產(chǎn)品分類
技術文章
基于HLO－LSSVM算法的金屬轉子流量計非線性校正
發(fā)布日期：2017-05-31 來源： 作者： 瀏覽次數(shù)：
【導讀】：本文簡介了最小二乘支持向量機和人類學習優(yōu)化算法，接著闡述了 HLO－LSSVM 算法進行非線性校正的實現(xiàn)過程，分別采用分段線性擬合、最小二乘法和 HLO－LSSVM 算法對金屬轉子流量計非線性校正問題進行了對比。......
摘要：針對金屬轉子流量計非線性校正中常用的分段線性擬合和非常小二乘法不足，以及非常小二乘支持向量機參數(shù)難確定問題，提出了一種基于人類學習優(yōu)化 － 非常小二乘支持向量機算法（ HLO－LSSVM ）的儀表非線性校正方法。 首先簡介了非常小二乘支持向量機和人類學習優(yōu)化算法，接著闡述了 HLO－LSSVM 算法進行非線性校正的實現(xiàn)過程，分別采用分段線性擬合、非常小二乘法和 HLO－LSSVM 算法對金屬轉子流量計非線性校正問題進行了對比。 結果表明， HLO－LSSVM 算法具有更優(yōu)的校正效果，實現(xiàn)簡單，具有良好的應用前景。
金屬轉子流量計引是以浮子在垂直錐形管中隨著流量變化而升降，改變它們之間的流通面積來進行測量的體積流量儀表。 磁阻式金屬管金屬轉子流量計由磁阻傳感器、外部感應磁鋼、內嵌磁鋼的浮子和金屬管道組成。 流量計輸出的流量值與浮子位移 h 成正比。 由于磁阻式金屬轉子流量計在測量過程中受到溫度、 磁場的影響，其輸出浮子位移 h 與磁阻傳感器輸入 v 的關系為非線性�？朔䝼鞲衅鞣蔷�性的傳統(tǒng)方法包括了硬件補償法 ［ 1 ］ 、非常小二乘法 ［ 2 ］和分段線性擬合法 ［ 3 ］ 。 這些傳統(tǒng)方法復雜、需要樣本多，精度低，且當更換新的流量計，必須再次進行復雜的計算，可操作性差。
本文提出了一種 HLO－LSSVM 算法的非線性校正方法，利用人類學習優(yōu)化算法（ HLO ）對非常小二乘支持向量機（ LSSVM ）的參數(shù)進行優(yōu)化方法，用于解決金屬轉子流量計的非線性校正問題。
1 基于 LSSVM 的流量計非線性校正
磁阻式金屬轉子流量計的磁阻材料的阻值會隨外部磁場變化而變化。復雜的工作現(xiàn)場可能會存在較強的外部磁場干擾。同時磁阻材料阻值也會隨環(huán)境溫度的變化而變化， 所以流量計輸出浮子位移 h 與磁阻傳感器輸入 v 的特性總是存在一定的非線性。從理論上較難推出浮子位移與流量計輸出的函數(shù)關系。 金屬轉子流量計輸出浮子位移 h 與磁阻傳感器輸出 v 可以由式（ 1 ）表示：
式中： h 為流量計的輸出量； v 為流量計的輸入量； a 0 為輸入為 0 時的輸出量； a n ， a n－1 ，…， a 1 為非線性項系數(shù)。 由于流量計非線性非常高次數(shù)無法得知， 所以要想從多組測量值計算出較為精準的表達式是非常困難的。 然而 LSSVM 可以用來逼近這種非線性關系， 即將金屬轉子流量計的輸出及非目標參量的輸出作為LSSVM 校正模型的輸入。 校正過程如圖 1 所示。
設訓練樣本集有 N 個點 邀 （ x i ， y i ） ｜ i＝1 ， 2 ，…， n妖 ，其中輸入x∈R n ，輸出 y∈R n ，則 LSSVM 回歸模型是：
其中， w 為權重向量， φ （ x ）是從輸入空間非線性映射到高維特征空間。 LSSVM 優(yōu)化目標是：
為了求解該優(yōu)化問題，需建立拉格朗日函數(shù)，將約束優(yōu)化問題轉化為無約束優(yōu)化問題：
其中，拉格朗日乘子 α n ∈R （ 1 ， 2 ，…， n ）。 通過 L 對 w ， b ， e n和 α n 求偏導等于 0 得：
其中， y＝ ［ y 1 ，…， y n ］， 1＝ ［ 1 ，…， 1 ］， α＝ ［ α 1 ，… α n ］， Ω 是一個方陣， Ω mn ＝φ （ x m ） T φ （ x n ） ＝K （ X m ， X n ）， m ， n＝1 ，… ， N 。 K 是滿足Mercer 條件的核函數(shù)。 非常小二乘支持向量機包括線性核函數(shù)、多項式核函數(shù)和徑向基核函數(shù)（ Radial Basic Function, RBF ）。
