[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

说明书

遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，它涉及一种涡流传感器技术领域。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。采用上述技术方案后，本发明有益效果为：具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高，网络训练速度快、能实现在线软补偿。

技术领域

本发明涉及涡流传感器技术领域，具体涉及一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用。

背景技术

涡流传感器是一种能将机械位移、振幅等参量转换成电信号输出的非电量电测装置。它具有结构简单、灵敏度高、适用性强、易于进行非接触测量、不损伤被测工件表面等优点，在工业领域中得到了较为广泛的应用。它的基本用途是基于其位移输出特性，即输出信号的某些特征反映了位移输入量的大小。在利用涡流传感器进行测量时,存在输入和输出之间的非线性关系,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，但由于涡流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

本发明的目的在于针对现有技术的缺陷和不足，提供一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿；补偿后具有良好的线性，最大非线性误差在0.5％范围内，提高了测量的准确度。

为实现上述目的，本发明采用以下技术方案是：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。基于RBF神经网络的结构特点，对给定的涡流传感器非线性补偿问题，其输入与输出关系是确定的，优化拓扑结构只需确定隐层节点数，神经网络的结构和参数采用二级递阶染色体结构描述，其中控制基因表示隐层节点。

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。