小波神經(jīng)網(wǎng)絡(luò )在動(dòng)態(tài)地磅稱(chēng)量數據處理中的應用

通過(guò)分析稱(chēng)重信號的數據波形圖，發(fā)現數據當中摻雜著(zhù)大量噪聲信號，這在很大的程度上影響稱(chēng)重結果。通常使用的濾波方法能在一定范圍內消除噪聲信號，但是在路面不平、車(chē)輛振動(dòng)的情況下，稱(chēng)量結果不穩定。針對這種情況提出了小波神經(jīng)網(wǎng)絡(luò )算法對稱(chēng)重數據信號進(jìn)行去除噪聲處理。實(shí)驗仿真得出，利用小波神經(jīng)網(wǎng)絡(luò )算法對稱(chēng)重信號進(jìn)行處理后，相對于傳統的去噪濾波方法，能得到更理想的數據波形，使得稱(chēng)重結果與實(shí)際值的誤差在 ± 2% 內。

0.引言

在當今的現代工業(yè)化時(shí)代，自動(dòng)化稱(chēng)重設備已經(jīng)應用到各個(gè)領(lǐng)域，而動(dòng)態(tài)地磅也正是因為其高精度、高效性等特點(diǎn)廣泛應用于高速公路超限檢測和計重收費系統。然而，由于車(chē)輛振動(dòng)和路面不平等因素使得稱(chēng)重傳感器的信號輸出摻雜了復雜的干擾因素。使得動(dòng)態(tài)地磅的精度無(wú)法保障。因此，去除信號里的噪聲信號、提高噪聲比成為了提高精度的一種可行方法。

文獻提出了參數回歸方法去噪，但需對其參數進(jìn)行嚴格的檢驗推斷且步驟較多，不適于實(shí)時(shí)檢測。文獻提出了神經(jīng)網(wǎng)絡(luò )自適應濾波動(dòng)態(tài)稱(chēng)重系統，通過(guò)神經(jīng)網(wǎng)絡(luò )提高了自適應能力及運算時(shí)效性，但其模型復雜、精度沒(méi)有具體范圍。

針對動(dòng)態(tài)檢測過(guò)程中對運算速度和準確率的要求，提出了小波神經(jīng)網(wǎng)絡(luò )對稱(chēng)重信號進(jìn)行去噪處理的方法。該方法能夠自適應選取小波去噪分解層數和小波去噪的閾值。

1.小波神經(jīng)網(wǎng)絡(luò )

1． 1 小波神經(jīng)網(wǎng)絡(luò )簡(jiǎn)介

小波閾值神經(jīng)網(wǎng)絡(luò )，該神經(jīng)網(wǎng)絡(luò )集成了小波閾值去噪，可以在信號去噪、前向預測、帶噪聲的系統辨識中取得較好的效果，而且利用閾值的自學(xué)習功能使得噪聲的類(lèi)型不局限于高斯白噪聲。利用新的連續可導的閾值函數使得網(wǎng)絡(luò )訓練成為可能，并對網(wǎng)絡(luò )的結構進(jìn)行了簡(jiǎn)化，有利于計算機實(shí)現。

該方法中采用非線(xiàn)性 db6 小波基及其尺度函數作為激勵函數，形成神經(jīng)元，結合雙方的優(yōu)點(diǎn)，建立了融合型小波神經(jīng)網(wǎng)絡(luò ) ，如圖 1 所示。

( 1) 輸入層只含有一個(gè)處理單元，S( i) 是摻雜了干擾噪聲的信號。

( 2) 輸出層也只含一個(gè)處理單元，其作用是利用閾值量化后的小波分解系數進(jìn)行信號重構，輸出為

圖1 中的最后隱層對小波分解系數進(jìn)行閾值量化，從而抑制S( t) 信號中噪聲信號。每一尺度的小波分解系數 dj，k ( j = 1，2……L，k =1，2……K) 對應一個(gè)閾值 θj ，輸出的小波系數為d'j，k( j =1，2……L，k = 1，2……K) 。

