專利名稱：一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法
技術(shù)領(lǐng)域：
本發(fā)明屬于的人工智能技術(shù)領(lǐng)域，具體涉及用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法。
背景技術(shù)：
按照計量法的要求，計量器具必須定期檢定。檢定是指查明和確認(rèn)計量器具是否符合法定要求的程序，它包括檢查、加標(biāo)記和出具檢定證書。檢定必須按照被檢定儀表的檢定規(guī)程操作，并在證書中記載被檢定的各項參數(shù)的測試數(shù)據(jù)，然后根據(jù)它們對標(biāo)準(zhǔn)值的偏離狀態(tài)來評定此儀表的整體技術(shù)性能狀況。檢定一般需要在特定實驗環(huán)境下，進行多次重復(fù)實驗后，綜合分析測試數(shù)據(jù)得出檢定結(jié)論。為了規(guī)避實驗偶然干擾對結(jié)論判定的影響，一般對這些測試結(jié)果采用統(tǒng)計方法來篩選數(shù)據(jù)，并按照檢定規(guī)程中指定計算規(guī)則得出檢定結(jié)論。但上述這些方法沒有更深層次的去考慮這些測試數(shù)據(jù)的內(nèi)在特征和關(guān)系，導(dǎo)致結(jié)論判定結(jié)果與實際情況有一定的偏離，容易得出誤判結(jié)論。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決現(xiàn)有的儀表檢定方法存在的上述缺陷，提出了一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法。本發(fā)明的技術(shù)方案是一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法，包括如下步驟步驟一、對多次測量的多組歷史數(shù)據(jù)，進行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；步驟二、根據(jù)步驟一得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型，具體過程如下(I)建立包含輸入層、單隱含層和輸出層的三層人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；依據(jù)步驟一中提取的特征參數(shù)種類，確定人工蜂群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p ; 根據(jù)預(yù)先設(shè)定的檢定結(jié)果的級別數(shù)q，確定人工蜂群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q ;單隱含層的神經(jīng)元數(shù)n。n0 = 2p+ & ;其中，&為無量綱的修正參數(shù)；(2)優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)；具體步驟如下設(shè)標(biāo)準(zhǔn)網(wǎng)絡(luò)模型中待優(yōu)化的數(shù)目為N，利用Pareto最優(yōu)概念，將優(yōu)于某個體的個體適應(yīng)度值作為該個體的適應(yīng)度值，一個觀察蜂選擇蜜源的概率取決于蜜源的概率值 Probi,具體采用下式計算
rob fittpr° , = Y^fit ’其中，Hti是第i個個體的適應(yīng)值，SN是采蜜蜂數(shù)量；
M=I通過得到的蜜源的概率值Probi，利用人工蜂群算法優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5的權(quán)值參數(shù)；步驟三、根據(jù)得到的人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)對人工蜂群神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進行歸一化處理，構(gòu)造證據(jù)的基本概率指派函數(shù)；步驟四、根據(jù)證據(jù)組合結(jié)果，做出最終決策若信任度值最大的命題滿足預(yù)先設(shè)定的閥值條件，則該命題為決策的目標(biāo)，否則不做決策。本發(fā)明的有益效果本發(fā)明的方法能夠融合歷史測試數(shù)據(jù)來分析儀表的內(nèi)部特征，更合理的對儀表進行檢定，通過多次測量的多組歷史數(shù)據(jù)，進行去噪處理，提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)，進而建立人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和構(gòu)造證據(jù)的基本概率指派函數(shù)，可以更智能化的判定儀表檢定結(jié)論，減少檢定數(shù)據(jù)處理過程中人為的干預(yù)和避免結(jié)論誤判。說明書附I是本發(fā)明方法的流程示意圖。圖2是本發(fā)明實施例的優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)過程示意圖。
