徐 杰， 侯旭東

(黑龍江科技大學(xué) 電子與信息工程學(xué)院， 哈爾濱 150022)

優(yōu)化BP網(wǎng)絡(luò)的超聲波測(cè)距的補(bǔ)償算法

徐 杰， 侯旭東

(黑龍江科技大學(xué) 電子與信息工程學(xué)院， 哈爾濱 150022)

針對(duì)超聲傳感器在測(cè)距方面的局限性, 提出一種基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò)對(duì)函數(shù)進(jìn)行逼近預(yù)測(cè)，研究超聲傳感器測(cè)距對(duì)濕度、溫度的補(bǔ)償。仿真和實(shí)驗(yàn)結(jié)果表明，該算法可準(zhǔn)確預(yù)測(cè)補(bǔ)償溫度、濕度數(shù)據(jù)融合后的超聲波速度，從而提高井下機(jī)器人的避障精度，增強(qiáng)其穩(wěn)定性與安全性。該研究可為井下機(jī)器人的避障系統(tǒng)設(shè)計(jì)提供參考依據(jù)。

井下機(jī)器人； 超聲測(cè)距； 避障； BP

礦井開采經(jīng)常會(huì)發(fā)生礦難，對(duì)人員生命和公共財(cái)產(chǎn)造成巨大損失。礦難發(fā)生后井下環(huán)境非常復(fù)雜，存在漏水、瓦斯爆炸、能見度低等問題[1]。為盡可能減小損失，救援機(jī)器人先下井是最佳選擇。此時(shí)井下空間不足，障礙物多，因此救援機(jī)器人的前部要設(shè)有避障模塊，模塊設(shè)計(jì)由五組超生傳感器構(gòu)成。

超聲波傳感器雖然有成本低、穿透力強(qiáng)等優(yōu)點(diǎn)，但井下環(huán)境非常復(fù)雜。不僅溫度會(huì)隨著礦井的深度增加而增加，濕度也會(huì)因?yàn)橛克薀o(wú)規(guī)律變化[2]。根據(jù)實(shí)驗(yàn)測(cè)量得出，在溫度不變的情況下，濕度在0～5%之間，超聲波速度會(huì)有55 m/s左右的偏差[3]。井下機(jī)器人工作環(huán)境不穩(wěn)定，以致超生波傳感器測(cè)量的距離與實(shí)際距離有較大偏差。因此，文中提出使用經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)溫度和濕度信息進(jìn)行融合，以期得到精確的超生波速度，從而測(cè)得機(jī)器人和障礙物間的精確距離。

1 遺傳算法優(yōu)化的BP網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)[4]。信號(hào)是從輸入端一直向前傳輸，網(wǎng)絡(luò)的輸出值與實(shí)際值之間的誤差是逆向傳輸?shù)?。該網(wǎng)絡(luò)在處理比較簡(jiǎn)單問題的情況下，只有輸入層、隱層、輸出層三層構(gòu)成，可對(duì)非線性函數(shù)進(jìn)行擬合逼近[5]。

遺傳算法(Genetic Algorithms，GA)是由Holland在1962年提出的是一種效仿自然界中生物為了生存而相互競(jìng)爭(zhēng)、進(jìn)化的方法。該方法可在全部數(shù)據(jù)中選取出與系統(tǒng)最為契合的數(shù)據(jù)[6]。

使用GA優(yōu)化BP網(wǎng)絡(luò)的流程如圖1所示。該優(yōu)化過程主要分為三步：一、確定神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)，以便得到網(wǎng)絡(luò)中權(quán)值和閾值的個(gè)數(shù)；二、應(yīng)用GA給出網(wǎng)絡(luò)的初始權(quán)值、閾值，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練直到滿足期望誤差；三、利用訓(xùn)練好的滿足要求的網(wǎng)絡(luò)，對(duì)需要操作的數(shù)據(jù)進(jìn)行擬合或者分類。上述三個(gè)步驟中，可以根據(jù)第一步給出GA的個(gè)體長(zhǎng)度，其長(zhǎng)度為網(wǎng)絡(luò)權(quán)值與閾值個(gè)數(shù)之和。之后對(duì)個(gè)體進(jìn)行一系列GA操作，從而得出一個(gè)對(duì)系統(tǒng)(網(wǎng)絡(luò))最合適的個(gè)體[7]。

圖1 采用遺傳算法優(yōu)化的BP網(wǎng)絡(luò)算法流程

Fig. 1 Optimization algorithm of BP neural network based on Genetic Algorithm

2 基于優(yōu)化網(wǎng)絡(luò)的數(shù)據(jù)融合

2.1 優(yōu)化神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

在GA的種群中每個(gè)個(gè)體都是由數(shù)字組成，這組數(shù)字與網(wǎng)絡(luò)中的權(quán)值、閾值一一對(duì)應(yīng)[8]。利用GA得到最終的個(gè)體后，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)，可以得到一個(gè)完整的待訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練該網(wǎng)絡(luò)得出最優(yōu)權(quán)值、閾值。

