基于GA-BP神經(jīng)網(wǎng)絡(luò)的溫度傳感器校準(zhǔn)系統(tǒng)①

王同珍， 黃明煒， 黃宏安， 林進潯， 陳國棟

(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108；2.福建數(shù)博訊信息科技有限公司，福建 福州 350002)

0 引 言

藥物的最終質(zhì)量和效果與生產(chǎn)環(huán)境的溫度有著密不可分的關(guān)系，生產(chǎn)及保存過程中的溫度波動都有可能造成藥物的失效，后果嚴(yán)重。因此制藥廠對于溫度傳感器的準(zhǔn)確性要求較高。但是現(xiàn)有的高精度溫度傳感器價格過于高昂，故對于部分場景，以較低成本實現(xiàn)較高精度的溫度傳感器校準(zhǔn)有很大的研究價值與應(yīng)用意義。然而，很大一部分溫度傳感器由于設(shè)計水平、制造工藝以及生產(chǎn)成本的制約存在一定的誤差，此外，在實際使用過程中由于設(shè)備老化、環(huán)境多變等因素的影響，也會產(chǎn)生一定的誤差[1]。因此，通過后續(xù)加入校準(zhǔn)模塊來減小乃至消除部分誤差就顯得尤為重要。制藥廠一般要求溫度在18℃～26℃范圍內(nèi)保持恒定，故將溫度傳感器校準(zhǔn)范圍具體至10℃～30℃。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[2]由輸入層、隱藏層、輸出層組成。數(shù)據(jù)通過輸入層輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)線性變換處理，再由激活層進一步到隱藏層輸出。BP算法利用梯度搜索技術(shù)使神經(jīng)網(wǎng)絡(luò)的實際輸出值與期望輸出值的均方誤差最小[3]。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)有兩個過程：信號的前向傳播和誤差的反向傳播。在前向傳播中，前向神經(jīng)網(wǎng)絡(luò)作為非線性函數(shù)映射裝置。輸入數(shù)據(jù)經(jīng)隱含層作用于輸出節(jié)點，通過非線性映射函數(shù)映射到高維特征空間，預(yù)測輸出結(jié)果。當(dāng)前向傳播后的輸出數(shù)據(jù)與期望的輸出數(shù)據(jù)不匹配時，就變?yōu)檎`差反向傳播過程。在誤差反向傳播過程中，各單元對誤差進行分配，并將誤差在隱含層中逐層傳遞到輸入層。反向傳播的目的是修改權(quán)值以獲得最優(yōu)集。

2 遺傳算法

BP神經(jīng)網(wǎng)絡(luò)通過梯度下降法訓(xùn)練網(wǎng)絡(luò)，而其初始參數(shù)隨機生成，若選擇不當(dāng)，會造成局部最優(yōu)和收斂速度慢等問題。故采用遺傳算法[4]對其進行優(yōu)化。遺傳算法模擬了自然選擇和遺傳機制，是一種高效的并行全局搜索優(yōu)化方法[5]。其基本流程可概括如下：

1)實數(shù)編碼：隨機生成一些權(quán)值和閾值，進而對其編碼生成染色體。

2)初始化種群：由染色體組成一定規(guī)模的種群，并同時開始進化。

3)適應(yīng)度計算：首先對染色體進行解碼，然后進行網(wǎng)絡(luò)訓(xùn)練。采用適應(yīng)度函數(shù)對每個個體進行評價。高適應(yīng)度個體參與遺傳操作，低適應(yīng)度個體被淘汰。

4)雜交與變異：經(jīng)遺傳操作(選擇、交叉、變異)的個體集合形成新一代種群，重復(fù)執(zhí)行此過程直到滿足終止條件。

5)最優(yōu)種群：通過遺傳算法將后代中的最優(yōu)個體放入最優(yōu)種群中。

3 MLTLAB訓(xùn)練

3.1 數(shù)據(jù)獲取

控制溫濕箱溫度以1℃為增量，在10℃～30℃范圍內(nèi)整數(shù)遞增，同時測得對應(yīng)溫度傳感器示數(shù)，重復(fù)實驗5次，共記錄5組100對數(shù)據(jù)集。其中前三組數(shù)據(jù)作為訓(xùn)練集，第四組數(shù)據(jù)作為驗證集，第五組數(shù)據(jù)作為測試集。由于溫度傳感器DS18B20的最小分辨率為0.0625℃，且在-10℃～85℃范圍內(nèi)精度為±0.5℃，故將所有示數(shù)作保留小數(shù)點后一位處理。對數(shù)據(jù)做標(biāo)準(zhǔn)化處理，將其縮放至[-1,1]范圍后送入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

