一种用于多参数仪表检定的数据融合方法

摘要

本发明公开了一种用于多参数仪表检定的数据融合方法，包括对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数据仪表校准项的特征参数；根据得到的特征参数建立并训练人工蜂群数据融合模型；根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；根据证据组合结果，做出最终决策。本发明的方法能够融合历史测试数据来分析其内部特征，更合理的对仪表进行检定，通过建立人工蜂群神经网络结构和构造证据的基本概率指派函数，可以更智能化的判定仪表检定结论，减少检定数据处理过程中人为的干预和避免结论误判。

说明书

技术领域

本发明属于的人工智能技术领域，具体涉及用于多参数仪表检定的数据融合方法。

背景技术

按照计量法的要求，计量器具必须定期检定。检定是指查明和确认计量器具是否符合 法定要求的程序，它包括检查、加标记和出具检定证书。检定必须按照被检定仪表的检定 规程操作，并在证书中记载被检定的各项参数的测试数据，然后根据它们对标准值的偏离 状态来评定此仪表的整体技术性能状况。检定一般需要在特定实验环境下，进行多次重复 实验后，综合分析测试数据得出检定结论。为了规避实验偶然干扰对结论判定的影响，一 般对这些测试结果采用统计方法来筛选数据，并按照检定规程中指定计算规则得出检定结 论。但上述这些方法没有更深层次的去考虑这些测试数据的内在特征和关系，导致结论判 定结果与实际情况有一定的偏离，容易得出误判结论。

发明内容

本发明的目的是为了解决现有的仪表检定方法存在的上述缺陷，提出了一种用于多参 数仪表检定的数据融合方法。

本发明的技术方案是：一种用于多参数仪表检定的数据融合方法，包括如下步骤：

步骤一、对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数 据仪表校准项的特征参数；

步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型，具体过程如 下：

(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构；

依据步骤一中提取的特征参数种类，确定人工蜂群神经网络的输入层神经元数p；根 据预先设定的检定结果的级别数q，确定人工蜂群神经网络输出层的神经元数为q；单隐含 层的神经元数n₀：

n₀＝2p+β；其中，β为无量纲的修正参数；

(2)优化人工蜂群神经网络结构的权值参数；具体步骤如下：

设标准网络模型中待优化的数目为N，利用Pareto最优概念，将优于某个体的个体适应 度值作为该个体的适应度值，一个观察蜂选择蜜源的概率取决于蜜源的概率值prob_i，具体采 用下式计算：

其中，fit_i是第i个个体的适应值，SN是采蜜蜂数量；

通过得到的蜜源的概率值prob_i，利用人工蜂群算法优化人工蜂群神经网络结构的权值参 数；

步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结 果进行归一化处理，构造证据的基本概率指派函数；

步骤四、根据证据组合结果，做出最终决策：若信任度值最大的命题满足预先设定的 阀值条件，则该命题为决策的目标，否则不做决策。

本发明的有益效果：本发明的方法能够融合历史测试数据来分析仪表的内部特征，更 合理的对仪表进行检定，通过多次测量的多组历史数据，进行去噪处理，提取每组历史数 据仪表校准项的特征参数，进而建立人工蜂群神经网络结构和构造证据的基本概率指派函 数，可以更智能化的判定仪表检定结论，减少检定数据处理过程中人为的干预和避免结论 误判。

说明书附图

图1是本发明方法的流程示意图。

图2是本发明实施例的优化人工蜂群神经网络结构的权值参数过程示意图。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步的阐述。

步骤一、对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数 据仪表校准项的特征参数；

这里去噪处理可以采用如下的方式进行处理：对历史数据进行小波分解；选取启发式 阀值法对分解后的信号进行去噪。

这里，可以选取db4小波对多次测量的多组历史数据进行小波分解。

确定小波分解的适当层数。层数越多，计算工作量也越大，误差也会增加。但是，尺 度越大越有利于从更深层次进行信号趋势分析，能使时间序列更加平稳，因此分解层数一 般采用3～5层。

这里，特征参数具体包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。

步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型，具体过程如 下：

(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构；

依据步骤一中提取的特征参数种类，确定人工蜂群神经网络的输入层神经元数p；根 据预先设定的检定结果的级别数q，确定人工蜂群神经网络输出层的神经元数为q；单隐含 层的神经元数n₀：

n₀＝2p+β；其中，β为无量纲的修正参数；β的范围具体为1～10。

这里的特征参数的种类为6，即有p＝6；检定结果的级别数一般分为：合格、不合格 或者其它，可以预先设定，例如预先设定的检定结果为合格和不合格两类时，则级别数q＝2。

