RBF神经网络在动物动态称重中的研究_郭晨霞.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期：2022-03-08稿件编号：202203070基金项目：山西省重点研发计划（201903D121118）；山西省回国留学人员科研资助项目（2020-111）作者简介：郭晨霞（1979），女，山西太原人，博士，副教授。研究方向：测控技术和视觉测量。目前，动态称重数据处理算法有平均值算法、极大似然估计法、滤波法、EMD算法、神经网络法等1，但是针对动物动态称重的研究比较少。机器视觉技术应用于无接触测量动物体重是热门研究方向，但是目前只能估测且成本较高2、难以适应规模化养殖的需求。孙建英研制的智能称重系统满足规模化需求，称重平均相对误差只有 1.2%，但是样本小且未对算法进行深入研究3。在动态称重前对羊只进行一周的适应性训练，能有效降低平均相对误差4。在称重算法研究领域，Ma W利用改进的限幅滤波算法和BP神经网络降低肉鸡动态称重的误差5。唐思豪RBF神经网络在动物动态称重中的研究郭晨霞1，2，李 达1，2，杨瑞峰1，2（1.中北大学 仪器与电子学院，山西 太原 030051；2.山西省自动化检测装备与系统工程技术研究中心，山西太原 030051）摘要：针对动物动态称重数据样本不平稳，真实信号淹没在噪声中导致动物体重难以快速准确测量的问题，通过将 RBF神经网络引入到动态称重数据的处理中，结合经验模态分解（EMD）算法处理动态称重数据的对比试验，得出RBF神经网络能有效降低干扰信号影响的结论。EMD算法处理数据的平均相对误差为 9.51%，RBF算法处理数据的平均相对误差为 5.86%。实验结果表明，RBF算法处理动态称重数据的平均相对误差比EMD算法高了近一倍，证实了RBF算法应用于动物动态称重数据比EMD算法更有效。关键词：RBF神经网络；EMD；动态称重；平均相对误差中图分类号：TN0文献标识码：A文章编号：1674-6236（2023）15-0075-04DOI：10.14022/j.issn1674-6236.2023.15.016Research on RBF neural network in dynamic weighing of animalsGUO Chenxia1，2，LI Da1，2，YANG Ruifeng1，2（1.School of Instrument and Electronics，North University of China，Taiyuan 030051，China；2.AutomaticTest Equipment and System Engineering Research Center of Shanxi Province，Taiyuan 030051，China）Abstract:Aiming at the problem that the samples of animal dynamic weighing data are not stable，andthe real signal is submerged in noise，which makes it difficult to measure animal weight quickly andaccurately，the RBF neural network is introduced into the processing of dynamic weighing data，combined with the empirical mode decomposition algorithm(EMD)The comparative experiment ofprocessing dynamic weighing data，it is concluded that RBF neural network can effectively reduce theinfluence of interference signal.The average relative error of EMD algorithm processing data is 9.51%.The average relative error of the data processed by the RBF algorithm is 5.86%.The experimental resultsshow that the average relative error of the RBF algorithm for processing dynamic weighing data is nearlydouble that of the EMD algorithm，which confirms that the RBF algorithm is more effective than the EMDalgorithm when applied to animal dynamic weighing data.Keywords:RBF neural network；EMD；dynamic weighing；average relative error-75电子设计工程 2023年第15期利用 ADAM 改进的 BP 神经网络对动态检重秤的砝码称重数据进行处理，能够准确估计动态称量结果6。