王 鑫，李麗宏

(太原理工大學(xué)信息工程學(xué)院,山西太原 030024)

?

小波神經(jīng)網(wǎng)絡(luò)在動態(tài)汽車衡稱量數(shù)據(jù)處理中的應(yīng)用

王 鑫，李麗宏

(太原理工大學(xué)信息工程學(xué)院,山西太原 030024)

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(jié)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(jié)果不穩(wěn)定。針對這種情況提出了小波神經(jīng)網(wǎng)絡(luò)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(luò)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(jié)果與實際值的誤差在±2%內(nèi)。

動態(tài)汽車衡；小波神經(jīng)網(wǎng)絡(luò)；信號處理；消噪

0 引言

在當今的現(xiàn)代工業(yè)化時代，自動化稱重設(shè)備已經(jīng)應(yīng)用到各個領(lǐng)域，而動態(tài)汽車衡也正是因為其高精度、高效性等特點廣泛應(yīng)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(fù)雜的干擾因素。使得動態(tài)汽車衡的精度無法保障[1]。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[2-3]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[4]提出了神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波動態(tài)稱重系統(tǒng)，通過神經(jīng)網(wǎng)絡(luò)提高了自適應(yīng)能力及運算時效性，但其模型復(fù)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(luò)對稱重信號進行去噪處理的方法。該方法能夠自適應(yīng)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(luò)

1.1 小波神經(jīng)網(wǎng)絡(luò)簡介

小波閾值神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)集成了小波閾值去噪，可以在信號去噪、前向預(yù)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(xué)習(xí)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(dǎo)的閾值函數(shù)使得網(wǎng)絡(luò)訓(xùn)練成為可能，并對網(wǎng)絡(luò)的結(jié)構(gòu)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(jié)合雙方的優(yōu)點，建立了融合型小波神經(jīng)網(wǎng)絡(luò)[5]，如圖 1 所示。

圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(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(gòu)，輸出為

(1)

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(yīng)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ФL,k，其中尺度L是根據(jù)實際情況確定的，而位移K則對應(yīng)小波分析的系數(shù)柵格中j=K的各k值，構(gòu)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(gòu)成對函數(shù)的細節(jié)逼近。

(4)輸入層至第一隱層的各權(quán)系數(shù)為1，第一隱層至最后隱層的權(quán)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[6]。

1.2 消噪算法[5-9]

設(shè)S(n)是神經(jīng)網(wǎng)絡(luò)的期望輸出，S′(n)是神經(jīng)網(wǎng)絡(luò)的實際輸出，則網(wǎng)絡(luò)訓(xùn)練誤差和：

(2)

式中：N為采樣信號長度。

網(wǎng)絡(luò)的訓(xùn)練分兩部分進行，首先對小波分解的層數(shù)進行訓(xùn)練[7]。

小波神經(jīng)網(wǎng)絡(luò)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(gòu)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(xùn)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。

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

(3)

調(diào)整過程：

θj(k+1)=θj(k)+βΔθj

(4)

式中：β(0<β<1)為調(diào)整系數(shù)。

經(jīng)過不斷的循環(huán)迭代，使得E<ε時，停止迭代。當小波神經(jīng)網(wǎng)絡(luò)穩(wěn)定時，系統(tǒng)信道的噪聲特性就已被網(wǎng)絡(luò)記住，則網(wǎng)絡(luò)的輸出就是不含噪聲影響的真實信號的最佳逼近。

2 仿真和實驗

2.1 仿真研究

用標準正弦信號，輸入到確定的噪聲系統(tǒng)后得到加噪信號S(t)，利用上述方法進行信號處理，得到去噪后的信號輸出。仿真結(jié)果如圖2所示，經(jīng)過小波神經(jīng)網(wǎng)絡(luò)去噪后的信號和標準正弦信號基本一致。

