[发明专利]遗传算法RBF神经网络在涡流传感器非线性补偿中的应用

权利要求书

1.遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于它包含如下步骤：

步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；

步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。

2.根据权利要求1所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述遗传算法优化为采用适应度函数：

控制基因用二进制编码，参数基因采用实数编码，群体规模取100，同时对RBF神经网络参数和拓扑结构进行优化，式中——网络对应第i个输入样本对应的网络输出，yi是其希望输出，m1是总的学习样本数，N是隐节点数，R是网络输入节点数，a、b、d是常系数；

按轮盘赌法进行优质个体的选择，对控制基因串采用单点交叉，参数基因的交叉操作采用线性组合方式，即将两个基因串对应交叉位的值相组合生成新的基因串，对控制基因，变异操作以一定的概率对变异位进行反运算，对参数基因，采用偏置变异，以一定的概率给变异位基因加一个从偏置区域中随机选取的数值。

3.根据权利要求1所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述RBF神经网络是一种特殊的三层前向网络，它具有非线性可分的模式空间映射到线性可分状态空间的特性，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络；它包括一个输入层、一个隐层和一个输出层，输入层和隐层直接连接，隐层包含一系列径向基函数，取常用的高斯型函数，将RBF网络用高斯型函数表示为：

y＝WΦ(x)。

4.根据权利要求3所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述RBF网络用高斯型函数式中i表示第i个隐含神经元，i＝1，2，…，N，隐含神经元个数为N，x表示网络的输入向量，ci表示第i个隐元的高斯分布曲线的作用中心，β_i>0为第i个隐元的宽度，y为输出向量，Φ＝[φ1，φ2，…，φN]T为隐层输出向量，W为权值向量。