專利名稱：在線微波水分儀水分檢測的非線性性自動(dòng)校正方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種在線微波水分儀在水分檢測中檢測數(shù)據(jù)非線性性進(jìn)行實(shí)時(shí)在線的自動(dòng)校正方法，具體地說是一種解決復(fù)雜的數(shù)據(jù)非線性性自動(dòng)校正方法，校正在線微波水分儀檢測裝置在檢測數(shù)據(jù)過程實(shí)時(shí)產(chǎn)生的非線性性。
背景技術(shù)：
基于微波檢測技術(shù)的水分檢測裝置，因其無放射性核源，無污染，安全可靠性高。 廣泛應(yīng)用于煤炭，冶金，食品，糧食，化學(xué)制品等領(lǐng)域。因此有著廣泛的應(yīng)用前景。隨著水分檢測的環(huán)境、領(lǐng)域的不斷擴(kuò)展，對(duì)水分檢測提出了更高的要求，人們逐漸認(rèn)識(shí)到微波水分儀具有適應(yīng)不同應(yīng)用環(huán)境，不同應(yīng)用領(lǐng)域，檢測范圍廣，檢測水分精度高的特點(diǎn)。但是由于水分在各種物料中的含量以及物料的形狀等千差萬別，導(dǎo)致了水分檢測過程所獲得的水分值具有嚴(yán)重的非線性。對(duì)于在線的動(dòng)態(tài)水分檢測儀表，很多情況下實(shí)時(shí)性要求高，不允許離線校正。利用傳統(tǒng)的非線性性校正方法，如最小二乘法擬合函數(shù)法，逼近法等，需要建立相應(yīng)的數(shù)學(xué)模型。而且大多數(shù)的數(shù)學(xué)模型都是利用近似的方法得到的，在利用此模型為基礎(chǔ)進(jìn)行非線性性的校正，使得誤差進(jìn)一步增大，因而對(duì)非線性性校正的結(jié)果也存在著較大的誤差。對(duì)于需要對(duì)水分進(jìn)行高精度測量的場合，利用傳統(tǒng)的校正方法將有很大的限制。這無疑會(huì)導(dǎo)致測量精度的下降，使得精度要求較高的場合無法應(yīng)用。而本發(fā)明所述的高精確度的在線微波水分儀在水分檢測中檢測數(shù)據(jù)非線性性自動(dòng)校正的方法，不需要建立任何的數(shù)學(xué)模型，只需要根據(jù)檢測的數(shù)據(jù)樣本去估計(jì)其要求的決策，通過神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)性進(jìn)行自動(dòng)校正，同時(shí)利用遺傳算法的適應(yīng)性匹配進(jìn)一步提高精度，使輸出得到高精度的水分檢測結(jié)果。本發(fā)明所采用的方法與現(xiàn)存的傳統(tǒng)非線性性校正方法具有顯著的不同。通過將微波檢測裝置檢測的數(shù)據(jù)樣本，采用基于生物進(jìn)化原理的遺傳算法為核心的模糊神經(jīng)網(wǎng)絡(luò)， 在自適應(yīng)學(xué)習(xí)性下進(jìn)行實(shí)時(shí)自動(dòng)的非線性性校正和輸出，使得在線微波水分儀獲得準(zhǔn)確的水分檢測結(jié)果。本發(fā)明的優(yōu)點(diǎn)在于1、校正方法新穎，不需要建立任何數(shù)學(xué)模型；2、校正系統(tǒng)易于實(shí)現(xiàn)；3、自動(dòng)化，智能化程度高。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種新的非線性性自動(dòng)校正方法，應(yīng)用于高精確度的在線微波水分儀在水分檢測中進(jìn)行檢測數(shù)據(jù)非線性性自動(dòng)校正。以滿足對(duì)水分檢測精度高，水分檢測實(shí)時(shí)性高的應(yīng)用環(huán)境和領(lǐng)域。本發(fā)明的目的是這樣實(shí)現(xiàn)的根據(jù)當(dāng)前水分檢測中非線性性校正方法存在的缺陷，提出一種新穎的不需要建立任何數(shù)學(xué)模型的應(yīng)用于高精度在線微波水分儀在水分檢測中進(jìn)行檢測數(shù)據(jù)非線性性自動(dòng)校正的方法。