（3) 第一層隱層包括兩種單元: ①尺度函數 Ф ( x) 單元L，k ，其中尺度 L 是根據實(shí)際情況確定的，而位移 K 則對應小波分析的系數柵格中 j = K 的各 k 值，構成對函數的最粗逼近; ② 小波函數 ψ( x) 單元 ψj，k ，其中尺度 j = 1，2，…，L ，而位移 k 類(lèi)似尺度函數單元中的 K 值，構成對函數的細節逼近。

( 4) 輸入層至第一隱層的各權系數為 1，第一隱層至最后隱層的權系數為小波分解系數，是根據 Mallet 算法通過(guò)迭代計算并使其能量函數最小來(lái)確定 。

1． 2 消噪算法

設 S( n) 是神經(jīng)網(wǎng)絡(luò )的期望輸出，S'( n) 是神經(jīng)網(wǎng)絡(luò )的實(shí)際輸出，則網(wǎng)絡(luò )訓練誤差和:

式中: N 為采樣信號長(cháng)度。

網(wǎng)絡(luò )的訓練分兩部分進(jìn)行，首先對小波分解的層數進(jìn)行訓練 。

小波神經(jīng)網(wǎng)絡(luò )消噪算法:

( 1) 選擇適當的正交歸一化小波函數，本文選擇的是 db6小波函數。

( 2) 對輸入的每一維構造一個(gè)多分辨率系數柵格。最高分辨率( j = 0) 時(shí)柵格間隔等于輸入各維的采樣間隔; 最低分辨率 ( j = L) 時(shí)則只有 2 個(gè)數據點(diǎn)。

( 3)  針對稱(chēng)重信號的特點(diǎn)，采用 ＲIGＲSUＲE 閾值量化規則對閾值進(jìn)行處理。

( 4)  當 j = L 時(shí)，用輸入數據訓練 Ф 單元。

( 5) 如果由式( 2) 計算出的誤差不滿(mǎn)足要求，則再加入合適的 ψ 單元，直到誤差滿(mǎn)足要求為止。

( 6)  刪去 d'j，k 值很小的 ψ 單元，然后再回到步驟( 5) ，用新

數據重新檢驗小波神經(jīng)網(wǎng)絡(luò )。

當小波神經(jīng)網(wǎng)絡(luò )穩定時(shí)，小波分解的層數也就被網(wǎng)絡(luò )記住了，下一步給定更嚴格的誤差對閾值進(jìn)行訓練。通過(guò)梯度下降法，調整閾值 θ，使得網(wǎng)絡(luò )訓練的誤差和最小，調整幅度為:

對于動(dòng)態(tài)地磅，實(shí)際采集的稱(chēng)重信號摻雜了未知的干擾信號，如圖 3 中的輸入信號。利用上述提出方法的閾值自學(xué)習功能使得噪聲的類(lèi)型不局限于高斯白噪聲。

針對輪軸過(guò)秤數據的仿真結果如圖 3 所示。經(jīng)過(guò)小波閾值神經(jīng)網(wǎng)絡(luò )去噪處理后的波形趨于穩定，接近理想信號的波形，保證了計算過(guò)程的正確性，也保證了計算結果的準確性。

2． 2 實(shí)驗結果

將該方法運用到實(shí)際當中，在山西某超限檢測站進(jìn)行試驗觀(guān)察，運煤車(chē)有出廠(chǎng)的靜態(tài)衡數據，所以通過(guò)觀(guān)察這一類(lèi)車(chē)的稱(chēng)重數據進(jìn)行對比得到的數據如表 1 所示。數據結果表明，該方法能夠保證稱(chēng)重結果的最大誤差為－ 1. 79% ，誤差范圍在 ± 2% 內。

3.結論

本文將小波神經(jīng)網(wǎng)絡(luò )的去噪方法運用于動(dòng)態(tài)地磅的信號處理當中，能夠去除含有噪聲信號當中的噪聲干擾信號，能夠保證稱(chēng)重數據在 ± 2% 精度范圍內，并滿(mǎn)足國家《GB / T 21296—2007 動(dòng)態(tài)公路車(chē)輛自動(dòng)衡器》規定的準確度等級為 2的要求 。