数据处理。速度在30km／h以内，研究的车型主，(XO,=n(2纛)下”e“b·(2)要有2、3、4、5、6轴车中包含的不同轴型车。图2为车辆轴型示意图，本文分析的不同车型，是基于d(，)=∑[(一)／o-]，d(y，y)=[y—Yi]．(3)车辆不同的轴型。

5、在实验数据中要以车型为一个输入神经式中，rt为样本容量，P为随机变量的维数。or称为光元，因而在此做简单介绍。滑因子，实际上就是高斯函数的标准差。将上式代入，并交两轴型车：l2轴型车：车辆前轴+后轴为轴组代码图中换积分与求和的顺序，有：1+2。三轴型车：车辆前轴+中轴+后轴为轴组代码图(e-d(xo-xi)J一ye)dy中1+2+2，称之为l5轴型车。以此类推。y(xo)=l_——————一·(4)实验依据山西某地区测试车型，共包含：两轴型车代码：∑(e‘。一F．-e一‘’。’‘)ay收稿日期：2014—12—23作者简介：仝宇(1988．)，男，山西太原人，太原理

6、工大学硕士研究生。山西电子技术2015年3．1．3基于OLS算法确定隐含层权值小。双台面地磅距离LED显示屏一般10m左右，假设货车1)设定隐含层节点数I，通过K—means算法确定各节达到过衡最大时速30km／h，则称重显示时间约为1．2S。加点中心；入其它时间差后，实验训练时间完全满足高速入口称重时2)根据输入样本，得出由高斯函数计算得到的回归矩阵JP；间，有效解决称重堵塞问题。误差小于2％，达到国家标准。3)将P进行正交三角分解：P=UA．如表1为第五组修正后的称重误差。4)根据矩阵U、向量d计算g，根据Aw：g，求出权值。表1第五组修正后的称重误差3．2仿真

7、结果序号车型速度约定真实值计算值误差1修正值误差2km／hkgkg％kg％实验中选取岢岚高速190组称重测量数据，均分为五组1126．4279O2740—1．792759一1．11进行仿真。每次实验选取前38组输入数据及静态称重数据2121O．O27902725—2．322764一O．9331213．6279o2726—2．292760—1．07作为训练样本设计径向基输入网络，用第一组建立好的网络41313．714loo14071一O．2114Ooo—O．7O去测试之后38组数据，预测效果急剧变差。如图4。51313．8141o0141l00．0714087—0