附圖1是本發(fā)明的校正系統(tǒng)示意圖。附圖2是本發(fā)明實(shí)例的模糊系統(tǒng)中模糊函數(shù)映照示意圖。附圖3是本發(fā)明實(shí)例的神經(jīng)網(wǎng)絡(luò)算法非模糊化的映射示意圖。
(五)具體實(shí)施方案本發(fā)明的具體實(shí)現(xiàn)過程大致有如下幾個(gè)步驟1、獲取在線微波水分儀檢測水分所得數(shù)據(jù)樣本，根據(jù)遺傳算法中基于自然選擇和基因遺傳的優(yōu)化搜索方法，將微波水分儀采集的數(shù)據(jù)樣本引入到待優(yōu)化參數(shù)的數(shù)據(jù)編碼群，按照一定的適配性，及相應(yīng)的一系列遺傳操作對(duì)數(shù)據(jù)樣本中的個(gè)體進(jìn)行篩分，優(yōu)化得到適配性高的個(gè)體，組成新的群體，新群體中的個(gè)體，不斷提高自身的適應(yīng)性，以滿足設(shè)定的極限條件，達(dá)到待優(yōu)化參數(shù)的最優(yōu)解群。2、將待優(yōu)化參數(shù)的最優(yōu)解群，在論域上，轉(zhuǎn)化成模糊系統(tǒng)所需的模糊量輸入到模糊非線性系統(tǒng)，用隸屬函數(shù)中的隸屬度來表示，在模糊規(guī)則和模糊推理的控制下，映照得到模糊函數(shù)。如附圖2。3、將此模糊函數(shù)作為校正函數(shù)，在神經(jīng)網(wǎng)絡(luò)算法的自適應(yīng)規(guī)則學(xué)習(xí)性控制下，自動(dòng)進(jìn)行非線性性校正和非模糊化處理，最終決策推理出準(zhǔn)確的檢測結(jié)果進(jìn)行輸出。如附圖 3。下面結(jié)合附圖舉例對(duì)本發(fā)明作更詳細(xì)的描述當(dāng)在線微波水分儀進(jìn)行物料水分檢測時(shí)，如附圖1中主控制箱獲得檢測信號(hào)，校正系統(tǒng)通過主控箱抽樣獲得數(shù)據(jù)樣本，根據(jù)遺傳算法的優(yōu)化搜索原理，將數(shù)據(jù)樣本引入到待優(yōu)化參數(shù)的數(shù)據(jù)編碼群，在該模塊進(jìn)行優(yōu)化搜索的適應(yīng)性篩分，獲得滿足極限條件的待優(yōu)化參數(shù)最優(yōu)解群。該模塊主要是利用遺傳算法獨(dú)具的自然選擇和基因遺傳原理，利用它能夠在復(fù)雜空間進(jìn)行全局優(yōu)化搜索，同時(shí)該算法還具有很強(qiáng)的魯棒性。例如，1、在線微波水分儀在采樣時(shí)間內(nèi)獲得數(shù)據(jù)樣本如下{6. 00,5. 89,5. 80,5. 95,5. 98,5. 96,5. 86,5. 78,5. 94,6. 05}2、采用遺傳算法中的浮點(diǎn)數(shù)編碼法，根據(jù)決策變量的個(gè)數(shù)物料介電常數(shù)，環(huán)境溫度，物料厚度，物料密度這四個(gè)因素的個(gè)數(shù)來決定浮點(diǎn)數(shù)編碼的長度，如前所述，決策變量個(gè)數(shù)為4個(gè)，故浮點(diǎn)數(shù)編碼法編碼長度為4，在決策變量的決微范圍內(nèi)(純凈物料介電常數(shù)<混合后的介電常數(shù)<水的介電常數(shù)，-10°C<環(huán)境溫度< 55°C，IOcm <物料厚度 < 100cm，水密度<物料密度)進(jìn)行適應(yīng)性篩分，得到滿足極限條件的高適配性的最優(yōu)化解群。采用物料介電常數(shù)，環(huán)境溫度，物料厚度，物料密度為決策變量，對(duì)以上樣本進(jìn)行適應(yīng)性篩分得到的最優(yōu)化解群為{5. 95，5. 98，5. 96，5. 94}。在遺傳算法優(yōu)化搜索獲得最優(yōu)解群后，根據(jù)論域上的模糊系統(tǒng)理論，對(duì)水分樣本進(jìn)行最優(yōu)解群的模糊化，獲得需要的模糊集合。如附圖2中的論域X，在該論域中劃分出Al，
A2，A3，A4，......Ai,......，這樣的模糊子集，都包含于論域X。根據(jù)被檢測物料影響因
