一种基于改进WOA-BP神经网络的称重补偿方法及装置

技术领域

本发明涉及称重计量应用技术领域，尤其涉及一种基于改进WOA-BP神经网络的称重补偿方法及装置。

背景技术

称重传感器是一种力传感器，将施加在称重传感器上的力转化为可测量的电信号。信号的强度随施加力的比例变化。在实际使用过程中，称重传感器的压力测量值会随着温度的改变而产生非线性误差，需要对其进行温度补偿。每个称重传感器各种系数是不一样的，比如说非线性，灵敏度，都是需要补偿的，称重系统的通信方式也会影响数据精度。

称重数据所受的影响是很多因素综合造成的，因此称重数据的预测属于多因素影响的复杂非线性映射问题，BP神经网络算法刚好能解决此类问题。但传统的BP神经算法由于初始权值和阈值不准确，存在着稳定性差、收敛速度慢、预测精度低等一系列问题。WOA算法相比于其他算法操作简单，跳出局部最优的能力较强，调整参数较少。该算法经常与其他算法相结合来解决计算问题中的寻优问题。

现有技术中基于WOA-BP的压力变送器温度补偿研究一文针对压力变送器易受温度影响产生非线性误差，提出一种基于鲸鱼算法优化BP神经网络的WOA-BP温度补偿模型。通过鲸鱼算法对传统的BP神经网络的权值和阈值进行优化，得到优化后的补偿模型，用于拟合压力变送器压力与温度之间的非线性关系，从而得到补偿后的数据。WOA作为一种较新的群智能优化算法，拥有很强的全局搜索能力，并且具有结构简单、需调整参数少等优点，但WOA算法在面对复杂的优化问题时依然无法避免易陷入局部最优解和收敛速度慢等问题。为了解决这些问题，本发明提出了一种基于改进WOA-BP算法的称重补偿方法和装置，通过种群进化机制以及使用非线性收敛因子和引入自适应权重的方式对WOA算法进行改进，增加种群多样性，避免算法过早陷入局部最优，提高局部搜索能力。

发明内容

发明目的：本发明提出一种基于改进WOA-BP神经网络的称重补偿方法和装置，通改善WOA收敛过早和种群多样性差的缺点，具有更高的预测精度和稳定性。

技术方案：本发明所述的一种基于改进WOA-BP神经网络的称重补偿方法，具体包括以下步骤：

(1)预先获取待补偿的多种不同量程下的称重数据及其对应的环境温度；

(2)初始化BP神经网络，确定BP神经网络的输入和输出结构、初始的连接权值和阈值；

(3)利用改进后的WOA算法优化BP神经网络的初始权值和阈值，将BP神经网络的训练误差作为个体的适应度值，选择最优的BP神经网络初始权值和阈值；

(4)根据优化得到的最优个体对BP神经网络结构的初始权值和阈值进行赋值；通过训练样本进行反复训练，将均方误差作为训练指标，并将训练得到的权值、阈值以及此时的网络结构参数保存，得到改进的WOA-BP称重数据补偿模型，对不同量程下的称重数据进行补偿。

进一步地，所述步骤(1)实现过程如下：

选取对称重数据影响最大的称重传感器自身非线性、温度2个因素作为影响变量，采用最大最小法对采集的数据样本进行归一化预处理，以消除各维数据之间数量级差别，采用的归一化方法为最大最小公式法：

(X)＝(X-X

式中，X为某一个值，X

进一步地，所述步骤(2)实现过程如下：

BP神经网络采用三层网络拓扑结构输入层、隐含层和输出层，选取温度、称重传感器本身非线性两个因素为影响变量，作为BP神经网络输入层的输入量；输入层和输出层的节点数由输入数据和输出数据的类型确定，隐含层由下式确定：

其中，k为隐含层节点数，m为输入层节点数，n为输出层节点数，α为1～10之间的常数。

进一步地，所述步骤(3)实现过程如下：

(31)种群初始化：确定WOA初始化参数，包括种群规模、最大迭代次数、概率值；

(32)个体适应度值：计算每个个体的适应度值，记录当前最优的适应度值和其对应的位置为X

(33)种群进化：选出适应度最差的种群X

其中，B(t)表示一个二进制数，

(34)在0-1生成一个随机数p,根据公式(4)得到系数向量A：

A＝2ar-a(4)

其中，r是[0,1]之间的一个随机数，a是改进后的非线性收敛因子；非线性收敛因子计算公式为：

其中，t代表当前迭代次数；T

(35)随机数p≥0.5时，通过引入自适应权重因子ω后的位置更新公式进行螺旋捕食；公式为：

X(t+1)＝w(t)X

D′＝|X

其中，X(t)和X*(t)分别表示当前鲸鱼位置和每次迭代的最优解，D′表示第i条鲸鱼的最佳捕食位置，b是定义螺旋形状的常数，l为[-1,1]的随机数，t表示迭代次数；

