[发明专利]基于GA-BP神经网络算法的高精确度电阻测量算法

说明书

本发明公开了一种基于GA‑BP神经网络算法的高精确度电阻测量算法，通过训练神经网络达到测量电压与被测电阻阻值之间的非线性关系的函数拟合；在BP网络训练参数之前，先通过GA算法，迭代得到一个较为精确的全局最优解，再通过BP神经网络训练得到模型的最优解，再将得到的网络参数固化到单片机上，通过嵌入式系统可直接测得高精确度的电阻值。本发明算法可以降低训练的迭代次数，进一步降低了测量误差，GA‑BP算法的测量误差约在0.1％左右。

技术领域

本发明属于传感器信号处理领域，涉及一种基于GA-BP神经网络算法的高精确度电阻测量算法。

背景技术

在工业生产过程中，许多大型设备在运行中都需要监测温度、压力等参数，而常用的监测温度的方案大都采取PT100、PT1000热电阻，测量压力时通常采用压敏电阻，测量系统需检测这些敏感电阻的阻值以达到检测温度、压力等参数的目的。目前测量热电阻与压敏电阻的外电路设计大致可分为惠斯通电桥电路以及恒流偏置电路两种。对于惠斯通电桥电路而言，其存在许多电路噪声，需要设计复杂的滤波电路降低系统噪声；对于横流偏置电路，需要设计高精度的横流偏置源。基于这两种硬件电路结构设计的系统，在算法上一般采取拟合的方式进行，但是环境温度或压力的变化与电阻的变化关系较为复杂，所采取的拟合函数往往普适性较差，同时一些硬件电路的噪声也会对电阻测量值产生一定的影响，这导致拟合结果偏离实际值。

BP(back propagation,BP)神经网络是一种按照误差反向传播训练的一种前馈网络，其主要应用在数据拟合、函数逼近等方面。BP神经网络算法是一种前向传播类型的神经网络，它具有三层或三层以上的网络结构，每一层都由若干个神经元组成，层与层之间的神经元采取的连接方式是全连接，即每一个神经元都与下一层的所有神经元进行连接。BP神经网络的主要用途之一是非线性函数拟合，它能够通过给定的数据进行计算，按照减小期望输出与实际输出误差的原则，逐步来调整网络参数，使网络实现对给定数据非线性的函数拟合。但是，BP神经网络存在一定的缺陷，利用BP神经网络进行训练的过程中，其训练时间过长，而且容易陷入局部最小值，导致训练缓慢，加大迭代次数。

遗传算法(genetic algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的一种计算模型，它通过模拟自然进化过程搜索得到最优解。GA算法的优势是，在迭代过程中不会陷入局部最优解，可以在全局上寻找最优解，但是GA算法迭代得到的解，会在最优解附近震荡，很难得到一个精确的最优解。

发明内容

为了解决现有技术中的问题，本发明提供一种基于GA-BP神经网络算法的高精确度电阻测量算法，解决现有技术中测量精密电阻精确性不高的问题。

本发明的技术方案为：

一种基于GA-BP神经网络算法的高精确度电阻测量算法，通过训练神经网络达到测量电压与被测电阻阻值之间的非线性关系的函数拟合；在BP网络训练参数之前，先通过GA算法，迭代得到一个较为精确的全局最优解，再通过BP神经网络训练得到模型的最优解，再将得到的网络参数固化到单片机上，通过嵌入式系统可直接测得高精确度的电阻值。

所述GA-BP神经网络算法在matlab上实现，具体包括以下步骤：

(1)导入预先测量的数据，将数据分为训练集和测试集，并对数据进行归一化处理；

(2)随机产生n个种群，每个种群的染色体编码采取浮点数编码，编码的染色体个数为19个，其中前6个表示输入层到隐含层的权重，第7-12个表示隐含层到输出层的权重，第13-18表示输入层到隐含层的偏置，第19表示隐含层到输出层的偏置；

(3)计算n个样本的适应度，得到n个样本能够进行繁殖的概率；

(4)按照每个样本可以繁殖的概率，挑选2个作为亲本，随机交换两个亲本的染色体得到新的子代；

(5)重复n次步骤4，得到新的子代；