[发明专利]电容称重传感器非线性补偿的小波神经网络方法

说明书

技术领域

本发明涉及传感器技术领域，具体为一种电容称重传感器非线性补偿的小波神经网络方法。

背景技术

在现代电子秤称重系统中，采用称重传感器得到重量信号，再将该重量信号送到调理电路中进行调理和显示，得到称重结果。目前，电阻应变式称重传感器在电子衡器中广泛采用，但是受应变极限的限制，电阻式传感器的金属应变丝电阻的相对变化一般低于1％，且应变丝的阻值受温度的影响很大。与之相比，电容式传感器电容值的相对变化量可大于100％，因此测量范围大得多；电容传感器一般用金属作电极，以无机材料作绝缘支承，因此能承受很大的温度变化。另外电容式传感器还具有灵敏度高、动态响应时间短、机械损失小等优点。但在利用电容称重传感器进行称重测量时,传感器输出电压值与载荷重量之间的关系是非线性的。为了保证一定的测量精度及便于在测控系统中应用，必须对其进行非线性补偿。目前常用补偿方法有硬件补偿法和软件法，但由于电容称重传感器严重的非线性，用硬件电路补偿时，电路复杂，补偿精度也不高。在微机化的智能仪器和控制系统中，常用软件代替硬件进行非线性补偿，并已得到了广泛的应用。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种电容称重传感器非线性补偿的小波神经网络方法，解决了电容称重传感器的非线性的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种电容称重传感器非线性补偿的小波神经网络方法，包括以下步骤：

步骤一：电容称重传感器非线性补偿原理

电容称重传感器非线性补偿原理主要基于图1所示的基本环节，设传感器的输入载荷的重量为G,输出电压为u，u＝f(G)为非线性关系，若在传感器后串联一个补偿环节,使y＝f1(u)＝kG,那么就实现了传感器的非线性补偿,当k＝1时,y＝G＝f1(u)称为传感器的逆模型。

步骤二：小波神经网络

小波神经网络的结构是以小波分析作为理论依据的，设Ψ(t)为一平方可积函数,Ψ(t)∈L2(R),若其傅立叶变换满足“容许性条件”,即:

则称为Ψ(t)一基本小波或母小波,其特点是,它们都是在时域具有紧支撑,在频域具有正则性的实数或复数函数,即它们在时域和频域都有较好的局部特性，将母小波进行尺度为a的伸缩和因子为b的平移,可得小波基函数:

式(2)中,a,b∈R,a≠0,分别为尺度因子和平移因子。

小波神经网络的结果与RBF网络一样类似均为单隐层前向神经网络,它的隐层激励函数为小波函数，其结构示意图如图2所示,xi(i＝0,1,2,…,m)为输入层第i个结点的输入,y为输出层结点的输出,vj为第j个隐层结点的输入,oj为第j个隐层结点的输出,w1_ji为连接输入层结点i和隐层结点j(j＝0,1,…,n)的权值,w2_j为连接隐层结点j和输出层结点的权值,其中w1_j0是第j个隐层结点的阈值(相应的x0＝-1),w2₀是输出层结点阈值相应的o0＝-1),aj和bj分别为第j个隐层结点的尺度因子和平移因子,则小波神经网络的数学模型为:

步骤三：小波神经网络参数的训练

设P为输入样本的模式个数,为第p个输入模式(p＝1,2,…,P),y^p为第p个模式的网络实际输出,d^p为第p个模式的期望输出，那么误差函数如下：

小波神经网络的参数训练方法采用引入动量因子μ的最速下降算法,则参数的训练公式如下:

式(5)～(8)中,η为学习率。

步骤四：网络参数的初始化

小波神经网络参数的初始化是一个重要问题，它对于网络的后续学习是否收敛以及收敛的快慢都非常重要，初始权值一般的方法是用随机数产生的，用这种办法要来获得优良的初始权值是没有保障的，要想改变这种状况，得到高几率的优良的初始权值，可将初始化权值和学习样本、神经元传递函数等发生联系，下面以Mexicanhat小波神经网络为例，来说明小波网络的参数初始化过程，Mexicanhat小波基函数的表达式为:

网络初始参数的具体步骤如下：