小波神經網絡在動態(tài)地磅稱量數據處理中的應用

通過分析稱重信號的數據波形圖，發(fā)現數據當中摻雜著大量噪聲信號，這在很大的程度上影響稱重結果。通常使用的濾波方法能在一定范圍內消除噪聲信號，但是在路面不平、車輛振動的情況下，稱量結果不穩(wěn)定。針對這種情況提出了小波神經網絡算法對稱重數據信號進行去除噪聲處理。實驗仿真得出，利用小波神經網絡算法對稱重信號進行處理后，相對于傳統的去噪濾波方法，能得到更理想的數據波形，使得稱重結果與實際值的誤差在 ± 2% 內。

0.引言

在當今的現代工業(yè)化時代，自動化稱重設備已經應用到各個領域，而動態(tài)地磅也正是因為其高精度、高效性等特點廣泛應用于高速公路超限檢測和計重收費系統。然而，由于車輛振動和路面不平等因素使得稱重傳感器的信號輸出摻雜了復雜的干擾因素。使得動態(tài)地磅的精度無法保障。因此，去除信號里的噪聲信號、提高噪聲比成為了提高精度的一種可行方法。

文獻提出了參數回歸方法去噪，但需對其參數進行嚴格的檢驗推斷且步驟較多，不適于實時檢測。文獻提出了神經網絡自適應濾波動態(tài)稱重系統，通過神經網絡提高了自適應能力及運算時效性，但其模型復雜、精度沒有具體范圍。

針對動態(tài)檢測過程中對運算速度和準確率的要求，提出了小波神經網絡對稱重信號進行去噪處理的方法。該方法能夠自適應選取小波去噪分解層數和小波去噪的閾值。

1.小波神經網絡

1． 1 小波神經網絡簡介

小波閾值神經網絡，該神經網絡集成了小波閾值去噪，可以在信號去噪、前向預測、帶噪聲的系統辨識中取得較好的效果，而且利用閾值的自學習功能使得噪聲的類型不局限于高斯白噪聲。利用新的連續(xù)可導的閾值函數使得網絡訓練成為可能，并對網絡的結構進行了簡化，有利于計算機實現。

該方法中采用非線性 db6 小波基及其尺度函數作為激勵函數，形成神經元，結合雙方的優(yōu)點，建立了融合型小波神經網絡 ，如圖 1 所示。

( 1) 輸入層只含有一個處理單元，S( i) 是摻雜了干擾噪聲的信號。

( 2) 輸出層也只含一個處理單元，其作用是利用閾值量化后的小波分解系數進行信號重構，輸出為

圖1 中的最后隱層對小波分解系數進行閾值量化，從而抑制S( t) 信號中噪聲信號。每一尺度的小波分解系數 dj，k ( j = 1，2……L，k =1，2……K) 對應一個閾值 θj ，輸出的小波系數為d'j，k( j =1，2……L，k = 1，2……K) 。

（3) 第一層隱層包括兩種單元: ①尺度函數 Ф ( x) 單元L，k ，其中尺度 L 是根據實際情況確定的，而位移 K 則對應小波分析的系數柵格中 j = K 的各 k 值，構成對函數的最粗逼近; ② 小波函數 ψ( x) 單元 ψj，k ，其中尺度 j = 1，2，…，L ，而位移 k 類似尺度函數單元中的 K 值，構成對函數的細節(jié)逼近。

( 4) 輸入層至第一隱層的各權系數為 1，第一隱層至最后隱層的權系數為小波分解系數，是根據 Mallet 算法通過迭代計算并使其能量函數最小來確定 。

1． 2 消噪算法

設 S( n) 是神經網絡的期望輸出，S'( n) 是神經網絡的實際輸出，則網絡訓練誤差和:

式中: N 為采樣信號長度。

網絡的訓練分兩部分進行，首先對小波分解的層數進行訓練 。

小波神經網絡消噪算法:

( 1) 選擇適當的正交歸一化小波函數，本文選擇的是 db6小波函數。

( 2) 對輸入的每一維構造一個多分辨率系數柵格。最高分辨率( j = 0) 時柵格間隔等于輸入各維的采樣間隔; 最低分辨率 ( j = L) 時則只有 2 個數據點。

( 3)  針對稱重信號的特點，采用 ＲIGＲSUＲE 閾值量化規(guī)則對閾值進行處理。

( 4)  當 j = L 時，用輸入數據訓練 Ф 單元。

( 5) 如果由式( 2) 計算出的誤差不滿足要求，則再加入合適的 ψ 單元，直到誤差滿足要求為止。

( 6)  刪去 d'j，k 值很小的 ψ 單元，然后再回到步驟( 5) ，用新

數據重新檢驗小波神經網絡。

當小波神經網絡穩(wěn)定時，小波分解的層數也就被網絡記住了，下一步給定更嚴格的誤差對閾值進行訓練。通過梯度下降法，調整閾值 θ，使得網絡訓練的誤差和最小，調整幅度為:

對于動態(tài)地磅，實際采集的稱重信號摻雜了未知的干擾信號，如圖 3 中的輸入信號。利用上述提出方法的閾值自學習功能使得噪聲的類型不局限于高斯白噪聲。

針對輪軸過秤數據的仿真結果如圖 3 所示。經過小波閾值神經網絡去噪處理后的波形趨于穩(wěn)定，接近理想信號的波形，保證了計算過程的正確性，也保證了計算結果的準確性。

2． 2 實驗結果

將該方法運用到實際當中，在山西某超限檢測站進行試驗觀察，運煤車有出廠的靜態(tài)衡數據，所以通過觀察這一類車的稱重數據進行對比得到的數據如表 1 所示。數據結果表明，該方法能夠保證稱重結果的最大誤差為－ 1. 79% ，誤差范圍在 ± 2% 內。

3.結論

本文將小波神經網絡的去噪方法運用于動態(tài)地磅的信號處理當中，能夠去除含有噪聲信號當中的噪聲干擾信號，能夠保證稱重數據在 ± 2% 精度范圍內，并滿足國家《GB / T 21296—2007 動態(tài)公路車輛自動衡器》規(guī)定的準確度等級為 2的要求 。