(36)随机数p<0.5时且A≥1时，按照公式(8)更新位置：

X(t+1)＝w(t)X

D”'＝|2r

其中，r

(37)随机数p<0.5且A<1时，按照公式(10)更新位置：

X(t+1)＝w(t)X

D"＝|2r

其中，P

(39)判断是否达到了循环结束条件，若是，则结束算法，输出最优解，即实现对称重数据的补偿；否则，返回步骤(32)。

进一步地，所述输出层设置为1。

进一步地，步骤(31)所述的确定WOA初始化参数为：

D＝|CX

其中，A＝2ar-a，C＝2r，r是[0,1]之间的一个随机数；X(t)和X*(t)分别表示当前鲸鱼位置和每次迭代的最优解，D′表示第i条鲸鱼的最佳捕食位置，b是定义螺旋形状的常数，l为[-1,1]的随机数，t表示迭代次数，a是在迭代过程中线性减小，A和C是系数。

基于相同的发明构思，本发明所述的一种装置设备，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如上所述的基于改进WOA-BP神经网络的称重补偿方法步骤。

基于相同的发明构思，本发明所述的一种存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上所述的基于改进WOA-BP神经网络的称重补偿方法步骤。

有益效果：与现有技术相比，本发明的有益效果：本发明通过运用具有全局搜索能力的改进的鲸鱼算法对BP神经网络的初始权值和阈值进行优化，可以提高BP神经网络的收敛速度和稳定性，使预测结果更加精确，大大提高了BP神经网络的性能；本发明能实时、快速的进行称重补偿；能够对化工、自动罐装、中药抓取等领域内各种称重数据进行精准预测，适用范围广，结果稳定而精确。

附图说明

图1为基于改进WOA-BP神经网络的称重补偿方法的流程图；

图2为利用改进的鲸鱼算法优化训练BP神经网络模型的流程图；

图3为本发明中的BP神经网络拓扑结构图；

图4为本发明实施例提供的改进WOA-BP对称重补偿的预测结果与真实值分析对比效果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明提出一种基于改进WOA-BP神经网络的称重补偿方法，包括以下步骤：

步骤1：通过称重系统获取待补偿的多种不同量程下的称重数据及其对应的环境温度。

具体地选取对称重数据影响最大的称重传感器自身非线性、温度2个因素作为影响变量，采用最大最小法对采集的数据样本进行归一化预处理，以消除各维数据之间数量级差别，采用的归一化方法为最大最小公式法：

(X)＝(X-X

式中，X为某一个值，X

步骤2：初始化BP神经网络，确定BP神经网络的输入和输出结构、初始的连接权值和阈值。

通过的网络训练，采用误差的反向传播，不断调整网络的权值和阈值，减小误差，实现复杂变量的非线性映射和数据联想功能。如图3所示，BP神经网络采用三层网络拓扑结构输入层、隐含层和输出层，选取温度、称重传感器本身非线性两个因素为影响变量，作为BP神经网络输入层的输入量；由于输出层为称重数据，故设置输出层为1；输入层和输出层的节点数由输入数据和输出数据的类型确定，隐含层由下式确定：

其中，k为隐含层节点数，m为输入层节点数，n为输出层节点数，α为1～10之间的常数。

步骤3：如图2所示，在BP神经网络结构下，用改进的鲸鱼算法对其进行优化的方法具体为：利用改进后的WOA算法优化BP神经网络的初始权值和阈值，将BP神经网络的训练误差作为个体的适应度值，选择最优的BP神经网络初始权值和阈值。

补偿模型的具体训练过程，包括：

(31)种群初始化：确定WOA初始化参数，包括种群规模、最大迭代次数、概率值；

(32)个体适应度值：计算每个个体的适应度值，记录当前最优的适应度值和其对应的位置为X

(33)种群进化：选出适应度最差的种群X

其中，B(t)表示一个二进制数，

(34)在0-1生成一个随机数p,根据公式(4)得到系数向量A：

A＝2ar-a(4)

其中，r是[0,1]之间的一个随机数，a是改进后的非线性收敛因子；非线性收敛因子计算公式为：

其中，t代表当前迭代次数；T

(35)随机数p≥0.5时，通过引入自适应权重因子ω后的位置更新公式进行螺旋捕食；公式为：

X(t+1)＝w(t)X

D′＝|X

其中，X(t)和X*(t)分别表示当前鲸鱼位置和每次迭代的最优解，D′表示第i条鲸鱼的最佳捕食位置，b是定义螺旋形状的常数，l为[-1,1]的随机数，t表示迭代次数；

