[发明专利]基于深度学习的应变天平温度梯度误差补偿方法及系统

权利要求书

1.基于深度学习的应变天平温度梯度误差补偿方法，其特征在于：包括以下步骤：

通过在天平上布置温度传感器获取天平的温度数据；

通过天平测量元件上粘贴的应变计组成的电桥获得温度梯度误差数据；

根据天平温度数据及温度梯度误差数据选取关键温度测点；

建立深度置信网络DBN，设置初始参数，以关键温度测点的温度数据作为深度置信网络DBN的输入值，以温度梯度误差数据作为网络的输出值，进行深度置信网络DBN训练和温度梯度误差预测。

2.如权利要求1所述的方法，其特征在于：所述温度梯度误差数据是通过应变计电桥获得的。

3.如权利要求1所述的方法，其特征在于：所述关键温度测点是通过以下步骤来实现：

初始化参数后对温度数据进行减法聚类分析，得到初始聚类数及初始聚类中心；

将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数，进行聚类分析，得到温度数据的模糊划分矩阵，完成温度测点的分类；

计算温度测点与温度梯度误差之间的相关性，选出天平的关键温度测点。

4.如权利要求1所述的方法，其特征在于：所述深度置信网络DBN训练是按照以下步骤进行的：

确定DBN网络的结构和参数；

将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出，进行受限的玻尔兹曼机无监督预训练；

将受限的玻尔兹曼机无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练，得到天平温度梯度误差预测模型。

5.如权利要求1所述的方法，其特征在于：所述DBN网络包括多个受限的玻尔兹曼机和BP神经网络两部分：第一部分为无监督学习的受限的玻尔兹曼机，

完成对输入数据的特征提取和挖掘，这一部分的输出作为第二部分的输入；第二部分为有监督学习的BP神经网络，完成数据的训练，得到最终的DBN预测模型，所述DBN网络的训练过程按照以下步骤进行：

通过DBN网络中的受限的玻尔兹曼机进行无监督预训练得到BP神经网络的层内参数；

将样本温度数据X赋予第一个受限的玻尔兹曼机的可见层V₁，然后根据以下公式(1)和(2)计算隐藏层和可见层单元被激活的概率，对样本中的v和h交替进行采样；

其中，W_ij为可见层和隐藏层两个相连单元之间的连接权值；

p表示单个可见层或隐藏层单元激活的概率；

v_i表示第i个可见层单元；

j表示第j个隐藏层单元；

v＝[v₁,v₂,…,v_i,…v_m]表示可见层的状态向量；

h＝[h₁,h₂,…,h_j,…,h_n]表示隐藏层的状态向量；

θ＝{w_ij,a_i,b_j}表示受限的玻尔兹曼机的更新参数；

a_i为可见层单元的偏置值；

b_j为隐藏层单元的偏置值；

利用对输入数据进行若干次Gibbs采样的结果作为受限的玻尔兹曼机模型参数的梯度项，W_ij,a_i,b_j的更新公式如下：

b_j＝b_j+η(h¹-h^k) (5)

其中，h¹表示第一隐藏层状态向量；

v¹表示第一可见层状态向量；

h^k表示第k隐藏层状态向量；

v^k表示第k可见层状态向量；

η表示学习率；

输入信号通过可见层神经元向前传递，将前一个受限的玻尔兹曼机的输出作为下一个受限的玻尔兹曼机的输入，依次逐层训练受限的玻尔兹曼机；

有监督权值调优：将顶层的BP神经网络接收到的数据作为输入，再根据理论输出与实际输出的误差，按相反的方向逐层传递到各个受限的玻尔兹曼机，逐层对参数θ进行调优，使得参数θ获得全局最优；

其中，θ＝{w_ij,a_i,b_j}表示。