一种分段式神经网络压力传感器压力检测方法及系统技术方案

本发明专利技术公开了一种分段式神经网络压力传感器压力检测方法及系统，包括分段设置BP神经网络、训练函数确定、最佳隐含层确定、遗传算法优化；根据压阻式压力传感器的检测范围依次分为低、高两段分别设置BP神经网络，确定合适的神经网络训练函数和最佳隐含层数量并提高识别精确度，通过遗传算法对具备最佳隐含层数量的BP神经网络初始权值和阈值进行优化，确定基于遗传算法优化的分段式神经网络模型。优点：以充分发挥BP神经网络的局部搜索能力，提高算法稳定性，避免算法陷入局部最优值，有效提高了压阻式压力传感器的输出可读性、压力识别精度、压力识别速度和压力识别稳定性。

【技术实现步骤摘要】
一种分段式神经网络压力传感器压力检测方法及系统
本专利技术涉及一种分段式神经网络压力传感器压力检测方法及系统，属于传感器

技术介绍
随着万物互联时代的到来，人类开始大规模使用各类传感器感知外界变化来实现信息化和智能化。压力识别作为万物互联的核心，在物联网中发挥极其重要的作用。在智能机器人中，压力识别是实现其精准完成各种交互任务的关键。在智能化汽车中，压力识别是其胎压检测等关键功能的核心。压力识别也广泛应用于智能医疗、生物测量等领域。压力识别是指对于任意的压力施加在压力传感器上，通过压力传感器的输出识别出具体施加的压力值。当压力施加在压阻式压力传感器上时，传感器中应变材料的电阻会因其压阻效应而发生变化，并且其电阻变化与所施加的压力大小有关。随着压力传感器研究的深入，越来越多具有高检测灵敏度、大检测范围、强稳定性的优异压力传感器被提出。但是，这些压力传感器的输入输出关系呈非线性，实际使用中难以读取外界压力值，导致其可读性和实用性极差。虽然，各式各样性能优异的压力传感器被提出，但是由于其输出可读性较差，难以应用于生产生活中。在神经网络用于压力检测的领域中，缺乏神经网络用于压阻式压力传感器压力检测的研究。如一种利用神经网络实现压电式压力检测触屏压电响应均匀化的方法(专利申请号201910226605.5)，通过训练神经网络，从而建立不均一压电响应和用户触屏位置及力量大小的映射关系，利用已训练好的神经网络，将压电响应映射到用户触屏位置及触屏压力大小。其通过神经网络与压电响应的结合从而实现压电式压力检测，没有对神经网络与压阻式压力传感器压力检测的结合进行研究。现有的神经网络结合压力检测的研究中，绝大部分是将BP神经网络直接用于压力检测，缺乏对BP神经网络的优化，易使得网络学习陷入局部最小值，降低网络的稳定性差以及大幅延长网络学习时间。如一种基于人工神经网络的脉动压力预测方法(专利申请号202011306879.4)，直接通过BP神经网络对来流条件下飞行器表面脉动压力进行预测，其预测精度较低、稳定性较差。本专利技术提出的基于遗传算法优化的分段式神经网络压力传感器压力检测方法，不仅填补了神经网络用于压阻式压力传感器压力检测的研究领域空白，还通过遗传算法对BP神经网络初始权值和阈值进行优化，以充分发挥BP神经网络的局部搜索能力，提高算法稳定性，避免算法陷入局部最优值。在压阻式压力传感器中，压力的有效识别是一个复杂且具有挑战性的检测问题，其主要难点有三方面，一方面是由于压力传感器中的应变材料的压阻效应随外力变化呈非线性，导致其输出可读性较差，虽具有优异性能，却无法使用。一方面由于缺乏有效且快速的压阻式压力传感器的输出读取方法，导致其实际使用过程中识别速度较慢，将增加使用压力传感器系统的延时。另外一方面由于在压力传感器的实际使用过程中，施加于传感器上的压力会有一定范围的抖动，诸如这类干扰增加了压力识别的难度。BP神经网络是目前应用最广泛的人工神经网络模型之一，BP(BackPropagation)神经网络是一种在误差反向传播算法的指导下进行训练的多层前馈网络，其具有输入层、隐含层、输出层的三层结构。通过对给定数据的训练学习，可以对未知的输入输出之间的关系进行逼近与模拟。网络以最速下降法作为学习规则，网络的输出误差沿着网络逐层反向传播，每层神经元根据误差关系不断调整连接权值和阈值，以不断降低网络输出误差为目标，最终达到误差平方和的最小值并获得高精度的输入输出映射关系。BP神经网络在分类和识别上表现出良好的特性，因此被研究者用于车辆识别、人脸检测等领域。BP神经网络作为一种高效的处理信息的算法，它能够对数据内在的联系进行建模，具有良好的对混乱的数据进行处理的综合能力，可用于数据的运算分类及预测，在智能交互、生物、医疗等领域应用广泛。遗传算法是模拟种群在自然界中的遗传和进化过程而建立起来的一种高度并行的全局性概率搜索算法，体现着―优胜劣汰、适者生存的自然界法则。遗传算法运行效率高、可以并行处理问题而且是从全局出发进行搜索，能在搜索中主动学习和积累其空间的知识，不断缩小搜索范围以最终达到最优解。遗传算法将待求解的问题映射为种群所处的自然环境，问题的每个潜在解代表种群中的一个个体，那么问题所有潜在解的集合就构成了种群，算法基于适应度函数计算每个个体的适应度值来衡量个体对环境的适应性。算法运算时，从随机产生的初始种群出发，种群进化过程中根据每个个体适应度值的高低，通过选择、交叉和变异三个遗传算子的操作，产生一个在环境中生存能力更强的新的种群，逐步使种群搜索空间缩小到越来越好的区域。随着算法的迭代，种群适应度值将不断提高，最后收敛到环境适应性最高、生存能力最强的个体，求得问题的最优解。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种分段式神经网络压力传感器压力检测方法及系统。为解决上述技术问题，本专利技术提供一种分段式神经网络压力传感器压力检测方法，包括：获取基于施加于压阻式压力传感器的压力的应变材料的电阻变化数据；将所述电阻变化数据输入到预先确定的基于遗传算法优化的分段式神经网络模型，输出精确的压力数据；所述基于遗传算法优化的分段式神经网络模型的确定过程包括：根据压阻式压力传感器的压力识别大小范围，从压力识别大小范围中点处，依次分为低段压力识别范围和高段压力识别范围，并对低段压力识别范围和高段压力识别范围分别设置对应的低段BP神经网络和高段BP神经网络，分别用于识别压阻式压力传感器低段压力识别范围的压力数据和高段压力识别范围的压力数据；获取训练函数；获取预先确定的低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量；利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定最优BP神经网络模型。进一步的，所述训练函数为贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法中的一种。进一步的，所述训练函数的确定过程包括：获取待测类型的压阻式压力传感器的样本数据，将样本数据分为训练集、验证集和测试集；获取不同的训练函数，包括贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法；根据训练集和各个训练函数对神经网络进行训练，综合考虑迭代次数和误差，来确定最终的训练函数。进一步的，所述低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量的确定过程包括：对不同数量隐含层下的BP神经网络循环训练若干次；根据循环训练处理的结果，以误差最小为原则，分别确定低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量。进一步的，所述最优BP神经网络模型还包括最佳遗传代数的确定，其过程包括：在不同遗传代数下利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定具有最佳隐含层数的最优BP神经网络模型。本文档来自技高网...

