基于神經(jīng)網(wǎng)絡融合的傳感器溫度誤差補償

2.2RBF神經(jīng)網(wǎng)絡原理
RBF網(wǎng)絡是一種典型的局部逼近神經(jīng)網(wǎng)絡，它不像全局逼近神經(jīng)網(wǎng)絡那樣，對每個輸入輸出數(shù)據(jù)對、每一個權值均需要調(diào)整，而是調(diào)整對輸出有影響的少量幾個權值，從而使局部逼近網(wǎng)絡在逼近能力和學習速度方面有明顯的優(yōu)勢［5］。
該RBF網(wǎng)絡結構為8－20－1形式。輸入層8個節(jié)點只是傳遞輸入信號到隱層，隱層20個單元通過徑向基函數(shù)實現(xiàn)變換后輸出到輸出層。輸出層節(jié)點只是簡單的線性函數(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個隱層節(jié)點的輸出，X＝（x1，x2，…，xn)T是輸入樣本，Tj是高斯函數(shù)的中心值，σj是標準化常數(shù)，即徑向基寬度，M是隱層節(jié)點數(shù)。節(jié)點的輸出范圍在0和1之間，且輸入樣本越靠近節(jié)點的中心，輸出值越大。
網(wǎng)絡的輸出yi為隱層節(jié)點輸出uj的線性組合，如式(2)所示。

2.3訓練方法
由式(1)可知，該網(wǎng)絡要學習的參數(shù)有3類：RBF的中心、寬度和連接權重。可以分別訓練，也可同時進行。在隱節(jié)點數(shù)確定的情況下，采用遺傳算法同時訓練中心Tj、寬度σj以及隱層與輸出層的連接權重Wij。
遺傳算法是模擬生物進化過程的計算模型。它對包含可能解的群體反復使用選擇、交叉和變異操作，不斷生成新的群體，使種群不斷進化。當輸入節(jié)點較多時，該算法比傳統(tǒng)BP算法的全局最優(yōu)性更佳，速度更快［6］。算法的適應度函數(shù)見式(3)。

其中，N為樣本數(shù)量，M為隱層節(jié)點數(shù)，b為待定系數(shù)(一般取較大的值，以保證適應度大于零)，d為期望的輸出，y為網(wǎng)絡的實際輸出。
擇概率S(j)見式(4)。其中，fj表示個體j的適應度。S為群體規(guī)模。

文中采用單點交叉，將兩個基因串對應交叉位的值相結合生成新的基因串。
重復選擇交叉和變異操作，直到網(wǎng)絡達到精度要求。