(2)优化人工蜂群神经网络结构的权值参数，具体步骤如下：

设标准网络模型中待优化的数目为N，利用Pareto最优概念，将优于某个体的个体适应 度值作为该个体的适应度值，一个观察蜂选择蜜源的概率取决于蜜源的概率值prob_i，其计算 如下：

其中，fit_i是第i个个体的适应度值，SN是采蜜蜂数量；

对于fit_i的计算采用双倍排序和自适应密度法，对个体的适应度赋值，首先根据Pareto的支 配关系，对群体中的每一个个体排序，再根据周围的拥挤情况计算适应度密度值，最后综合 确定适应度值。其过程如下：

1)计算群体Q中每个个体i的排序R′(i)

R′(i)＝|(j|j∈Q，j f i}|

其中，符号″f″表示Pareto支配关系；

上式表示当前群体Q中支配个体i的个数。

2)个体i的排序R(i)：

$R\left(i\right)=R^{\prime }\left(i\right)+\underset{j\in Q,i<j}{\Sigma }{R}^{\prime }\left(j\right)\forall i\in Q$

上式表明个体i的排序数R(i)等于个体i的伪排序数与支配个体i的所有个体的伪排序数 之和。

3)根据采蜜蜂数量SN将目标空间划分成个网格，n_e表示每维目标空间的 网格数，设的整数部分为a，小数部分为r，则

$n_e=\left(\begin{array}{cc}a& r=0\\ a+1& r\ne 0\end{array}\right)$

将每个个体所在的网格区域的个体数作为给个体的密度值。

4)个体适应度值：

${\mathrm{fit}}_i=\frac{1}{\exp (R\left(i\right)*\rho \left(i\right))}$

式中，R(i)表示个体i的排序号，ρ(i)表示个体i的密度值。

通过得到的蜜源的概率值prob_i，利用人工蜂群算法优化人工蜂群神经网络结构的权值参 数。这里，利用概率值prob_i进行权值的优化可以避免训练陷入局部最优解，从而可以获得一 个全局最优解。

人工蜂群算法的具体过程如下：

为了从记忆中就得蜜源位置产生一个新的蜜源位置，人工蜂群算法采用如下表达式：

v_ij＝x_ij+φ_ij(x_ij-x_kj)，这里k∈{1，2，…，SN)，j∈{1，2，…，D}是随机选择的下标，且k≠i； φ是在[-1，1]之间的随机数，D表示优化参数的个数；它控制x_ij领域内新的蜜源的产生并代表 蜜蜂对两个可视范围内两个蜜源位置的比较，可以看出随着x_ij与x_kj之间的差距缩小，对位置 x_ij的扰动就越小，因此在解空间内随着最优解的逼近，步长将相应地减少。

在人工蜂群算法中，如果一个蜜源位置经过限定次数的循环后仍然不能被改进，那么该 蜜源处的采蜜蜂成为侦察蜂，该蜜源位置将被解空间内随机产生的一个位置所代替。设放弃 的蜜源位置是x_i，则侦察蜂发现新蜜源并替换x_i的操作如下：

$x_i^j=x_{\min }^j+\mathrm{rand}\left[\mathrm{0,1}\right](x_{\max }^j-x_{\min }^j),$式中，j∈{1，2，L，D}。

待所有蜜源找到后，用蜜蜂所选权值作为神经网络参数，计算训练样本的输出误差， 记录当前所选参数中的最优解；对所有集合中各元素的蜜源信息按下式进行调节：

其中，τ_j(I_pi)(t+m)表示集合I_pi中第j个元素在时 刻t+m的蜜源信息，参数ρ表示蜜源信息的重复率，0＜ρ＜1，表示本次循环中第k 只蜜蜂在集合I_pi的第j个元素P_j(I_pi)留下的蜜源信息，其计算方法为：

式中：Q是常数，表示蜜 蜂完成一次循环后所释放的蜜源信息总和；e^k是蜜蜂k选择的元素作为神经网络的权值时 各训练样本的最大输出误差，定义为其中，h是样本数目，O_n和O_q表示 神经网络的实际输出和期望输出，当误差越小，蜜源信息增加的就越多。

样本的训练误差若e^k小于预先设定的期望误差ζ，则存储人工蜂群神 经网络所选阈值和权值，若e^k大于等于预先设定的期望误差ζ，则令N_c＝N_c+1，t＝t+m， 对所有集合I_pi中各个元素的信息素按式做调节，重复上述 操作，继续优化网络结构的权值参数。