【技术保护点】
1.一种分段式神经网络压力传感器压力检测方法，其特征在于，包括：/n获取基于施加于压阻式压力传感器的压力的应变材料的电阻变化数据；/n将所述电阻变化数据输入到预先确定的基于遗传算法优化的分段式神经网络模型，输出精确的压力数据；/n所述基于遗传算法优化的分段式神经网络模型的确定过程包括：/n根据压阻式压力传感器的压力识别大小范围，从压力识别大小范围中点处，依次分为低段压力识别范围和高段压力识别范围，并对低段压力识别范围和高段压力识别范围分别设置对应的低段BP神经网络和高段BP神经网络，分别用于识别压阻式压力传感器低段压力识别范围的压力数据和高段压力识别范围的压力数据；/n获取训练函数；/n获取预先确定的低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量；/n利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定最优BP神经网络模型。/n

【技术特征摘要】
1.一种分段式神经网络压力传感器压力检测方法，其特征在于，包括：
获取基于施加于压阻式压力传感器的压力的应变材料的电阻变化数据；
将所述电阻变化数据输入到预先确定的基于遗传算法优化的分段式神经网络模型，输出精确的压力数据；
所述基于遗传算法优化的分段式神经网络模型的确定过程包括：
根据压阻式压力传感器的压力识别大小范围，从压力识别大小范围中点处，依次分为低段压力识别范围和高段压力识别范围，并对低段压力识别范围和高段压力识别范围分别设置对应的低段BP神经网络和高段BP神经网络，分别用于识别压阻式压力传感器低段压力识别范围的压力数据和高段压力识别范围的压力数据；
获取训练函数；
获取预先确定的低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量；
利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定最优BP神经网络模型。


2.根据权利要求1所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述训练函数为贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法中的一种。


3.根据权利要求2所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述训练函数的确定过程包括：
获取待测类型的压阻式压力传感器的样本数据，将样本数据分为训练集、验证集和测试集；
获取不同的训练函数，包括贝叶斯规则法、Levenberg-Marquardt算法、归一化共轭梯度法、弹性BP算法；
根据训练集和各个训练函数对神经网络进行训练，综合考虑迭代次数和误差，来确定最终的训练函数。


4.根据权利要求1所述的分段式神经网络压力传感器压力检测方法，其特征在于，所述低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量的确定过程包括：
对不同数量隐含层下的BP神经网络循环训练若干次；
根据循环训练处理的结果，以误差最小为原则，分别确定低段BP神经网络的最佳隐含层数量和高段BP神经网络的最佳隐含层数量。


5.根据权利要求书1所述一种分段式神经网络压力传感器压力检测系统，其特征在于，所述最优BP神经网络模型还包括最佳遗传代数的确定，其过程包括：
在不同遗传代数下利用遗传算法分别对确定了训练函数、最佳隐含层数量的低段BP神经网络和高段BP神经网络进行优化，确定具有最佳隐含层数的最优BP神经网络模型。


6.一种分段式...

【专利技术属性】
技术研发人员：李方清，方书行，任远哲，秦辰彬，邓丽城，王德波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32