魏赫通过粒子群优化 RBF神经网络算法对车辆动态称重数据处理后提升了动态称重的精度7。针对动态称重数据样本不平稳、真实信号淹没在噪声中导致难以快速准确测量的问题，使用收敛速度快的 RBF 神经网络对数据进行处理。通过与EMD算法进行对比，验证 RBF神经网络在动物动态称重中的优越性。1RBF神经网络模型利用RBF神经网络模型处理动态称重数据本质是预测问题。将径向基函数（RBF）引入神经网络设计中，形成了RBF神经网络。RBF神经网络是一种由输入层、隐含层和输出层构成的三层前向型网络8-9。输入层用于为网络传输预处理后的称重数据。隐含层完成对输入信号的非线性映射。输出层完成对各隐含层神经元输出的加权求和10。高斯函数是 RBF 神经网络中常用的径向基函数，因此径向基神经网络的激活函数可表示为：h(xp-ci)=e-122xp-ci2（1）RBF神经网络的输出为：yi=i=1hwije-122|xp-ci|2（2）式中，j=1,2,n；|xp-ci|为欧氏范数；xp为第 p个输入样本；ci为网络隐含层结点的中心；为高斯函数的方差；wij为隐含层到输入层的连接权值；h为隐含层节点数；yi为与输入样本对应网络的第j个输出节点的实际输出11。RBF 神经网络学习算法分为三步，第一步是求取基函数的中心，第二步是求解方差，第三步是求取隐含层和输出层之间的权值。常采用 K-均值聚类方法确定隐含层的中心12，径向基函数为高斯函数时，方差i的求解公式为：i=cmax2h（3）式中，i=1,2,h。cmax是所选取中心之间的最大距离。隐含层和输出层之间的权值可以通过最小二乘法直接计算得到，计算公式为：w=e-hc2maxxp-ci2（4）K-均值聚类算法流程图如图1所示。图1K-均值聚类算法流程图2EMD动态称重模型EMD 是由美籍华人 Noden E.Huang等在上个世纪九十年代提出的一种新的信号分析方法13，近年来被用于动态称重数据的处理，EMD分解的信号包含真实的物理信号。一些学者认为动态体重测量值是静态体重和噪声叠加而成，静态体重可看作 EMD分解的残余量，干扰信号可看作本征函数，所以通过EMD 逐步分解，最终可以得到残余量，也就是真实的体重值。EMD分解的过程为：1）确定单个真值对应所有测量值的局部极大值和极小值点，用三次样条插值曲线将所有局部极大值点和局部极小值点连接起来，形成单次测量信号的上包洛线yup(t)、下包络线ylow(t)14。2）按照式（5）获取上、下包络线的均值曲线：m1(t)=12yup(t)+ylow(t)（5）3）x(t)减去平均值m1(t)后得到一个去掉低频成分的新序列h1(t)：h1(t)=x(t)-m1(t)（6）如果h1(t)满足 IMF 条件，则就得到x(t)的首个IMF分量h1(t)。4）如果h1(t)不符合 IMF 的条件，则将h1(t)作为初始数据，再次执行步骤（1）、（2），得到上下包络线的均值m11(t)，再判断式（7）是否符合IMF条件：h11(t)=h1(t)-m11(t)（7）如果不符合，则重复循环k次，得到：h1k(t)=h1()k-1(t)-m1k(t)（8）-76当h1k(t)满足IMF条件时，将h1k(t)赋值给c1(t)，这就是信号x(t)的第一阶IMF分量。5）将c1(t)从信号中去除，得到一个新的信号：Res1(t)=x(t)-c1(t)（9）将Res1(t)作为新的原始数据重复上述步骤，得到第二阶 IMF 分量，然后再重复上述步骤直到无法从剩余信号中提取满足条件的 IMF 分量，剩余的信号记作Resn(t)，n为重复的次数。IMF分解终止条件决定了 IMF分量是否是真实的信号分量，对于动态称重数据的 EMD 分解来说，IMF分解终止条件决定了分解得到的残余量是否是真实的体重数据。EMD 程序中主要使用的两个标准为 SD 阈值分量终止条件和 Rilling 改进的 IMF 筛分准则，这里采用 SD阈值分量终止条件，因为SD取0.20.3时，能保证IMF分量的线性和稳定性，同时具备相应的物理意义，这样得到的残余量就是一个稳定的有物理意义的量。3动态称重实例分析3.1实验平台文中使用的称重设备主要由装有四个称重传感器的秤台、高精度数据采集卡、控制台组成。其中控制台负责控制称重流程、读取和保存称重数据。图2所示为动态称重的简要过程。图2动态称重简要过程3.2实验数据的获取和预处理三个不同体重的工作人员携带不同的砝码通过实验室搭建的称重平台获得 2 967组实验数据。实验数据包括称量物体的静态体重和四组传感器测量值。