基于神經(jīng)網(wǎng)絡(luò)融合的傳感器溫度誤差補(bǔ)償

2.2RBF神經(jīng)網(wǎng)絡(luò)原理
RBF網(wǎng)絡(luò)是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)，它不像全局逼近神經(jīng)網(wǎng)絡(luò)那樣，對(duì)每個(gè)輸入輸出數(shù)據(jù)對(duì)、每一個(gè)權(quán)值均需要調(diào)整，而是調(diào)整對(duì)輸出有影響的少量幾個(gè)權(quán)值，從而使局部逼近網(wǎng)絡(luò)在逼近能力和學(xué)習(xí)速度方面有明顯的優(yōu)勢(shì)［5］。
該RBF網(wǎng)絡(luò)結(jié)構(gòu)為8－20－1形式。輸入層8個(gè)節(jié)點(diǎn)只是傳遞輸入信號(hào)到隱層，隱層20個(gè)單元通過(guò)徑向基函數(shù)實(shí)現(xiàn)變換后輸出到輸出層。輸出層節(jié)點(diǎn)只是簡(jiǎn)單的線性函數(shù)。最常用的徑向基函數(shù)是高斯核函數(shù)(Gaussian kernel function),如式(1)所示。

其中，uj是j個(gè)隱層節(jié)點(diǎn)的輸出，X＝（x1，x2，…，xn)T是輸入樣本，Tj是高斯函數(shù)的中心值，σj是標(biāo)準(zhǔn)化常數(shù)，即徑向基寬度，M是隱層節(jié)點(diǎn)數(shù)。節(jié)點(diǎn)的輸出范圍在0和1之間，且輸入樣本越靠近節(jié)點(diǎn)的中心，輸出值越大。
網(wǎng)絡(luò)的輸出yi為隱層節(jié)點(diǎn)輸出uj的線性組合，如式(2)所示。

2.3訓(xùn)練方法
由式(1)可知，該網(wǎng)絡(luò)要學(xué)習(xí)的參數(shù)有3類(lèi)：RBF的中心、寬度和連接權(quán)重。可以分別訓(xùn)練，也可同時(shí)進(jìn)行。在隱節(jié)點(diǎn)數(shù)確定的情況下，采用遺傳算法同時(shí)訓(xùn)練中心Tj、寬度σj以及隱層與輸出層的連接權(quán)重Wij。
遺傳算法是模擬生物進(jìn)化過(guò)程的計(jì)算模型。它對(duì)包含可能解的群體反復(fù)使用選擇、交叉和變異操作，不斷生成新的群體，使種群不斷進(jìn)化。當(dāng)輸入節(jié)點(diǎn)較多時(shí)，該算法比傳統(tǒng)BP算法的全局最優(yōu)性更佳，速度更快［6］。算法的適應(yīng)度函數(shù)見(jiàn)式(3)。

其中，N為樣本數(shù)量，M為隱層節(jié)點(diǎn)數(shù)，b為待定系數(shù)(一般取較大的值，以保證適應(yīng)度大于零)，d為期望的輸出，y為網(wǎng)絡(luò)的實(shí)際輸出。
擇概率S(j)見(jiàn)式(4)。其中，fj表示個(gè)體j的適應(yīng)度。S為群體規(guī)模。

文中采用單點(diǎn)交叉，將兩個(gè)基因串對(duì)應(yīng)交叉位的值相結(jié)合生成新的基因串。
重復(fù)選擇交叉和變異操作，直到網(wǎng)絡(luò)達(dá)到精度要求。