小波神經(jīng)網(wǎng)絡在動態(tài)地磅稱量數(shù)據(jù)處理中的應用

通過分析稱重信號的數(shù)據(jù)波形圖，發(fā)現(xiàn)數(shù)據(jù)當中摻雜著大量噪聲信號，這在很大的程度上影響稱重結果。通常使用的濾波方法能在一定范圍內(nèi)消除噪聲信號，但是在路面不平、車輛振動的情況下，稱量結果不穩(wěn)定。針對這種情況提出了小波神經(jīng)網(wǎng)絡算法對稱重數(shù)據(jù)信號進行去除噪聲處理。實驗仿真得出，利用小波神經(jīng)網(wǎng)絡算法對稱重信號進行處理后，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，使得稱重結果與實際值的誤差在 ± 2% 內(nèi)。

0.引言

在當今的現(xiàn)代工業(yè)化時代，自動化稱重設備已經(jīng)應用到各個領域，而動態(tài)地磅也正是因為其高精度、高效性等特點廣泛應用于高速公路超限檢測和計重收費系統(tǒng)。然而，由于車輛振動和路面不平等因素使得稱重傳感器的信號輸出摻雜了復雜的干擾因素。使得動態(tài)地磅的精度無法保障。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(shù)回歸方法去噪，但需對其參數(shù)進行嚴格的檢驗推斷且步驟較多，不適于實時檢測。文獻提出了神經(jīng)網(wǎng)絡自適應濾波動態(tài)稱重系統(tǒng)，通過神經(jīng)網(wǎng)絡提高了自適應能力及運算時效性，但其模型復雜、精度沒有具體范圍。

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

1.小波神經(jīng)網(wǎng)絡

1． 1 小波神經(jīng)網(wǎng)絡簡介

小波閾值神經(jīng)網(wǎng)絡，該神經(jīng)網(wǎng)絡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(tǒng)辨識中取得較好的效果，而且利用閾值的自學習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)可導的閾值函數(shù)使得網(wǎng)絡訓練成為可能，并對網(wǎng)絡的結構進行了簡化，有利于計算機實現(xiàn)。

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

( 1) 輸入層只含有一個處理單元，S( i) 是摻雜了干擾噪聲的信號。

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

圖1 中的最后隱層對小波分解系數(shù)進行閾值量化，從而抑制S( t) 信號中噪聲信號。每一尺度的小波分解系數(shù) dj，k ( j = 1，2……L，k =1，2……K) 對應一個閾值 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)實際情況確定的，而位移 K 則對應小波分析的系數(shù)柵格中 j = K 的各 k 值，構成對函數(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，構成對函數(shù)的細節(jié)逼近。

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

1． 2 消噪算法

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

式中: N 為采樣信號長度。

網(wǎng)絡的訓練分兩部分進行，首先對小波分解的層數(shù)進行訓練 。

小波神經(jīng)網(wǎng)絡消噪算法:

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

( 2) 對輸入的每一維構造一個多分辨率系數(shù)柵格。最高分辨率( j = 0) 時柵格間隔等于輸入各維的采樣間隔; 最低分辨率 ( j = L) 時則只有 2 個數(shù)據(jù)點。

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

( 4)  當 j = L 時，用輸入數(shù)據(jù)訓練 Ф 單元。

( 5) 如果由式( 2) 計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)重新檢驗小波神經(jīng)網(wǎng)絡。

當小波神經(jīng)網(wǎng)絡穩(wěn)定時，小波分解的層數(shù)也就被網(wǎng)絡記住了，下一步給定更嚴格的誤差對閾值進行訓練。通過梯度下降法，調(diào)整閾值 θ，使得網(wǎng)絡訓練的誤差和最小，調(diào)整幅度為:

對于動態(tài)地磅，實際采集的稱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習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)的仿真結果如圖 3 所示。經(jīng)過小波閾值神經(jīng)網(wǎng)絡去噪處理后的波形趨于穩(wěn)定，接近理想信號的波形，保證了計算過程的正確性，也保證了計算結果的準確性。

2． 2 實驗結果

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

3.結論

本文將小波神經(jīng)網(wǎng)絡的去噪方法運用于動態(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，能夠保證稱重數(shù)據(jù)在 ± 2% 精度范圍內(nèi)，并滿足國家《GB / T 21296—2007 動態(tài)公路車輛自動衡器》規(guī)定的準確度等級為 2的要求 。