[发明专利]一种提高基于霍尔效应磁编码器输出角度精度的方法

摘要

本发明公开了一种提高基于霍尔效应磁编码器输出角度精度的方法，具体为：构造LM‑BP神经网络结构；通过PSO方法优化LM‑BP神经网络的初始权值和阈值：计算PSO粒子种群粒子维度、计算粒子的适应度值、更新粒子位置和速度、得到PSO优化后的LM‑BP神经网络的初始权值和阈值；进行PSO‑LM‑BP神经网络训练：初始化LM‑BP神经网络控制向量、计算输出层输出和理想输出信号的平方误差、更新控制向量、判断平方误差大小；PSO‑LM‑BP神经网络预测磁编码器输出角度。本发明通过PSO和LM相配合的方式来优化BP神经网络，为BP神经网络方法找到全局最优的初始权值和阈值，从而提高了磁编码器的原始输出角度的精度，减小了磁编码器的误差，大幅提高了磁编码器的输出角度精度。

主权项

1.一种提高基于霍尔效应磁编码器输出角度精度的方法，其特征在于：包括如下步骤：S1：构造LM‑BP神经网络结构：包括BP神经网络的输入层、隐含层和输出层，其中输入层节点数为S，隐含层节点数为J，输出层节点数为K，输入层输入向量为x＝(x₁,x₂,…,x_S)，隐含层输出向量为y＝(y₁,y₂,…,y_J)，输出层输出向量为O＝(O₁,O₂,…,O_K)，输出层的理想输出向量为d＝(d₁,d₂,…,d_K)，输入层与隐含层的连接权值为v_js,s＝1,2,…,S；j＝1,2…,J，隐含层与输出层的连接权值为w_kj,j＝1,2,…,J；k＝1,2,…,K，隐含层的阈值为a_j,j＝1,2,…,J，输出层的阈值为b_k,k＝1,2,…,K；磁编码器实际输出角度为BP神经网络输入层输入，维度为1，磁编码器理想输出角度为BP神经网络输出层输出，维度为1，BP神经网络隐含层节点数范围为[3,12]，在[‑1,1]范围内随机初始化BP神经网络的权值v_js、w_kj和阈值a_j、b_k；S2：通过PSO方法优化LM‑BP神经网络的初始权值和阈值，其具体步骤为：S2‑1：选取M个粒子构成PSO粒子种群，计算该种群粒子维度N＝SJ+J+JK+K，其中S为输入层节点数，J为隐含层节点数，K为输出层节点数，将BP神经网络的权值v_js、w_kj和阈值a_j、b_k映射为PSO粒子群的粒子初始化位置其中m为第m个粒子，n为该粒子的第n维，粒子速度V_m＝(v_m1,v_m2,…,v_mN)表示粒子在N维空间内的活动速度，随机初始化初始速度其中m＝1,2,…,M；S2‑2：计算粒子的适应度值，选取种群中最小的个体极值作为种群的全局极值P_g；S2‑3：更新粒子位置和速度；S2‑4：重复步骤S2‑2和S2‑3，若种群的全局极值P_g已经满足磁编码器输出角度的目标精度要求，则结束计算，输出当前的粒子位置为PSO粒子群的最佳位置解，从而得到PSO优化后的LM‑BP神经网络的初始权值v_js、w_kj和阈值a_j、b_k；S3：进行PSO‑LM‑BP神经网络训练，其具体步骤为：S3‑1：初始化LM‑BP神经网络控制向量；S3‑2：计算输出层输出和理想输出信号的平方误差E(u^p)；S3‑3：更新控制向量：根据磁编码器的输出角度精度要求，设置LM‑BP神经网络的训练精度ε，若误差E(u^p)＜ε，则LM训练BP神经网络已经完成；否则更新LM‑BP神经网络的控制向量；S3‑4：判断平方误差E(u^p+1)与E(u^p)的大小，若E(u^p)大，则更新阻尼系数为μ/β(β＞1)，且更新u^p为u^p+1；否则，取新的阻尼数为μβ(β＞1)，u^p不变；S3‑5：重复步骤S3‑2～S3‑4直至E(u^p+1)满足磁编码输出角度目标误差要求；S4：PSO‑LM‑BP神经网络预测磁编码器输出角度。