具體實施例方式下面結(jié)合附圖
和具體的實施方式對本發(fā)明作進一步的闡述。步驟一、對多次測量的多組歷史數(shù)據(jù)，進行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；這里去噪處理可以采用如下的方式進行處理對歷史數(shù)據(jù)進行小波分解；選取啟發(fā)式閥值法對分解后的信號進行去噪。這里，可以選取db4小波對多次測量的多組歷史數(shù)據(jù)進行小波分解。確定小波分解的適當(dāng)層數(shù)。層數(shù)越多，計算工作量也越大，誤差也會增加。但是， 尺度越大越有利于從更深層次進行信號趨勢分析，能使時間序列更加平穩(wěn)，因此分解層數(shù)一般采用3 5層。這里，特征參數(shù)具體包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)。步驟二、根據(jù)步驟一得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型，具體過程如下(I)建立包含輸入層、單隱含層和輸出層的三層人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；依據(jù)步驟一中提取的特征參數(shù)種類，確定人工蜂群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p ; 根據(jù)預(yù)先設(shè)定的檢定結(jié)果的級別數(shù)q，確定人工蜂群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q ;單隱含層的神經(jīng)元數(shù)n。n0 = 2p+@ ;其中，@為無量綱的修正參數(shù)；@的范圍具體為I 10。這里的特征參數(shù)的種類為6，即有p = 6 ;檢定結(jié)果的級別數(shù)一般分為合格、不合格或者其它，可以預(yù)先設(shè)定，例如預(yù)先設(shè)定的檢定結(jié)果為合格和不合格兩類時，則級別數(shù)q =2。(2)優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)，具體步驟如下設(shè)標(biāo)準(zhǔn)網(wǎng)絡(luò)模型中待優(yōu)化的數(shù)目為N，利用Pareto最優(yōu)概念，將優(yōu)于某個體的個體適應(yīng)度值作為該個體的適應(yīng)度值，一個觀察蜂選擇蜜源的概率取決于蜜源的概率值probi,其計算如下 rob _ fitt
權(quán)利要求
1.一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法，其特征在于，包括如下步驟步驟一、對多次測量的多組歷史數(shù)據(jù)，進行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；步驟二、根據(jù)步驟一得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型，具體過程如下(1)建立包含輸入層、單隱含層和輸出層的三層人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；依據(jù)步驟一中提取的特征參數(shù)種類，確定人工蜂群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)P ;根據(jù)預(yù)先設(shè)定的檢定結(jié)果的級別數(shù)q，確定人工蜂群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q ;單隱含層的神經(jīng)元數(shù)n。n0 = 2p+P ;其中，P為無量綱的修正參數(shù)；(2)優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)；具體步驟如下設(shè)標(biāo)準(zhǔn)網(wǎng)絡(luò)模型中待優(yōu)化的數(shù)目為N，利用Pareto最優(yōu)概念，將優(yōu)于某個體的個體適應(yīng)度值作為該個體的適應(yīng)度值，一個觀察蜂選擇蜜源的概率取決于蜜源的概率值Probi,具體采用下式計算 rob _ Jit1Pr°’其中，^ti是第i個個體的適應(yīng)度值，SN是采蜜蜂數(shù)量；M=I通過得到的蜜源的概率值Probi,利用人工蜂群算法優(yōu)化人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)；步驟三、根據(jù)得到的人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)對人工蜂群神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進行歸一化處理，構(gòu)造證據(jù)的基本概率指派函數(shù)；步驟四、根據(jù)證據(jù)組合結(jié)果，做出最終決策若信任度值最大的命題滿足預(yù)先設(shè)定的閥值條件，則該命題為決策的目標(biāo)，否則不做決策。
