針對皮帶秤在使用中難以保持標稱計量精度的缺點,提出將過程神經網絡引入皮帶秤動態(tài)稱重誤差的補償中。將動態(tài)稱量過程中皮帶秤單位長度上的重量、皮帶速度、皮帶垂度變化作為模型輸入,設計了應用于皮帶秤動態(tài)稱重誤差研究的單隱層過程神經網絡誤差反傳播學習算法,利用Matlab軟件對算法模型進行訓練和測試,模型經過149次學習優(yōu)化達到網絡精度要求,測試組誤差為1%,較使用網絡前的原誤差明顯降低,驗證了算法的可行性和有效性。 

【文章來源】：計量學報. 2020,41(05)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

垂度變化示意圖

過程神經網絡中采用過程神經元代替?zhèn)鹘y(tǒng)的神經元，過程神經元由加權、聚合和激勵3部分組成[9]，是對傳統(tǒng)神經元的聚合運算機制和激勵方式向時間域進行擴展，使神經元同時具有時、空二維信息處理能力。單個過程神經元如圖2所示。圖2中，x(t)為輸入向量，w(t)為權值函數(shù)，K(u)為時間聚合函數(shù)，f(v)為激勵函數(shù)，其中輸入向量和權值函數(shù)皆是一條與時間t有關的向量序列，時間聚合函數(shù)一般為積分的形式。圖2中過程神經元輸出為:

與傳統(tǒng)人工神經網絡相同，由若干個過程神經元按一定的拓撲結構組成的網絡稱為過程神經元網絡。一個多輸入單隱層單輸出神經網絡的拓撲結構如圖3所示。若以m個輸入層神經元，n個隱含層神經元，1個輸出層神經元為例，則過程神經網絡的輸入輸出關系為:

【參考文獻】：
期刊論文
[1]稱重傳感器蠕變誤差的神經網絡補償方法[J]. 王有貴,吳雙雙,陳紅江.  計量學報. 2018(04)
[2]基于最小二乘曲線擬合法的皮帶垂度與張力關系研究[J]. 梅松,周月娥,李東波,童一飛,袁延強.  制造業(yè)自動化. 2012(19)
[3]改進BP算法在過程神經網絡中的應用[J]. 鐘詩勝,樸樹學,丁剛.  哈爾濱工業(yè)大學學報. 2006(06)
[4]基于多種正交基函數(shù)的模塊化過程神經元網絡[J]. 鄧韌,李著信,樊友洪.  計算機工程與應用. 2005(30)
[5]基于過程神經網絡的水淹層自動識別系統(tǒng)[J]. 許少華,劉揚,何新貴.  石油學報. 2004(04)
[6]動態(tài)稱重測力技術的現(xiàn)狀和發(fā)展趨勢[J]. 施昌彥.  計量學報. 2001(03)
[7]過程神經網絡的訓練及其應用[J]. 何新貴,梁久禎,許少華.  中國工程科學. 2001(04)
[8]過程神經元網絡的若干理論問題[J]. 何新貴,梁久禎.  中國工程科學. 2000(12)

博士論文
[1]散狀物料連續(xù)累計稱重系統(tǒng)精度補償研究[D]. 朱亮.南京理工大學 2016
[2]帶式輸送機動態(tài)稱重檢測理論與試驗研究[D]. 初琦.中國礦業(yè)大學（北京） 2014



本文編號：3069234