[發(fā)明專利]一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法

有效

• 申請?zhí)枺?/td>: 201110457767.3
• 申請日: 2011-12-31
• 公開（公告）號: CN102609612A
• 公開（公告）日: 2012-07-25
• 發(fā)明（設(shè)計）人: 王振林;秦光旭;袁太文;李迅波
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周永宏

技術(shù)領(lǐng)域

本發(fā)明屬于的人工智能技術(shù)領(lǐng)域，具體涉及用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法。

背景技術(shù)

按照計量法的要求，計量器具必須定期檢定。檢定是指查明和確認(rèn)計量器具是否符合法定要求的程序，它包括檢查、加標(biāo)記和出具檢定證書。檢定必須按照被檢定儀表的檢定規(guī)程操作，并在證書中記載被檢定的各項參數(shù)的測試數(shù)據(jù)，然后根據(jù)它們對標(biāo)準(zhǔn)值的偏離狀態(tài)來評定此儀表的整體技術(shù)性能狀況。檢定一般需要在特定實驗環(huán)境下，進(jìn)行多次重復(fù)實驗后，綜合分析測試數(shù)據(jù)得出檢定結(jié)論。為了規(guī)避實驗偶然干擾對結(jié)論判定的影響，一般對這些測試結(jié)果采用統(tǒng)計方法來篩選數(shù)據(jù)，并按照檢定規(guī)程中指定計算規(guī)則得出檢定結(jié)論。但上述這些方法沒有更深層次的去考慮這些測試數(shù)據(jù)的內(nèi)在特征和關(guān)系，導(dǎo)致結(jié)論判定結(jié)果與實際情況有一定的偏離，容易得出誤判結(jié)論。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有的儀表檢定方法存在的上述缺陷，提出了一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法。

本發(fā)明的技術(shù)方案是：一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法，包括如下步驟：

步驟一、對多次測量的多組歷史數(shù)據(jù)，進(jìn)行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；

步驟二、根據(jù)步驟一得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型，具體過程如下：

(1)建立包含輸入層、單隱含層和輸出層的三層人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

依據(jù)步驟一中提取的特征參數(shù)種類，確定人工蜂群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p；根據(jù)預(yù)先設(shè)定的檢定結(jié)果的級別數(shù)q，確定人工蜂群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q；單隱含層的神經(jīng)元數(shù)n₀：

n₀＝2p+β；其中，β為無量綱的修正參數(shù)；

(2)優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)；具體步驟如下：

設(shè)標(biāo)準(zhǔn)網(wǎng)絡(luò)模型中待優(yōu)化的數(shù)目為N，利用Pareto最優(yōu)概念，將優(yōu)于某個體的個體適應(yīng)度值作為該個體的適應(yīng)度值，一個觀察蜂選擇蜜源的概率取決于蜜源的概率值prob_i，具體采用下式計算：

其中，fit_i是第i個個體的適應(yīng)值，SN是采蜜蜂數(shù)量；

通過得到的蜜源的概率值prob_i，利用人工蜂群算法優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)；

步驟三、根據(jù)得到的人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)對人工蜂群神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進(jìn)行歸一化處理，構(gòu)造證據(jù)的基本概率指派函數(shù)；

步驟四、根據(jù)證據(jù)組合結(jié)果，做出最終決策：若信任度值最大的命題滿足預(yù)先設(shè)定的閥值條件，則該命題為決策的目標(biāo)，否則不做決策。

本發(fā)明的有益效果：本發(fā)明的方法能夠融合歷史測試數(shù)據(jù)來分析儀表的內(nèi)部特征，更合理的對儀表進(jìn)行檢定，通過多次測量的多組歷史數(shù)據(jù)，進(jìn)行去噪處理，提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)，進(jìn)而建立人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和構(gòu)造證據(jù)的基本概率指派函數(shù)，可以更智能化的判定儀表檢定結(jié)論，減少檢定數(shù)據(jù)處理過程中人為的干預(yù)和避免結(jié)論誤判。

說明書附圖

圖1是本發(fā)明方法的流程示意圖。

圖2是本發(fā)明實施例的優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)過程示意圖。

具體實施方式

下面結(jié)合附圖和具體的實施方式對本發(fā)明作進(jìn)一步的闡述。

步驟一、對多次測量的多組歷史數(shù)據(jù)，進(jìn)行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；

這里去噪處理可以采用如下的方式進(jìn)行處理：對歷史數(shù)據(jù)進(jìn)行小波分解；選取啟發(fā)式閥值法對分解后的信號進(jìn)行去噪。

這里，可以選取db4小波對多次測量的多組歷史數(shù)據(jù)進(jìn)行小波分解。

確定小波分解的適當(dāng)層數(shù)。層數(shù)越多，計算工作量也越大，誤差也會增加。但是，尺度越大越有利于從更深層次進(jìn)行信號趨勢分析，能使時間序列更加平穩(wěn)，因此分解層數(shù)一般采用3～5層。

這里，特征參數(shù)具體包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)。

步驟二、根據(jù)步驟一得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型，具體過程如下：

(1)建立包含輸入層、單隱含層和輸出層的三層人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

依據(jù)步驟一中提取的特征參數(shù)種類，確定人工蜂群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p；根據(jù)預(yù)先設(shè)定的檢定結(jié)果的級別數(shù)q，確定人工蜂群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q；單隱含層的神經(jīng)元數(shù)n₀：