神经网络与卡尔曼滤波融合的光纤压力传感器温补方法技术

神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，涉及光纤传感及温度补偿领域。解决了现有对光纤压力传感器进行补偿的方法存在补偿过程复杂、补偿难度大的问题。本发明专利技术补偿方法首先构建数据集，利用基因遗传算法对初始BP神经网络的权值和阈值进行优化，获得初始优化后的BP神经网络；利用训练集对初始优化后的BP神经网络进行训练，利用验证集对训练后的BP神经网络进行验证，从而获得最优的BP神经网络，最后利用最优的BP神经网络对其待测光纤压力传感器采集的实测压力进行温度补偿，并对补偿后的压力进行滤波获得修正后的压力。本发明专利技术主要用于对光纤压力传感器采集的压力进行温度补偿。温度补偿。温度补偿。

【技术实现步骤摘要】
神经网络与卡尔曼滤波融合的光纤压力传感器温补方法


[0001]本专利技术涉及光纤传感及温度补偿领域。

技术介绍

[0002]光纤传感器的主要优点有轻便、灵敏度较高、耐电磁辐射能力强、传播距离较远等，已在电力系统、医学检测、环境监测、桥梁建设、军事领域等方面广泛地使用。光纤传感器最为主要的是温度和压力传感器，由于温度与压力改变都会引起光纤传感器波长、材料、结构变形、热膨胀等的变化，制成压力传感器就必须抑制温度这一非目标参量的影响。因为温度对光纤压力传感器影响，导致光纤压力传感器所测得数据误差较大，为解决由温度引起的这一非线性问题，现有技术中对于光纤压力传感器进行温度补偿，一般用温度传感器采集出来后，用矩阵算出线性度关系，然后进行补偿，该种补偿方法处理过程复杂，而且最终压力与温度间的关系矩阵不一定是线性关系，导致矩阵处理难度增加，从而导致现有温度补偿方法温度补偿过程复杂、补偿难度大，因此，以上问题亟需解决。