數(shù)物料介電常數(shù)，環(huán)境溫度，物料厚度，物料密度。構(gòu)建相應(yīng)的模糊規(guī)則物料介電常數(shù) 1.4 6. 7 6. 8 15 16 30
環(huán)境溫度(°C ) -10 0 0 30 30 昍
物料厚度(cm) 10 20 20 60 60 100
物料密度(kg/m3) 1. 2 3. 5 3. 6 6. 5 6. 6 13根據(jù)以上決策變量和實(shí)際情況的應(yīng)用組合可以構(gòu)建9種模糊規(guī)則，本實(shí)例采用的模糊規(guī)則為{6. 8 15，0 30，20 60，3. 6 6. W。在該模糊規(guī)則要求下，建立目標(biāo)論域
Y，同樣的在該論域中進(jìn)行劃分，得到目標(biāo)模糊子集B1，B2，B3，B4，......，Bi，.......在模
糊關(guān)系和模糊規(guī)則的要求下，采用隸屬度來進(jìn)行表示，他所建立的是輸入模糊區(qū)域塊與目標(biāo)模糊區(qū)域塊之間的映照，如圖2所示的模糊映照關(guān)系，獲得非線性系統(tǒng)的模糊函數(shù)Y(Bi) =F(Ai)。在我們所實(shí)施實(shí)例中的最優(yōu)化解群{5. 95，5. 98，5. 96，5. 94}，利用模糊化的論域思想，獲得的需要的模糊集合為優(yōu)化解群的多個(gè)范圍模糊集合Al = {5. 94 5. 98}，
A2 = {5. 94 5. 96}，A3 = {5. 94 5. 95}，A4 = {5. 95 5. 98}......Ai= {5. 96
5.98}，......在模糊規(guī)則的要求下，進(jìn)行隸屬度的映照。獲得非線性系統(tǒng)的模糊函數(shù)。即
由隸屬度最高的映照構(gòu)成。所實(shí)施的實(shí)例獲得的目標(biāo)模糊集合的論域集合為Bi = {5. 95 5. 96}。在該論域集合下，建立相應(yīng)的模糊函數(shù)F = P(Bi)。在獲得該模糊函數(shù)后將該模糊函數(shù)作為校正非線性性的函數(shù)，送到前饋神經(jīng)網(wǎng)絡(luò)算法模塊，該模塊由輸入節(jié)點(diǎn)、隱層節(jié)點(diǎn)和輸出節(jié)點(diǎn)組成。其中，隱層可以是一層，也可以是多層。對(duì)于輸入信號(hào)，要向前傳播到隱層節(jié)點(diǎn)，經(jīng)作用函數(shù)變換后，再把隱節(jié)點(diǎn)的輸入信號(hào)傳播到輸出層節(jié)點(diǎn)。利用前饋神經(jīng)網(wǎng)絡(luò)算法的自適應(yīng)學(xué)習(xí)性，進(jìn)行水分檢測的非線性性的自動(dòng)校正，同時(shí)將自動(dòng)校正的準(zhǔn)確結(jié)果進(jìn)行非模糊化處理如附圖3。輸入的集合域?yàn)閄，
其中包含的元素xl，x2,x3,x4,......,xi,......，在神經(jīng)網(wǎng)絡(luò)的輸入層，由自動(dòng)校正后的
模糊目標(biāo)論域中的檢測結(jié)果轉(zhuǎn)化得到。在神經(jīng)網(wǎng)絡(luò)算法中的自適應(yīng)學(xué)習(xí)性，通過輸入層，隱層，輸出層之間的訓(xùn)練學(xué)習(xí)，將獲得檢測結(jié)果，轉(zhuǎn)化成點(diǎn)對(duì)點(diǎn)的映射關(guān)系得到輸入層和輸出層之間關(guān)系yi = f(xi)，同時(shí)完成非模糊化處理，最終獲得準(zhǔn)確的檢測結(jié)果。在輸出的集合
域?yàn)閅，其中包含的元素yl，y2，y3，y4，......,yi,......，即是通過自適應(yīng)學(xué)習(xí)性，和非模