得到测量值以后，通过静态标定公式将四个传感器测量值转换为动态体重测量值，然后剔除三组存在极大误差的数据，将处理后的动态体重测量值和静态体重保存在 Excel表中。实验用到的静态标定公式如下：y=210-7x2+0.003 5x-76.041（10）x=x1+x2+x3+x4（11）其中，x1、x2、x3、x4分别为四个传感器的输出信号，x为传感器输出信号的和，y为动态体重。3.3实验过程及结果分析3.3.1EMD算法处理将 2 964组实验数据中相同真值的数据提取出来，一共有 96 组有共同目标体重的数据，对每组数据通过 EMD算法进行处理，由于每组数据两端的数据不一定是极值点，这样在数据两端无法画出准确的上下包络线，无疑为实验结果带来了误差而且误差层层累积15，为此采用镜像延拓法16对每组数据进行预处理后，再通过 EMD 算法对每组数据进行分解，并取 SD=0.2，得到的Resn(t)即为想要的体重信号，对Resn(t)求平均即可得到理想的体重测量值。实验结果如图3和图4所示。图3EMD测试数据图4EMD测试数据相对误差求得 95 组数据的平均相对误差为 9.523%，由图 4可知，样本数据中间和右端部分误差较小。3.3.2RBF算法处理尽管 EMD算法对部分数据有较好的处理效果，但是其整体误差仍然较大，尝试利用径向基神经网络对数据进行处理。首先对实验数据进行随机排序，然后选择前2 864 组数据进行训练，剩下的 100 组数据进行测郭晨霞，等RBF神经网络在动物动态称重中的研究-77电子设计工程 2023年第15期试。利用 Matlab 中的 newrb()函数对数据进行仿真实验，均方误差设置为0.01、径向基函数的扩展速度设置为 1。RBF神经网络训练过程中隐含层神经元个数增加到 50 时，均方误差即不再改变，此时均方误差为0.047 87。训练结果如图5、图6所示。图5RBF神经网络测试数据误差图6RBF神经网络测试数据相对误差由图 6 可看出，RBF 算法对某些数据处理的误差接近 0%，对动态称重数据进行 10次随机排序，并利用RBF神经网络进行处理得到测试数据的平均相对误差为 5.866%，将其视作 RBF神经网络算法的平均相对误差。表1为EMD算法和RBF神经网络对动态称重数据处理的对比，可以看出，RBF 神经网络是比 EMD算法更有效的动态称重处理模型。表1EMD算法和RBF神经网络的比较算法EMDRBF平均相对误差0.095 130.058 66最大相对误差32.050 9523.818 814结束语针对动物动态称重精度较低的问题，文中提出一种适用于动物动态称重的 RBF模型，实验结果表明，相比于 EMD 模型，提出的 RBF 拟合模型具有更高的精度，同时由于动物动态称重的复杂性，利用RBF神经网络可以不对称重模型进行复杂的分析就可得到较为准确的数据，由此可以看出，RBF神经网络在动物动态称重领域有实际的应用价值。参考文献：1 孙九天.基于物联网的载重汽车载荷实时监测系统设计与研究D.杭州:浙江科技学院,2022.2 姚州,谭焓,田芳,等.计算机视觉技术在智慧羊场中的研究进展J.中国饲料,2021(7):7-12.3 孙建英,宣传忠,于文波,等.规模化养殖场的羊只智能称重分栏系统设计J.中国农业大学学报,2020,25(9):64-71.4 罗土玉,豆姣,高彦玉,等.规模舍饲羊场中自动称重分栏设备的设计与试验J.南方农机,2021,52(9):8-11,21.5 Ma W,Li Q,Li J,et al.A method for weighing broilerchickens using improved amplitude-limiting filt-ering algorithm and BP neural networksJ.Inform-ation Processing in Agriculture,2020:1-9.6 唐思豪,滕召胜,孙彪,等.ADAM改进BP神经网络与动态称重应用J.电子测量与仪器学报,2021,35(4):127-135.7 魏赫,陈新.基于改进的RBF神经网络车辆动态称重研究J.兵器装备工程学报,2021,42(9):219-224.8 Lan Y,Xue L B,Liao X.Short-term power load for-ecasting based on RBF neural networkJ.Internat-ional Core Journal of Engineering,2021,7(5):51-59.9 Hao S,Zhang M,Hou A.Short-term traffic flow for-ecast based on DE-RBF fussion modelJ.Journalof Physics Conference Series,2021,1910(1):143-150.10冉雨.自适应突发通信系统的决策技术研究D.绵阳：电子科技大学,2020.11刘斌,吴伟,卫涵典,等.基于改进PSO-RBF神经网络的抽油机故障诊断J.