动态流量软测量建模方法研究

　　动态流量信号包含丰富的故障信息,对于评价液压控制系统的动态特性有非常重要的意义,但是由于流体介质本身的复杂性[1],使得液压动态流量测试非常困难.

　　软测量技术就是根据某种最优准则,建立表征辅助变量和主导变量之间的数学关系的软测量模型[2].利用神经网络的自学习能力对软测量模型加以实现,解决动态流量测试这一工程难题,在液压测试等领域具有广阔的应用前景.BP网络在建模中受到广泛应用.目前, BPN的应用面临着两大问题:高效的学习算法和网络拓扑结构的优化设计[3],在这方面研究者们提出了很多修正方法[4~6],但它们只针对某一方面,并不能全面解决问题.遗传算法具有很强的宏观搜索能力,在较大的参数空间决定全局最小[7],所以用它来完成前期的搜索能较好的克服BP算法的缺点.因此我们将BP算法和GA结合起来,达到优化网络的目的.

　　1　基于GA-BP算法的软测量建模

　　1·1　GA-BP算法

　　先用遗传算法确定BP网络的结构和参数,把它代入常规的BP网络进行训练,将训练一定次数后得到的连接权值作为第二步遗传计算的初始值,再用遗传算法确定BP网络的最优连接权值.在应用遗传算法优化BP网络之前,先考虑几个问题:

　　(l)染色体编码.本文采用实数编码方案,码串由三部分组成:隐层节点数H、各层节点之间的连接权值ω、阈值θ.其中除第一部分外,其余都是各层神经元所对应的级联串,为简便起见,令每一层神经元只与其前一层神经元有连接,输入输出之间无连接.

　　(2)适应度函数.考虑到适应度函数应能反映神经网络的学习精度和推广能力,适应度函数可利用均方根误差来定义,如:

其中

　　式中: i =1,2,…N为染色体数;k为输出层结点数;p为样本数;TK为k结点的期望值;YK为k结点的实际输出.

　　(3)GA参数的选择. GA的控制参数主要有群体大小N,交叉操作的概率pc以及变异操作的概率pm等,这些参数对GA性能影响很大.在此,选取N =10,并选取K =1对染色体作为父染色体.同时,实施交叉操作时,采用文献[7]的自适应性交叉概率pc和自适应变异概率pm确立方法

　　式中:fc为交叉前父代双亲中适应值大者;fm为需变异的个体的适应值;fmax,-f分别为最大适应值及平均适应值;k1,k2,k3,k4为0,1之间的常数.

　　(4)终止准则.最简单的终止准则是定义一个最大进化代数,当进化代数达到最大值时就可以停止计算了,本文采用这种方法,当迭代计算次数达到定义的最大进化代数后,终止计算.GA-BP算法步骤如下:

　　1)对初始权值、阈值、学习率和动量因子编码,构造染色体.随机产生10个染色体,构成初始群体;