(36)随机数p<0.5时且A≥1时，按照公式(8)更新位置：

X(t+1)＝w(t)X

D”'＝|2r

其中，r

(37)随机数p<0.5且A<1时，按照公式(10)更新位置：

X(t+1)＝w(t)X

D"＝|2r

其中，P

(38)判断是否达到了循环结束条件，若是，则结束算法，输出最优解；否则，返回步骤(32)。

改进WOA优化BP神经网络是将BP神经网络的权值和阈值作为改进的鲸鱼算法的优化变量，训练与测试样本的均方误差作为适应度函数；得到的适应度函数值越小，表明训练越准确，模型的预测精度也更高；优化后的BP神经网络能够更准确的进行称重数据的补偿；改进的鲸鱼算法优化BP神经网络的要素包括：改进算法、座头鲸位置、随机算子、更新位置方式的选择。

采用改进的WOA对BP神经网络进行优化，通过模拟座头鲸的觅食行为，构建出随机搜索捕食、包围捕食和气泡网捕食等理论模型，以实现对目标问题的优化求解，具有稳定性强、调节参数少等优点。

初始WOA方程具体包括：

D′＝|X

D＝|CX

其中，A＝2ar-a，C＝2r，r是[0,1]之间的一个随机数；X(t)和X*(t)分别表示当前鲸鱼位置和每次迭代的最优解，D′表示第i条鲸鱼的最佳捕食位置，b是定义螺旋形状的常数，l为[-1,1]的随机数，t表示迭代次数，a是在迭代过程中线性减小，A和C是系数。

方程(12)的第一公式模拟包围机制，第二公式模拟气泡网捕猎技术。变量p以相等的概率在这2个部分之间切换。在鲸鱼算法中，参与捕猎行为的每头鲸鱼都代表一个可行解。在每一代的游动中，鲸鱼们会随机选择3种觅食行为向着最优位置的猎物捕猎或者通过包围收缩进行位置的更新,不断逼近目标猎物，直至找到最优解。

种群进化在初始种群规模中选出适应度最差的种群X

较大的收敛因子能够提供强有力的全局搜索能力，避免算法过早进入局部最优解，形成早熟；较小的收敛因子使算法具有较强的局部探索能力，能加快算法的收敛速度，提升算法效率。在传统的WOA算法中，收敛因子是随着迭代次数而递归减少的，这种方法容易导致算法收敛速度过慢。为了解决这一问题，在不改变收敛因子变化趋势的前提下，采用非线性调整策略，一方面能保证算法全局搜索能力及局部探索能力，另一方面能加快算法的收敛速度。

如公式(5)，本发明能保证在算法迭代早期生成较大的参数A，以保证全局搜索能力，同时加快算法收敛速度；在迭代后期，则生成较小的参数A，以提升算法的局部探索能力。

惯性权重对算法收敛速度和全局寻优能力都有较大的影响。但由于WOA算法在优化过程中是非线性变化的，惯性权重的线性下降策略无法体现在实际的优化过程中，同时考虑到各搜索代理状态的差异性，本发明利用一种基于搜索代理当前状态的非线性自适应权重策略，其数学模型如公式(14)：

其中，w

从式(15)中可以看出，当搜索代理的适应度值小于平均适应度值时，权重w较小，这保证了在最优解附近空间中的精细搜索；当适应度值大于平均适应度值时，权重w较大，这使得搜索代理可以在更大范围空间寻优。w会随着当前种群平均适应度值和个体搜索代理适应度值进行自适应变化，以此来有效提高WOA算法的收敛速度和精度。自适应权重策略能够有效避免WOA提前进入早熟现象，使算法能够保持种群的多样性并且能够及时跳出局部最优。

改进后位置更新公式包括：

基于相同的发明构思，本发明还提供一种装置设备，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；处理器，用于在运行所述计算机程序时，执行如上所述的基于改进WOA-BP神经网络的称重补偿方法步骤。

基于相同的发明构思，本发明还提供一种存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上所述的基于改进WOA-BP神经网络的称重补偿方法步骤。

如图4所示，采用本发明补偿的称重数据预测值与真实值更为接近，而采用传统BP方法和WOA方法检测的称重数据预测值与真实值的误差较大。从图4中可以看到，只使用BP神经网络进行预测时得到的值和真实值差距较大，而使用WOA-BP神经网络进行预测时得到的值比BP神经网络更为接近真实值。但相比上述两种模型，改进的WOA-BP模型得到的值的变化趋势和准确性都明显与真实值更接近。