基于神經(jīng)網(wǎng)絡(luò)預(yù)測器的傳感器數(shù)據(jù)證實技術(shù)研究 摘要：提出了基于神經(jīng)網(wǎng)絡(luò)預(yù)測器的傳感器數(shù)據(jù)證實技術(shù)。首先利用神經(jīng)網(wǎng)絡(luò)對傳感器輸出的時間序列建立預(yù)測模型，然后利用該模型預(yù)測出傳感器由值，并且該值與傳感器實際輸出值之?dāng)?shù)據(jù)的影響。同時，為了實現(xiàn)在線應(yīng)用，采用了遺傳算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化技術(shù)。

關(guān)鍵詞：傳感器數(shù)據(jù)證實 神經(jīng)網(wǎng)絡(luò) 遺傳算法

對于高速、大容量、高性能的復(fù)雜裝置和設(shè)備，在運(yùn)行中如果出現(xiàn)故障往往會產(chǎn)生巨大的、甚至是災(zāi)難性的后果。對這些裝置和設(shè)備運(yùn)行狀態(tài)的監(jiān)測與診斷是解決其可靠性、安全性的關(guān)鍵途徑之一。作為測量控制系統(tǒng)中諸參量的關(guān)鍵部件，傳感器被廣泛地應(yīng)用到這些裝置和設(shè)備中。可以說，傳感器技術(shù)是現(xiàn)代測試和控制技術(shù)的靈魂，傳感器輸出信號的質(zhì)量關(guān)系到整個系統(tǒng)性能的好壞程度。事實上，傳感器是測試控制系統(tǒng)比較容量損壞的部件，因此系統(tǒng)應(yīng)用具備對傳感器故障的容錯能力。目前，傳感器故障診斷較多地采用冗余方法和神經(jīng)網(wǎng)絡(luò)識別方法。這些方法都需要利用傳感器的輸出信號，且研究較多的是判別傳感器的“硬故障”（即突然發(fā)生的損壞或完全失效）。對于傳感器的“軟故障”（如偏置、漂移或標(biāo)定系數(shù)的偏移等）的研究工作，開展得還不多，存在很多問題急需解決。為此，本文提出一種基于神經(jīng)網(wǎng)絡(luò)預(yù)測器的傳感器數(shù)據(jù)證實技術(shù)。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測器原理

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力。一個三層的前饋神經(jīng)網(wǎng)絡(luò)具有映射任意函數(shù)關(guān)系的能力，且不需要對所分析的時間序列作任何假設(shè)。因此神經(jīng)網(wǎng)絡(luò)非常適用于時間序列預(yù)測，且神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有良好的適應(yīng)性、自學(xué)習(xí)和抗干擾能力強(qiáng)等特點(diǎn)。在建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行時序預(yù)測的過程中，如何選擇、研究預(yù)測網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是非常重要的，這將直接影響預(yù)測的精度。要提高神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測精度，可以采取以下途徑：

增加網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)。這樣可以使得神經(jīng)網(wǎng)絡(luò)得到更好的訓(xùn)練和學(xué)習(xí)，從而更準(zhǔn)確地學(xué)習(xí)和掌握時間序列內(nèi)在變化、發(fā)展規(guī)律，提高預(yù)測質(zhì)量；

適當(dāng)增加神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)。因為如果神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)過少，將使神經(jīng)網(wǎng)絡(luò)無法達(dá)到對時間序列的良好擬合，從而降低神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。但并非神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)越多越好。相反，如果輸入層節(jié)點(diǎn)數(shù)過多，則將減慢預(yù)測網(wǎng)絡(luò)的訓(xùn)練和收斂速度，并使網(wǎng)絡(luò)模型過于復(fù)雜，導(dǎo)致網(wǎng)絡(luò)預(yù)測能力的惡化。

隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大以及訓(xùn)練樣本復(fù)雜度的增加，bp算法存在收斂速度慢、振蕩，特別是受到局都最優(yōu)的困擾，很難保證得到全局最優(yōu)解。為了能在線應(yīng)用，因此對網(wǎng)絡(luò)進(jìn)行優(yōu)化是必要的。本文采用遺傳算法（ga）來優(yōu)化網(wǎng)絡(luò)的權(quán)值以提高網(wǎng)絡(luò)訓(xùn)練速度達(dá)到在線應(yīng)用的需要。

ga的計算過程為：

選擇編碼方式

產(chǎn)生初始群體

計算初始群體的適應(yīng)性值

如果不滿足中止條件{

選擇（selection）

交換（crossover）

變異（mutation）

計算新一代群體的適應(yīng)性值

}

遺傳算法的實現(xiàn)涉及5個主要因素：參數(shù)的編碼、初始群體的設(shè)定、評估函數(shù)即適應(yīng)函數(shù)的設(shè)計、遺傳操作（選擇、交叉、變異）