圖2 正弦信號處理過程

理想狀態(tài)下，汽車勻速行駛在秤臺上輪軸壓在臺面上產(chǎn)生的波形是一個梯形波，如圖3中的理想信號所示。上升沿和下降沿分別是車輛輪軸上、下秤的過程，中間平穩(wěn)的部分是整個軸在秤臺上行駛的過程。

(a)理想信號

(b)輸入信號

(c)小波神經(jīng)網(wǎng)絡(luò)去噪后信號圖3 對實際稱重信號的數(shù)據(jù)處理過程

對于動態(tài)汽車衡，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(xué)習(xí)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(jié)果如圖3所示。經(jīng)過小波閾值神經(jīng)網(wǎng)絡(luò)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(jié)果的準確性。

2.2 實驗結(jié)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(jié)果表明，該方法能夠保證稱重結(jié)果的最大誤差為-1.79%，誤差范圍在±2%內(nèi)。

表1 試驗數(shù)據(jù)結(jié)果

3 結(jié)論

本文將小波神經(jīng)網(wǎng)絡(luò)的去噪方法運用于動態(tài)汽車衡的信號處理當中，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[10]。

[1] 裴春清．基于深度濾波的動態(tài)汽車衡算法，科技應(yīng)用，2008(1)：7-9.

[2] 胡春海,陳靜.用于動態(tài)稱重的模型參數(shù)估計方法.自動化與儀表,2005,20(4): 23-25.

[3] 鄭惠群,陳偕雄.動態(tài)稱重技術(shù)問題的分析與研究.科技通報,2006,22(4): 567-570.

[4] 張瑞,呂文紅,張瑞璽.基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波的車輛動態(tài)稱重系統(tǒng)研究.公路交通科技,2010,27(7): 138-141.

[5] 岑翼剛，慰宇，孫德寶.小波閾值神經(jīng)網(wǎng)絡(luò)在信號去噪及預(yù)測中的應(yīng)用.控制理論與應(yīng)用，2008，25(3)：485-491.

[6] 張德豐.MATLAB 小波分析.北京：機械工業(yè)出版社，2009.

[7] 仲元昌，章仁飛，王小林.小波神經(jīng)網(wǎng)絡(luò)對CDMA基帶信號的消噪處理.重慶大學(xué)學(xué)報，2003，26(9)：11-131.

[8] 李斌，何日耀.小波神經(jīng)網(wǎng)絡(luò)閾值自學(xué)習(xí)在信號去噪中的應(yīng)用.中國測試技術(shù)，2006，32(2)：111-113.

[9] 羅曉曙.人工神經(jīng)網(wǎng)絡(luò)理論.南寧：廣西師范大學(xué)出版社，2005.

[10] GB/T 21296—2007.準確度等級.

Research on Data Processing of Dynamic VehicleWeighbridge with Wavelet Neural Network

WANG Xin,LI Li-hong

(College of Information Engineering,Taiyuan University of Technology,Taiyuan 030024,China)

By analyzing the data waveforms of weighing signal,it is not difficult to find that data are mixed with a lot of noise signal,which affects the weighing results to a great extent.The commonly used filtering methods are to eliminate noise signal within a certain range,but because of uneven road and vehicle vibration factors,the result is instability.This paper introduced a wavelet neural network algorithm to de-noise in processing of the weighing signal.Through experimental and simulation results,the weighing signal which is processed by the WNN,can reach more ideal waveform and gettmore accurate weighing results comparing with the traditional method of de-noising filter,and the error of the weighing results and the actual value is within ± 2%.

dynamic vehicle weighbridge;wavelet neural network;signal process;de-noising

2014-02-25 收修改稿日期：2014-10-05

TP274

A

1002-1841(2015)03-0085-03

王鑫(1987—),碩士研究生，研究方向為檢測技術(shù)與自動化裝置。E-mail:wxhdwz@163.com 李麗宏(1963—),副教授，碩士生導(dǎo)師，主要研究領(lǐng)域為檢測技術(shù)、自動控制技術(shù)。E-mail:ya721@163.com