糊化處理，獲得的準(zhǔn)確檢測結(jié)果，再通過主控制箱的顯示屏進(jìn)行數(shù)字化顯示。正是利用了輸入和輸出之間的一一映射關(guān)系實(shí)現(xiàn)了非模糊化處理，使得檢測結(jié)果的輸出是確定量，而且準(zhǔn)確。所以這樣一個(gè)系統(tǒng)的非線性性自動(dòng)校正方法能夠使微波水分儀針對(duì)各種不同的物料進(jìn)行水分檢測時(shí)，根據(jù)實(shí)際的情況進(jìn)行高精度的水分檢測。對(duì)于如上所實(shí)施的實(shí)例，進(jìn)行非模糊化處理，即利用前饋神經(jīng)網(wǎng)絡(luò)算法的自學(xué)習(xí)性在輸入層和輸出層之間實(shí)現(xiàn)一一映射。最后將數(shù)據(jù)傳送回主控箱，最終在顯示屏上所得的數(shù)字化顯示結(jié)果為5. 96。如有檢測相關(guān)的非線性性校正，根據(jù)實(shí)際情況，按如上步驟進(jìn)行即可實(shí)施獲得該設(shè)備的非線性性校正，提高儀器設(shè)備的檢測精度，實(shí)現(xiàn)儀器設(shè)備的在線實(shí)時(shí)自動(dòng)校正。
權(quán)利要求
1. 一種高精確度的在線微波水分儀在水分檢測中對(duì)檢測數(shù)據(jù)進(jìn)行非線性性自動(dòng)校正的方法。其特征在于該方法實(shí)現(xiàn)了在線微波水分儀檢測時(shí)的水分?jǐn)?shù)據(jù)非線性性實(shí)時(shí)在線的高精確度自動(dòng)校正；首先根據(jù)在線微波水分儀采集的水分?jǐn)?shù)據(jù)樣本，利用遺傳算法中的浮點(diǎn)數(shù)編碼法，根據(jù)被檢測物料介電常數(shù)，環(huán)境溫度，物料厚度，物料密度的決策變量進(jìn)行最優(yōu)化篩分，獲得最優(yōu)化解群；接著根據(jù)論域模糊系統(tǒng)理論，建立模糊控制系統(tǒng)，獲得以上決策變量的模糊函數(shù)F = P (Bi)，并以此函數(shù)作為校正函數(shù)，在前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)自適應(yīng)， 自學(xué)習(xí)性下，利用被檢測物料的決策變量檢測物料介電常數(shù)、環(huán)境溫度、物料厚度、物料密度，對(duì)該微波水分儀檢測的水分進(jìn)行實(shí)時(shí)在線的高精確度自動(dòng)校正；同時(shí)利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性，進(jìn)行非模糊化處理，獲得最終的水分儀檢測值，并傳送到主控箱顯示窗口進(jìn)行數(shù)字化顯示。
全文摘要
本發(fā)明提供的是一種高精確度的在線微波水分儀對(duì)水分檢測數(shù)據(jù)進(jìn)行非線性性自動(dòng)校正的方法。它采用遺傳算法與智能模糊神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方式。首先將微波水分儀采集的水分?jǐn)?shù)據(jù)樣本在遺傳算法上進(jìn)行適應(yīng)性最優(yōu)化；其次，將檢測的水分最優(yōu)化解建立相應(yīng)的模糊系統(tǒng)，映照得到模糊函數(shù)F＝P(Bi)作為非線性性校正函數(shù)；然后利用神經(jīng)網(wǎng)絡(luò)算法的自學(xué)習(xí)性進(jìn)行水分檢測數(shù)據(jù)非線性性的自動(dòng)校正和非模糊化的處理，獲得被測物料水分的結(jié)果。本發(fā)明的優(yōu)點(diǎn)在于充分利用遺傳算法對(duì)水分采集樣本進(jìn)行宏觀性搜索；模糊神經(jīng)網(wǎng)絡(luò)算法適應(yīng)性，快速性，自學(xué)習(xí)性和有效性等。該方法將遺傳算法、智能模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合起來發(fā)揮各自的優(yōu)勢，避免了局部極小的局限性。
文檔編號(hào)G01N22/04GK102590232SQ20111002011
公開日2012年7月18日 申請(qǐng)日期2011年1月18日 優(yōu)先權(quán)日2011年1月18日
發(fā)明者信美華, 吳強(qiáng), 尹毅強(qiáng), 崔祜林, 王有衛(wèi), 白純, 譚想, 趙輝 申請(qǐng)人:丹東東方測控技術(shù)有限公司