3.2 利用傳統(tǒng)方式訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

系統(tǒng)首先隨機生成網(wǎng)絡(luò)初始參數(shù)，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)依次計算隱含層及輸出層的輸出，然后計算輸出與標(biāo)簽之間的誤差，采用LM算法對BP神經(jīng)網(wǎng)絡(luò)進行反向訓(xùn)練，更新BP神經(jīng)網(wǎng)絡(luò)中的權(quán)重及偏置。重復(fù)上述步驟，直到達到理想精度或預(yù)設(shè)訓(xùn)練次數(shù)。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練25輪后達到最優(yōu)性能。

圖1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

3.3 利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)不再簡單的隨機生成初始參數(shù)，而是對種群進行多次迭代初始化，淘汰較差的參數(shù)，最終產(chǎn)生合適的網(wǎng)絡(luò)初始參數(shù)[6-7]。

首先定義一組神經(jīng)網(wǎng)絡(luò)的參數(shù)為一個個體，共50組初始參數(shù)(50個個體)為一個種群。對BP神經(jīng)網(wǎng)絡(luò)的權(quán)重及偏置參數(shù)進行編碼。然后根據(jù)式(1)計算判斷個體的適應(yīng)性。式中：yi表示BP神經(jīng)網(wǎng)絡(luò)第i個輸出，oi表示第i個訓(xùn)練標(biāo)簽。

(1)

然后進行遺傳操作，即通過選擇、交叉、變異方式進行運算。為了選擇出更好的個體，產(chǎn)生更好的基因，采用輪盤賭選擇法，根據(jù)式(2)、(3)計算適應(yīng)度值的倒數(shù)及每個個體被選擇的概率。個體適應(yīng)性越好，F(xiàn)越小，f越大，p越大，因此適應(yīng)性更好的個體更易被選中，模擬優(yōu)勝劣汰的過程。選中的個體組成新的種群，再根據(jù)式(4)隨機交換不同個體的相應(yīng)基因，接著根據(jù)式(5)(6)進行基因變異，產(chǎn)生新的個體。重復(fù)上述操作100次，得到最優(yōu)個體，將其作為初始參數(shù)來訓(xùn)練。之后過程與傳統(tǒng)方式一致。式中：b、r1、r2為0-1之間的隨機數(shù)，g是當(dāng)前迭代次數(shù)，Gmax是最大迭代次數(shù)。

fi=k/Fi

(2)

(3)

(4)

(5)

f(g)=r2(1-g/Gmax)2

(6)

如圖2所示，遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)只需訓(xùn)練13輪即可達到最優(yōu)性能。

圖2 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

將測試集數(shù)據(jù)分別輸入傳統(tǒng)方式訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)及利用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進行校準(zhǔn)，如圖3所示，經(jīng)過遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)校準(zhǔn)能力得到了進一步提升。

圖3 GA-BP神經(jīng)網(wǎng)絡(luò)校準(zhǔn)前后誤差

4 基于STM32的硬件校準(zhǔn)系統(tǒng)

利用MATLAB訓(xùn)練好校準(zhǔn)網(wǎng)絡(luò)后，將其搭載至硬件系統(tǒng)?？紤]到成本、性能、開發(fā)速度、等因素，選用以Cortex-M3為內(nèi)核的STM32F103系列MCU開發(fā)溫度傳感器校準(zhǔn)系統(tǒng)[8]。完整校準(zhǔn)系統(tǒng)架構(gòu)圖如圖4所示：溫度傳感器DS18B20將讀取到的未校準(zhǔn)溫度值通過通信模塊傳輸至控制模塊，控制模塊先對數(shù)據(jù)進行標(biāo)準(zhǔn)化后再通過校準(zhǔn)模塊校準(zhǔn)，得到的校準(zhǔn)值送回控制模塊進行反標(biāo)準(zhǔn)化，最后在LCD上顯示校準(zhǔn)前后的溫度值。硬件系統(tǒng)完成后采用測試集數(shù)據(jù)進行測試，如圖5所示，其校準(zhǔn)精度與Matlab測試結(jié)果一致。

圖4 溫度傳感器校準(zhǔn)系統(tǒng)架構(gòu)圖

圖5 溫度傳感器校準(zhǔn)系統(tǒng)測試圖

5 結(jié) 語

如表1所示，利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練的校準(zhǔn)網(wǎng)絡(luò)訓(xùn)練收斂輪數(shù)為25，最大誤差從校準(zhǔn)前的0.5℃提升到了0.24℃，均方誤差從0.0875降到了0.0174。當(dāng)利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)進行優(yōu)化后，收斂輪數(shù)從25降為13；最大誤差從0.24℃降為0.21℃，精度提升了12.5%；均方誤差從0.0174降到了0.0111。由此可知，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)可極大的加快訓(xùn)練收斂速度，并提升校準(zhǔn)結(jié)果精度。

表1 遺傳算法優(yōu)化前后對比