技术实现思路

[0003]本专利技术是为了解决现有对光纤压力传感器进行补偿的方法存在补偿过程复杂、补偿难度大的问题。本专利技术提供了神经网络与卡尔曼滤波融合的光纤压力传感器温补方法。
[0004]神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，该方法包括如下步骤：
[0005]S1、根据光纤压力传感器在给定压力下的实测温度和实测压力构建数据集，并对所构建数据集进行归一化处理，且归一化后的数据集被划分成两部分，分别为训练集和测试集；其中，训练集和测试集中均包括多个数据组，且每个数据组包括给定压力、实测温度和实测压力；
[0006]S2、利用基因遗传算法对初始BP神经网络的权值和阈值进行优化，获得初始优化后的BP神经网络；
[0007]S3、利用训练集对初始优化后的BP神经网络进行训练，获得一次训练后的BP神经网络；
[0008]S4、利用测试集对一次训练后的BP神经网络进行验证，当验证通过时，将一次训练后的BP神经网络作为最优的BP神经网络，执行步骤S5；
[0009]当验证未通过时，利用训练集对一次训练后的BP神经网络进行训练，获得二次训练后的BP神经网络；利用测试集对二次训练后的BP神经网络进行验证，当测试集对二次训练后的BP神经网络验证通过后，将二次训练后的BP神经网络作为最优的BP神经网络，执行步骤S5；
[0010]S5、最优的BP神经网络根据待测光纤压力传感器采集的实测温度和实测压力，对其待测光纤压力传感器采集的实测压力进行温度补偿，获得补偿后的压力；
[0011]S6、利用卡尔曼滤波算法对补偿后的压力进行降噪，获得修正后的压力，从而完成对光纤压力传感器进行温度补偿。
[0012]优选的是，步骤S3、利用训练集对初始优化后的BP神经网络进行训练，获得训练后的BP神经网络的实现方式包括：
[0013]S31、依次将训练集中的每个数据组中的实测温度和实测压力作为初始优化后的BP神经网络的输入，利用初始优化后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；
[0014]S32、根据每个数据组所对应的实际压力误差迭代更新初始优化后的BP神经网络的权值和阈值；直至当前数据组所对应的实际压力误差小于预设压力误差，从而获得一次训练后的BP神经网络。
[0015]优选的是，步骤S4、利用测试集对一次训练后的BP神经网络进行验证的实现方式包括：
[0016]先将测试集中的任意一数据组中的实测温度和实测压力作为训练后的BP神经网络的输入，利用一次训练后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；
[0017]若当前数据组所对应的实际压力误差小于预设压力误差时，则证明验证通过；
[0018]若当前数据组所对应的实际压力误差大于或等于预设压力误差时，则证明验证未通过。
[0019]优选的是，步骤S4中，利用训练集对一次训练后的BP神经网络进行训练，获得二次训练后的BP神经网络的实现方式为：
[0020]首先、依次将训练集中的每个数据组中的实测温度和实测压力作为一次训练后的BP神经网络的输入，利用一次训练后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；
[0021]最后，根据每个数据组所对应的实际压力误差迭代更新一次训练后的BP神经网络的权值和阈值；直至当前数据组所对应的实际压力误差小于预设压力误差，从而获得二次训练后的BP神经网络。
[0022]优选的是，步骤S4中、测试集对二次训练后的BP神经网络验证通过的条件为：
[0023]先将测试集中的任意一数据组中的实测温度和实测压力作为二次训练后的BP神经网络的输入，利用二次训练后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；
[0024]若当前数据组所对应的实际压力误差小于预设压力误差时，则证明验证通过。
[0025]优选的是，步骤S2、利用基因遗传算法对初始BP神经网络的权值和阈值进行优化，获得初始优化后的BP神经网络的实现方式包括：
[0026]S21、对初始BP神经网络的权值和阈值进行多次编码，每次编码获得多条基因码链，且多次编码获得的多条基因码链构成一个种群，每条基因码链作为种群中的一个个体；
[0027]S22、遗传选择：利用轮盘赌选择法，对种群中的所有个体所对应的基因码链进行选择，选择出种群中最优的两条基因码链；
[0028]S23、遗传交叉：对种群中最优的两条基因码链进行交叉，形成新的种群；
[0029]S24、遗传变异：对步骤S23中获得的新的种群中的所有基因码链进行变异及选择，获得多条变异后的基因码链，且每条变异后的基因码链作为一个个体；
[0030]S25、计算每条变异后的基因码链所对应的个体适应度值概率，并选取个体适应度值概率最大时所对应的个体的基因码链进行解码，获得初始BP神经网络的最优权值和最优阈值，从而获得初始优化后的BP神经网络。
[0031]优选的是，步骤S25中，计算个体适应度值概率的实现方式包括：
[0032]计算种群中第k个个体适度值F
k
＝y
k
‑
o
k
、以及种群适度值再根据F
k
和F，获得第k个个体适应度值概率P
k
＝F
k
/F；
[0033]其中，y
k
表示初始BP神经网络的第k个预测输出，o
k
表示初始BP神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，其特征在于，该方法包括如下步骤：S1、根据光纤压力传感器在给定压力下的实测温度和实测压力构建数据集，并对所构建数据集进行归一化处理，且归一化后的数据集被划分成两部分，分别为训练集和测试集；其中，训练集和测试集中均包括多个数据组，且每个数据组包括给定压力、实测温度和实测压力；S2、利用基因遗传算法对初始BP神经网络的权值和阈值进行优化，获得初始优化后的BP神经网络；S3、利用训练集对初始优化后的BP神经网络进行训练，获得一次训练后的BP神经网络；S4、利用测试集对一次训练后的BP神经网络进行验证，当验证通过时，将一次训练后的BP神经网络作为最优的BP神经网络，执行步骤S5；当验证未通过时，利用训练集对一次训练后的BP神经网络进行训练，获得二次训练后的BP神经网络；利用测试集对二次训练后的BP神经网络进行验证，当测试集对二次训练后的BP神经网络验证通过后，将二次训练后的BP神经网络作为最优的BP神经网络，执行步骤S5；S5、最优的BP神经网络根据待测光纤压力传感器采集的实测温度和实测压力，对其待测光纤压力传感器采集的实测压力进行温度补偿，获得补偿后的压力；S6、利用卡尔曼滤波算法对补偿后的压力进行降噪，获得修正后的压力，从而完成对光纤压力传感器进行温度补偿。2.根据权利要求1所述的神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，其特征在于，步骤S3、利用训练集对初始优化后的BP神经网络进行训练，获得训练后的BP神经网络的实现方式包括：S31、依次将训练集中的每个数据组中的实测温度和实测压力作为初始优化后的BP神经网络的输入，利用初始优化后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；S32、根据每个数据组所对应的实际压力误差迭代更新初始优化后的BP神经网络的权值和阈值；直至当前数据组所对应的实际压力误差小于预设压力误差，从而获得一次训练后的BP神经网络。3.根据权利要求1所述的神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，其特征在于，步骤S4、利用测试集对一次训练后的BP神经网络进行验证的实现方式包括：先将测试集中的任意一数据组中的实测温度和实测压力作为训练后的BP神经网络的输入，利用一次训练后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组所对应的实际压力误差；若当前数据组所对应的实际压力误差小于预设压力误差时，则证明验证通过；若当前数据组所对应的实际压力误差大于或等于预设压力误差时，则证明验证未通过。4.根据权利要求1所述的神经网络与卡尔曼滤波融合的光纤压力传感器温补方法，其
特征在于，步骤S4中，利用训练集对一次训练后的BP神经网络进行训练，获得二次训练后的BP神经网络的实现方式为：首先、依次将训练集中的每个数据组中的实测温度和实测压力作为一次训练后的BP神经网络的输入，利用一次训练后的BP神经网络对所接收的实测压力进行温度补偿后，输出预测压力，再计算预测压力与其所对应的给定压力间的实际压力误差，该实际压力误差作为当前数据组...

【专利技术属性】
技术研发人员：吕国辉，曹莹莹，张昕明，黄妍，湛晖，
申请(专利权)人：黑龙江大学，
类型：发明
国别省市：