2.根據(jù)權(quán)利要求I所述的數(shù)據(jù)融合方法，其特征在于，所述的去噪處理的過程如下對歷史數(shù)據(jù)進行小波分解；選取啟發(fā)式閥值法對分解后的信號進行去 >噪。
3.根據(jù)權(quán)利要求I或2所述的數(shù)據(jù)融合方法，其特征在于，所述的特征參數(shù)具體包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)。
4.根據(jù)權(quán)利要求I或2所述的數(shù)據(jù)融合方法，其特征在于，步驟二中所述的第i個個體的適應(yīng)度值Hti計算過程如下首先根據(jù)Pareto的支配關(guān)系，對群體中的每一個個體排序，再根據(jù)周圍的擁擠情況計算適應(yīng)度密度值，最后綜合確定適應(yīng)度值；其過程如下1)計算群體Q中每個個體i的排序R'(i)R' Q) = I U I j G Q，jfi} I其中，符號"f"表示Pareto支配關(guān)系；2)個體i的排序R(i)R(i) = R'(i)+ Z R'(J) yi^Qj^QMj3)根據(jù)采蜜蜂數(shù)量SN將目標(biāo)空間劃分成&個網(wǎng)格, 表示每維目標(biāo)空間的k網(wǎng)格數(shù)，設(shè)#的整數(shù)部分為a，小數(shù)部分為n則
5.根據(jù)權(quán)利要求4所述的數(shù)據(jù)融合方法，其特征在于，步驟三的具體過程如下根據(jù)儀表檢定結(jié)論的級別建立完備的檢定結(jié)論框架…，A}，q表示儀表檢定結(jié)論級別數(shù)，取自然數(shù)；設(shè)檢定事件所屬的簇共有m個參數(shù)，得證據(jù)集{mi(.)}，l = 1， 2,3,…，m,設(shè)證據(jù)集第g個輸出神經(jīng)元的值為O1 (g), g = 1,2,3,該人工蜂群神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率為、!;設(shè)測量參數(shù)偏離標(biāo)準(zhǔn)值的距離來評估個證據(jù)的權(quán)重，具體方法 以距離最近的簇內(nèi)成員節(jié)點作為基準(zhǔn)，該證據(jù)的權(quán)重為1，其它源節(jié)點的權(quán)重W1, W1通過自身距離與基準(zhǔn)值間的比值來確定，具體的為^ = #71，其中，I彡I彡m，6 =Hiin(Cl1), T 為權(quán)重的影響因子，取自然數(shù)，Cl1為節(jié)點I的測量參數(shù)至標(biāo)準(zhǔn)值之間的距離，則第I條證據(jù)的基本概率指派函數(shù)Im1 (.)}為
6.根據(jù)權(quán)利要求4或5所述的數(shù)據(jù)融合方法，其特征在于，步驟四的具體過程如下 確定性命題的信任度值大于未知命題的信任度值，且未知命題的信任度值小于預(yù)先設(shè)定的閾值e n ;對于信任度值最大的確定性命題，其信任度值與次最大信任度值之差大于預(yù)先設(shè)定的閾值Si2，其中，Si2是無量綱量，取值為0和I之間的隨機數(shù)；若滿足，則診斷結(jié)果為信任度值最大的命題，否則不做判斷。具體過程如下設(shè)AiU = 1,2,3,…，q}，A2是檢定結(jié)論框架Q的兩個命題集合，基本概率指派值分別為.
全文摘要
本發(fā)明公開了一種用于多參數(shù)儀表檢定的數(shù)據(jù)融合方法，包括對多次測量的多組歷史數(shù)據(jù)，進行去噪處理，根據(jù)校準(zhǔn)規(guī)則提取每組歷史數(shù)據(jù)儀表校準(zhǔn)項的特征參數(shù)；根據(jù)得到的特征參數(shù)建立并訓(xùn)練人工蜂群數(shù)據(jù)融合模型；根據(jù)得到的人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值參數(shù)對人工蜂群神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進行歸一化處理，構(gòu)造證據(jù)的基本概率指派函數(shù)；根據(jù)證據(jù)組合結(jié)果，做出最終決策。本發(fā)明的方法能夠融合歷史測試數(shù)據(jù)來分析其內(nèi)部特征，更合理的對儀表進行檢定，通過建立人工蜂群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和構(gòu)造證據(jù)的基本概率指派函數(shù)，可以更智能化的判定儀表檢定結(jié)論，減少檢定數(shù)據(jù)處理過程中人為的干預(yù)和避免結(jié)論誤判。
文檔編號G06F19/00GK102609612SQ20111045776
公開日2012年7月25日 申請日期2011年12月31日 優(yōu)先權(quán)日2011年12月31日
發(fā)明者李迅波, 王振林, 秦光旭, 袁太文 申請人:電子科技大學(xué)