机电工程技术,2021,50(1):166-169.12柘龙炫,李少波,张星星,等.基于RBF神经网络的六自由度机械臂轨迹优化J.组合机床与自动化加工技术,2021(6):17-20.13Ashok R J,Singampalli RS,Maniku-mar R.App-lication of EMD based statistical parameters for the（下转第83页）-783结束语该文基于大规模无线传感网络设计了一套拉线动态监测系统。该系统实现后，能在每个数据接收器上对监控点进行数据显示，其数显界面直观明了，报警值设置操作简单便捷。因此，该系统可以有效实现电力工程施工安全的可控、能控及在控，进而提高了安全性与作业效率。参考文献：1 丁建顺,张炜,周胜,等.数字化跨间隔电能计量系统的现场多维测试技术J.电力科学与技术学报,2021,36(3):180-187.2 刘千宽,刘宏君,丁晓兵,等.服务于变电站数字化设计的二次设备建模技术研究J.电力系统保护与控制,2021,49(2):166-172.3 金晓华.基于MES的开关柜数字化生产系统设计J.工业控制计算机,2021,34(12):4-5,7.4 姜晓丹,刘连臣,吴澄,等.新一代信息技术环境下现代服务业的数字化和智能化演进J.计算机集成制造系统,2021,27(11):3049-3056.5 王晓光,杨培蓓.航运物流企业数字化转型设计与效果分析J.计算机工程与应用,2021,57(21):241-247.6 陈静,孔德仁,郭彬,等.基于绝对式准静态校准的测力传感器分析J.仪表技术与传感器,2019(5):1-4.7 芦晨博.基于互联网服务器的海量ZigBee节点管理系统J.计算机系统应用,2019,28(6):76-81.8 吴琛,苏明昕,谢云云,等.基于BP神经网络的输电线路雷击故障预测J.电力工程技术,2020,39(5):133-139.9 管胜,阮方鸣,周奎,等.BP 神经网络预测电极速度影响放电参数分析J.电子科技,2019,32(6):43-48.10张法,陈月营,王志,等.基于BP神经网络的静止变频器故障诊断方法J.自动化与仪表,2020,35(10):67-72.11杨兴雄,孙士云,黄柯昊.基于BP神经网络模型的风电场送出变故障识别J.电力科学与工程,2021,37(11):23-31.12张繁斌,范英乐,刘宝童,等.基于BP神经网络的电网故障定位J.电力大数据,2021,24(11):9-15.13鄢丽娟,张彦虎.基于数值驱动的低能耗WSN信息传输机制的研究J.微型电脑应用,2021,37(8):39-42.14郝平.基于智能寻径机制的WSN传输路径稳定算法J.国外电子测量技术,2021,40(5):37-41.15郭蕊,芦天亮,杜彦辉.WSN中基于目标决策的源位置隐私保护方案J.计算机科学,2021,48(5):334-340.16丁华.基于蚁群优化的WSN网络数据融合算法J.沈阳工业大学学报,2020,42(2):208-212.表8所提算法的模型指标样本序号1234平均值TPR（%）97.899.299.599.799.05FPR（%）5.52.61.10.62.45（上接第78页）prediction of fault severity in a spur gear throughvibrationsignalsJ.AdvancesinMaterialsandProcessing Technologies,2021(4):1-19.14Ali K M,Hassan M,Vahid K B.A stacked ensemblelearning method for traffic speed forecasting usingempirical mode decompositionJ.Journal of theChinese Institute of Engineers,2022,45(3):282-291.15Kaushik D,Sambhu N P.Field-programmable gatearray-based design for real-time computation ofensemble empirical mode decompositionJ.Intern-ational Journal of Circuit Theory and Applications,2021,49(8):1-17.16Sachin S,Vineet,K.Control loop oscillation dete-ction and quantification using PRONY method ofIIR filter design and deep neural networkJ.Journal of Intelligent&Fuzzy Systems,2022,42(2):1141-1154.郑 晓，等基于WSN与异常数据识别的拉线动态监测方法研究-83