本文采用的核函數(shù)是徑向基函數(shù)：
徑向基函數(shù)的核寬度參數(shù) δ 2 體現(xiàn)了訓練樣本數(shù)據(jù)集的分布特性，能夠確定局部鄰域的寬度。 較大的 δ 2 意味著較低的方差。 非常小二乘支持向量機表達式的正則化參數(shù) γ 用來調節(jié)LSSVM 置信范圍和經(jīng)驗風險的比例， 取折中以使泛化能力非常好。 這兩個參數(shù)的變化對非常小二乘支持向量機的校正結果有很大的影響，對這兩個參數(shù)的選取決定了線性擬合的好壞。 因此，尋找非常優(yōu)參數(shù)將是提高 LSSVM 性能的關鍵。
2 基于 HLO－LSSVM 的流量計非線性校正
人類學習優(yōu)化算法 （ Human Learning Optimization Al-gorithm ， HLO ）是由 Wang 等人 于 2014 年提出的一種模擬人類學習機制啟發(fā)式算法，利用群體智能搜索較好的解。 該算法收斂速度快，設置參數(shù)少、算法簡單易實現(xiàn)等優(yōu)點，已在多個應用問題上表現(xiàn)出優(yōu)勢 。
本文采用人類學習優(yōu)化算法優(yōu)化選取 LSSVM 參數(shù)及其核函數(shù)參數(shù)。 人類學習優(yōu)化算法模擬人類的學習過程，人類學習過程可以看作是一個迭代的優(yōu)化過程：人們通過不斷地學習，掌握和提高技能，就像優(yōu)化算法迭代地尋找非常優(yōu)解。 人類學習優(yōu)化算法采用的是二進制編碼，每一位比特代表人類學習優(yōu)化算法中解決問題知識的一個組成成分 ［ 7 ］ 。該算法通過隨機學習、個人學習和社會學習操作算子來求解優(yōu)化問題 ［ 7 ］ 。 其迭代公式如式（ 9 ）。
3 浮子流量計非線性校正實例
本文通過實驗測得 16 組浮子位移 h i 與磁阻傳感器輸出 v si的實測值。 其中 9 組用來進行非線性校正訓練，如表 1 的 h i 所示。 剩下的 7 組用來進行驗證對比，如表 2 的 h i 所示。
3．1 HLO＿LSSVM 校正結果
在 Matlab 2014a 軟件中，本文分別采用 HLO－LSSVM 算法、 分段線 性 擬 合 算 法 （ Piecewise LinearFitting ， PLF ） 和非常小二乘法擬合算法（ Least Square Method ， LSM ） 擬對表 1 中數(shù)據(jù)進行了非線性校正。HLO－LSSVM 算法的參數(shù)設置如下所示。 種群規(guī)模為 10 ，迭代次數(shù)為 30 ，隨機學習概率 Pr＝0．2 ，個體學習 概 率 Pi ＝0．93 ， 正 則 參 數(shù) γ ＝467．859 ，徑向基函數(shù)參數(shù) δ 2 ＝1．312 。算法優(yōu)化和非線性校正結果與分段線性擬合和非常小二乘法對比結果如表 2 所示。 其中， h i 表示浮子實測高度 ， h 1i 表示HLO－LSSVM 測量的浮子高度， h 2i 表示分段線性擬合測量的浮子高度，h 3i 表示非常小二乘法擬合測量的浮子高度。
3．2 結果對比
為了更好地分析出實驗結果，本論文采用和方差（ SSE ）和均方差（ MSE ）評價擬合效果。
HLO－LSSVM 算法的方差和均方差均小于分段線性擬合和非常小二乘法擬合的和方差和均方差，說明人類學習優(yōu)化算法非常小二乘支持向量機具有更好的擬合效果。
注明，淮安三暢儀表文章均為原創(chuàng)，轉載請注明本文地址http://www.yinping.top/
上一篇文章：采用磁平衡結構的金屬管浮子流量計的精度分析
下一篇文章：超聲波流量計的特點、安裝及常見故障分析
相關的產(chǎn)品
與“ "相關的內容
- 商務部：推進對鼓勵外商投資項目的進口設備2023-11-18
- 蒸汽換熱站裝置儀表選型方法2023-10-19
- 在食品加工過程中泵送顆粒是否存在問題2022-03-30
- 確保精細化工行業(yè)的安全性和可持續(xù)性2022-03-30
- 超聲波流量計在天然氣計量中的應用探析2022-03-30
- 如何測量罐中兩種液體之間的界面2022-03-25