利用該神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類或者擬合，得到一個(gè)網(wǎng)絡(luò)擬合輸出，用該網(wǎng)絡(luò)擬合輸出與測(cè)試數(shù)據(jù)對(duì)應(yīng)的實(shí)際輸出做差，在對(duì)結(jié)果絕對(duì)值化，這個(gè)最終的結(jié)果就是種群中個(gè)體的適應(yīng)度[9]。計(jì)算公式為

式中：q——網(wǎng)絡(luò)輸出個(gè)數(shù)；wa——BP神經(jīng)網(wǎng)絡(luò)第a個(gè)單元的預(yù)測(cè)輸出；S——任意常數(shù)。

針對(duì)GA的選擇過程有多種方法，文中選用輪盤賭法。根據(jù)上述求個(gè)體適應(yīng)度的過程，可以得到種群中任意一個(gè)個(gè)體m的選擇概率rm為:

其中，Im是個(gè)體m的適應(yīng)度，在該條件下設(shè)定適應(yīng)度小的個(gè)體存活的概率較高，所以要在GA的選擇過程未開始時(shí)對(duì)其求倒數(shù)。N是種群中所有個(gè)體的總和。

因?yàn)槊總€(gè)個(gè)體都是由一串?dāng)?shù)字組成，所以GA的交叉過程使用實(shí)數(shù)交叉法，設(shè)第p個(gè)遺傳片段Up和第o個(gè)遺傳片段Uo在f的位置發(fā)生交叉，則

選中第k個(gè)個(gè)體的第e個(gè)遺傳片段Uke產(chǎn)生突變，其過程為

式中：Umax——遺傳片段Uke的上界；Umin——基因Uke的下界;d(h)——變異概率，d(h)=c2(1-h/Hmax)2;c2——實(shí)數(shù)；h——遺傳一代的次數(shù)；Hmax——遺傳的最大代數(shù)；c——[0,1]間的隨機(jī)數(shù)。

2.2 獲取樣本數(shù)據(jù)

以實(shí)驗(yàn)室的環(huán)境為基礎(chǔ)搭建簡(jiǎn)易的溫度、濕度控制檢測(cè)系統(tǒng)，可以得出不同溫濕度條件下的超聲波速度v′，如表1所示。其中，v為只進(jìn)行了溫度補(bǔ)償后的超聲波速度。由此可見，在實(shí)際應(yīng)用中僅進(jìn)行溫度補(bǔ)償計(jì)算是不精確的，很容易導(dǎo)致機(jī)器人發(fā)生碰撞。

表1 實(shí)驗(yàn)所需數(shù)據(jù)

2.3 融合的具體實(shí)現(xiàn)

由于該網(wǎng)絡(luò)為雙輸入單輸出，所以隱層單元數(shù)定位10，隱層激活函數(shù)選用”tansig”，輸出層激活函數(shù)選用“purelin”。其結(jié)構(gòu)如圖2所示。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)

圖2中，p為輸入，W1為輸入層與隱層間的權(quán)，H1為隱層單元數(shù)，W2為隱層與輸出層之間的權(quán)，H2為輸出層單元數(shù)，b1為隱層閾值，b2為輸出層閾值[10]。所以網(wǎng)絡(luò)的初始化為：

net=newff(p,t,10);

net.iw{1,1}=W1;

net.iw{1,2}=W2;

net.b{1}=b1;

net.b{2}=b2。

因?yàn)榫聹囟仍?0 ℃左右時(shí)居多，所以采用30 ℃時(shí)的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。訓(xùn)練過程如圖3所示。

圖3 網(wǎng)絡(luò)訓(xùn)練過程

經(jīng)過訓(xùn)練網(wǎng)絡(luò)的權(quán)值、閾值達(dá)到最優(yōu)范圍，輸入層到隱藏層之間20個(gè)權(quán)值的范圍為[-0.728 6,0.750 6]，隱藏層到輸出層間10個(gè)權(quán)值在[-0.681 1,0.750 6]，隱藏層的10個(gè)閾值范圍在[-1.684 2,1.801 2]，輸出層的一個(gè)閾值為0.914 5。得到符合誤差標(biāo)準(zhǔn)的網(wǎng)絡(luò)后，使用30 ℃時(shí)不同濕度下的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試仿真，結(jié)果如表2所示。由表2可以看出，網(wǎng)絡(luò)輸出預(yù)測(cè)值vy與實(shí)際超聲波速度接近，精度較高。

表2 30 ℃不同濕度下超聲波速度

Table 2 Ultrasonic velocity at 30 ℃ in different humidity environment

相對(duì)濕度/%v′/m·s-1vy/m·s-10442．5442．320385．6386．940328．7329．960271．8271．780214．9215．4

3 算法應(yīng)用

在井下不同深度，采用已有的聲速溫度擬合公式，超聲波測(cè)距測(cè)量值與實(shí)際值見表3。從表3可以看出，實(shí)際值均大于測(cè)量值，表明在測(cè)量中單一的考慮溫度不能滿足井下機(jī)器人的精度要求。

