小波神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)地磅稱量數(shù)據(jù)處理中的應(yīng)用

通過分析稱重信號(hào)的數(shù)據(jù)波形圖，發(fā)現(xiàn)數(shù)據(jù)當(dāng)中摻雜著大量噪聲信號(hào)，這在很大的程度上影響稱重結(jié)果。通常使用的濾波方法能在一定范圍內(nèi)消除噪聲信號(hào)，但是在路面不平、車輛振動(dòng)的情況下，稱量結(jié)果不穩(wěn)定。針對這種情況提出了小波神經(jīng)網(wǎng)絡(luò)算法對稱重?cái)?shù)據(jù)信號(hào)進(jìn)行去除噪聲處理。實(shí)驗(yàn)仿真得出，利用小波神經(jīng)網(wǎng)絡(luò)算法對稱重信號(hào)進(jìn)行處理后，相對于傳統(tǒng)的去噪濾波方法，能得到更理想的數(shù)據(jù)波形，使得稱重結(jié)果與實(shí)際值的誤差在 ± 2% 內(nèi)。

0.引言

在當(dāng)今的現(xiàn)代工業(yè)化時(shí)代，自動(dòng)化稱重設(shè)備已經(jīng)應(yīng)用到各個(gè)領(lǐng)域，而動(dòng)態(tài)地磅也正是因?yàn)槠涓呔?、高效性等特點(diǎn)廣泛應(yīng)用于高速公路超限檢測和計(jì)重收費(fèi)系統(tǒng)。然而，由于車輛振動(dòng)和路面不平等因素使得稱重傳感器的信號(hào)輸出摻雜了復(fù)雜的干擾因素。使得動(dòng)態(tài)地磅的精度無法保障。因此，去除信號(hào)里的噪聲信號(hào)、提高噪聲比成為了提高精度的一種可行方法。

文獻(xiàn)提出了參數(shù)回歸方法去噪，但需對其參數(shù)進(jìn)行嚴(yán)格的檢驗(yàn)推斷且步驟較多，不適于實(shí)時(shí)檢測。文獻(xiàn)提出了神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波動(dòng)態(tài)稱重系統(tǒng)，通過神經(jīng)網(wǎng)絡(luò)提高了自適應(yīng)能力及運(yùn)算時(shí)效性，但其模型復(fù)雜、精度沒有具體范圍。

針對動(dòng)態(tài)檢測過程中對運(yùn)算速度和準(zhǔn)確率的要求，提出了小波神經(jīng)網(wǎng)絡(luò)對稱重信號(hào)進(jìn)行去噪處理的方法。該方法能夠自適應(yīng)選取小波去噪分解層數(shù)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(hào)去噪、前向預(yù)測、帶噪聲的系統(tǒng)辨識(shí)中取得較好的效果，而且利用閾值的自學(xué)習(xí)功能使得噪聲的類型不局限于高斯白噪聲。利用新的連續(xù)可導(dǎo)的閾值函數(shù)使得網(wǎng)絡(luò)訓(xùn)練成為可能，并對網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了簡化，有利于計(jì)算機(jī)實(shí)現(xiàn)。

該方法中采用非線性 db6 小波基及其尺度函數(shù)作為激勵(lì)函數(shù)，形成神經(jīng)元，結(jié)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(hào)。

( 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(shù)進(jìn)行信號(hào)重構(gòu)，輸出為

圖1 中的最后隱層對小波分解系數(shù)進(jìn)行閾值量化，從而抑制S( t) 信號(hào)中噪聲信號(hào)。每一尺度的小波分解系數(shù) dj，k ( j = 1，2……L，k =1，2……K) 對應(yīng)一個(gè)閾值 θj ，輸出的小波系數(shù)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(shù) Ф ( x) 單元L，k ，其中尺度 L 是根據(jù)實(shí)際情況確定的，而位移 K 則對應(yīng)小波分析的系數(shù)柵格中 j = K 的各 k 值，構(gòu)成對函數(shù)的最粗逼近; ② 小波函數(shù) ψ( x) 單元 ψj，k ，其中尺度 j = 1，2，…，L ，而位移 k 類似尺度函數(shù)單元中的 K 值，構(gòu)成對函數(shù)的細(xì)節(jié)逼近。

( 4) 輸入層至第一隱層的各權(quán)系數(shù)為 1，第一隱層至最后隱層的權(quán)系數(shù)為小波分解系數(shù)，是根據(jù) Mallet 算法通過迭代計(jì)算并使其能量函數(shù)最小來確定 。

1． 2 消噪算法

設(shè) 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(xùn)練誤差和:

式中: N 為采樣信號(hào)長度。

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

小波神經(jīng)網(wǎng)絡(luò)消噪算法:

( 1) 選擇適當(dāng)?shù)恼粴w一化小波函數(shù)，本文選擇的是 db6小波函數(shù)。

( 2) 對輸入的每一維構(gòu)造一個(gè)多分辨率系數(shù)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(shù)據(jù)點(diǎn)。

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

( 4)  當(dāng) j = L 時(shí)，用輸入數(shù)據(jù)訓(xùn)練 Ф 單元。

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

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

數(shù)據(jù)重新檢驗(yàn)小波神經(jīng)網(wǎng)絡(luò)。

當(dāng)小波神經(jīng)網(wǎng)絡(luò)穩(wěn)定時(shí)，小波分解的層數(shù)也就被網(wǎng)絡(luò)記住了，下一步給定更嚴(yán)格的誤差對閾值進(jìn)行訓(xùn)練。通過梯度下降法，調(diào)整閾值 θ，使得網(wǎng)絡(luò)訓(xùn)練的誤差和最小，調(diào)整幅度為:

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

針對輪軸過秤數(shù)據(jù)的仿真結(jié)果如圖 3 所示。經(jīng)過小波閾值神經(jīng)網(wǎng)絡(luò)去噪處理后的波形趨于穩(wěn)定，接近理想信號(hào)的波形，保證了計(jì)算過程的正確性，也保證了計(jì)算結(jié)果的準(zhǔn)確性。

2． 2 實(shí)驗(yàn)結(jié)果

將該方法運(yùn)用到實(shí)際當(dāng)中，在山西某超限檢測站進(jìn)行試驗(yàn)觀察，運(yùn)煤車有出廠的靜態(tài)衡數(shù)據(jù)，所以通過觀察這一類車的稱重?cái)?shù)據(jù)進(jìn)行對比得到的數(shù)據(jù)如表 1 所示。數(shù)據(jù)結(jié)果表明，該方法能夠保證稱重結(jié)果的最大誤差為－ 1. 79% ，誤差范圍在 ± 2% 內(nèi)。

3.結(jié)論

本文將小波神經(jīng)網(wǎng)絡(luò)的去噪方法運(yùn)用于動(dòng)態(tài)地磅的信號(hào)處理當(dāng)中，能夠去除含有噪聲信號(hào)當(dāng)中的噪聲干擾信號(hào)，能夠保證稱重?cái)?shù)據(jù)在 ± 2% 精度范圍內(nèi)，并滿足國家《GB / T 21296—2007 動(dòng)態(tài)公路車輛自動(dòng)衡器》規(guī)定的準(zhǔn)確度等級(jí)為 2的要求 。