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，本发明专利技术有益效果为：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。
【技术实现步骤摘要】
遗传算法RBF神经网络在涡流传感器非线性补偿中的应用
本专利技术涉及涡流传感器
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。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：Φ(x)＝exp{-||x-ci||βi2}i＝1，2，…，Ny＝WΦ(x)。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，βi>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。本专利技术的工作原理：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；采用遗传算法优化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。采用上述技术方案后，本专利技术有益效果为：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、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。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的流程示意框图；图2是本专利技术中传感器与补偿环节的连接示意图；图3是本专利技术中RBF神经网络的结构示意图；图4是本专利技术中涡流传感器实验系统的结构示意图；图5是本专利技术中涡流传感器的工作原理示意图；图6是本专利技术中涡流传感器的输入输出测量的数据示意图；图7是本专利技术中RBF网络补偿与理想补偿的曲线示意图；图8是本专利技术中涡流传感器输入与输出关系的曲线示意图。具体实施方式参看图1-图8所示，本具体实施方式采用的技术方案是：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，参数基本文档来自技高网...
【技术保护点】
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。
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：俞阿龙，戴金桥，孙红兵，
申请(专利权)人：淮阴师范学院，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。