文中將符合誤差標(biāo)準(zhǔn)的基于GA優(yōu)化BP網(wǎng)絡(luò)添加到井下機(jī)器人的避障系統(tǒng)中，對(duì)不同環(huán)境下不同溫度、濕度的超聲波速度進(jìn)行補(bǔ)償，得出的超聲波速度經(jīng)渡越時(shí)間法運(yùn)算得到距離，結(jié)果如表4所示。由表4可知，加入經(jīng)過訓(xùn)練網(wǎng)絡(luò)系統(tǒng)的輸出精度較表3至少提高了兩個(gè)量級(jí)。

表3 井下不同深度相同距離的測(cè)量值

Table 3 Downhole measurements of same distance at different depths

深度/m實(shí)際值/m測(cè)量值/m3005．003．905005．003．557005．002．909005．003．0310005．002．79

表4 超聲波測(cè)距測(cè)量值與實(shí)際值比較

Table 4 Comparison of actual value and meas- ured value after adding BP network

實(shí)驗(yàn)次數(shù)實(shí)際值/m測(cè)量值/m10．50．49120．70．70331．01．01642．01．97953．03．00265．04．990

4 結(jié)束語(yǔ)

溫度和濕度是影響超聲波傳感器測(cè)距的主要因素。數(shù)值仿真和實(shí)驗(yàn)表明，在井下溫度、 濕度變化的環(huán)境中， 文中提出的基于GA優(yōu)化的BP網(wǎng)絡(luò)，對(duì)超聲波傳感器測(cè)距精度有很大提升。加入網(wǎng)絡(luò)后系統(tǒng)的計(jì)算精度有較大提高，且成本并未有很大改變，因此，該算法有較大的實(shí)用價(jià)值。

[1] 陳 升. 礦難救援機(jī)器人的發(fā)展應(yīng)用現(xiàn)狀與未來趨勢(shì)[J]. 機(jī)械制造, 2015, 4: 86-87.

[2] 宋清華. 面向礦井災(zāi)難救援的機(jī)器人控制系統(tǒng)設(shè)計(jì)研究[J]. 科技創(chuàng)新與應(yīng)用, 2015, 10: 66-66.

[3] 趙 波, 田建學(xué), 魏俊淦. 一種無(wú)線電高度表模擬器的設(shè)計(jì)[J]. 儀表技術(shù), 2015(05): 24-26.

[4] 肖 丹, 孫 鵬, 邱革飛. BP神經(jīng)網(wǎng)絡(luò)與遺傳算法的變壓器風(fēng)險(xiǎn)評(píng)估[J]. 云南電力技術(shù), 2012(05): 20-24.

[5] 王社國(guó), 田志民, 武莎莎. 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用研究[J]. 礦山機(jī)械, 2014(05): 116-119.

[6] 彭基偉, 呂文華, 行鴻彥, 等. 基于改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器的溫度補(bǔ)償[J]. 儀器儀表學(xué)報(bào), 2013(01): 153-160.

[7] Gamal Eimasry, Sergio Cubero, Enrique Moltó. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J].Journal of Food Engineering, 2012, 7(112): 60-68.

[8] 李允旺, 葛世榮, 朱 華. 煤礦救災(zāi)機(jī)器人應(yīng)用探討[J]. 煤礦機(jī)械, 2009, 30(1): 164-167.

[9] Cai Wenbin, Zhu Qingbao, Hu Jun. Path planning based onbiphasic ant colony algorithm and fuzzy control in dynamic en-vironment[C]// 2010 2nd International Conference on Intelli-gent Human-Machine Systems and Cybernetics Hangzhou: IEEE Press, 2010: 333-336.

[10] 孫昌立, 朱榮華. 鋁合金彎曲損傷實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)識(shí)別[J]. 黑龍江科技大學(xué)學(xué)報(bào), 2012, 22(06): 589-592.

(編校 王 冬)

Genetic algorithm-based ultrasonic sensor ranging compensation algorithm for optimization of BP neural network

XuJie，HouXudong

(School of Electronics & Information Engineering, Heilongjiang University of Science & Technology, Harbin 150022, China)

This paper describes an effort to overcome the limitation of the ultrasonic sensor in the ranging application aspects using an optimized back-propagation(BP) network based on genetic algorithm for the approximate prediction of function and an insight into humidity and temperature compensation for ultrasonic sensor ranging. The simulation shows that the algorithm enables a more accurate prediction of the ultrasonic velocity following the combination of the compensation temperature and humidity, thus improving the precision at which the underground robots avoid obstacles and providing a greater stability and security. This study may provide a reference for designing obstacle avoidance system for pit robots.

pit robot; ultrasonic ranging; obstacle avoidance; BP

2016-12-13

黑龍江省自然科學(xué)基金面上項(xiàng)目(F200921)

徐 杰(1964-)，女，山東省壽光人，教授，碩士，研究方向：視覺成像與圖像處理，E-mail：xujie640101@163.com。

10.3969/j.issn.2095-7262.2017.01.019

TP242.2； TP183

2095-7262(2017)01-0087-04

A