步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结 果进行归一化处理，构造证据的基本概率指派函数；

具体可以采取如下一种过程：

根据仪表检定结论的级别建立完备的检定结论框架q表示仪表检 定结论级别数，取自然数；设检定事件所属的簇共有m个参数，得证据集 {m_l(.)}，l＝1，2，3，…，m，设证据集第g个输出神经元的值为O_l(g)，g＝1，2，3，…，q，该人工蜂群 神经网络的识别准确率为λ₁；设测量参数偏离标准值的距离来评估个证据的权重，具体方 法：以距离最近的簇内成员节点作为基准，该证据的权重为1，其它源节点的权重w_l，w_l通 过自身距离与基准值间的比值来确定，具体的为：其中，1≤l≤m，δ＝min(d_l)， T为权重的影响因子，取自然数，d_l为节点l的测量参数至标准值之间的距离，则第l条证 据的基本概率指派函数{m_l(.)}为：

$\left(\begin{array}{c}{m}_l\left(A_g\right)=\sqrt[T]{\delta /d_l}\frac{{\lambda }_1{o}_{1\left(g\right)}}{\underset{g=1}{\overset{m}{\Sigma }}{o}_{1\left(g\right)}},A_g\ne \Omega ,\\ m_l\left(\Omega \right)=1-{\Sigma }_{\mathrm{Ag}⋐\Omega }{m}_l\left(A_g\right)\end{array}\right)$

其中，A_g表示证据的焦元，l＝1，2，3，…，m，g＝1，2，3，…，q；

在簇头节点处，采用下面的D-S证据合成公式进行证据合成：

其中，k_l，g表示证据间的冲突大小，A表示证据l和证据g组合后的焦元，B、C分别表 示证据l、g的焦元，且m_l、m_g分别表示证据l、g的 基本概率指派函数。

步骤四、根据证据组合结果，做出最终决策：若信任度值最大的命题满足预先设定的 阀值条件，则该命题为决策的目标，否则不做决策。

确定性命题的信任度值大于未知命题的信任度值，且未知命题的信任度值小于预先设定 的阈值ε_i1；对于信任度值最大的确定性命题，其信任度值与次信任度值之差大于预先设定 的阈值ε_i2，其中，ε_i1、ε_i2是无量纲量，取值为0和1之间的随机数；若满足，则诊断结果 为信任度值最大的命题，否则不做判断。

具体过程如下：

设A_i{i＝1，2，3，…，q}，A₂是检定结论框架Ω的两个命题集合，基本概率指派值分别为 $\left(\begin{array}{c}m\left(A_i\right)-m\left(A_2\right)>{ϵ}_{i1}\\ m\left(\Omega \right)<{ϵ}_{i2}\\ m\left(A_i\right)>m\left(\Omega \right)\end{array}\right),$$m\left(A_2\right)=\max \{m\left(A_q\right),A_q⋐\Omega ,A_q\ne A_i\},$A_q表示检定结论识别框架Ω中 任意一个命题，若满足：

$\left(\begin{array}{c}m\left(A_i\right)-m\left(A_2\right)>{ϵ}_{i1}\\ m\left(\Omega \right)<{ϵ}_{i2}\\ m\left(A_i\right)>m\left(\Omega \right)\end{array}\right),$则诊断的结果为A_i，否则不做决策。

这里的m(A_i)、m(Ω)与m_l(A_g)m_l(Ω)的计算公式相同，即有：

$\left(\begin{array}{c}m\left(A_i\right)=\sqrt[T]{\delta /d_l}\frac{{\lambda }_1{o}_{1\left(i\right)}}{\underset{i=1}{\overset{n}{\Sigma }}{o}_{1\left(i\right)}},A_i\ne \Omega ,\\ m\left(\Omega \right)=1-{\Sigma }_{A_i⋐\Omega }m\left(A_i\right)\end{array}\right)$

本发明的方法能够融合历史测试数据来分析其内部特征，更合理的对仪表进行检定， 通过多次测量的多组历史数据，进行去噪处理，提取每组历史数据仪表校准项的特征参数， 进而建立人工蜂群神经网络结构和构造证据的基本概率指派函数，可以更智能化的判定仪 表检定结论，减少检定数据处理过程中人为的干预和避免结论误判。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的 原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通 技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体 变形和组合，这些变形和组合仍然在本发明的保护范围内。