基于BP神经网络对时间测量误差进行补偿的方法和装置

基于bp神经网络对时间测量误差进行补偿的方法和装置
技术领域
1.本发明涉及人工智能领域，具体而言，涉及一种基于bp神经网络对时间测量误差进行补偿的方法和装置。


背景技术：

2.时间测量技术广泛应用于脉冲激光测距、流量测量等领域，在军事应用、科学技术、生产建设方面都起着重要作用。
3.常用的时间测量方法有模拟法、数字法和数字插入法等。其中数字法和数字插入法的关键都是通过计量时钟信号脉冲个数来实现时间测量。无论是对于数字法还是数字插入法而言，时钟信号周期误差是影响时间测量精度的关键。
4.消除时钟信号周期误差对时间测量结果影响的方法是对计时芯片的时钟信号周期进行校正，传统的时钟周期校准往往只将测量过程中最后一个时钟周期的误差作为校准参数，无法对整个测量过程中的误差进行补偿。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种基于bp神经网络对时间测量误差进行补偿的方法和装置，以至少解决由于只将测量过程中最后一个时钟周期的误差作为校准参数造成的无法对整个测量过程中的误差进行补偿的技术问题。
7.根据本发明实施例的一个方面，提供了一种基于bp神经网络对时间测量误差进行补偿的方法，包括：比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；利用所述bp神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
8.根据本发明实施例的另一方面，还提供了一种基于bp神经网络对时间测量误差进行补偿的装置，包括：误差计算模块，被配置为比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；补偿模块，被配置为利用所述bp神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
9.根据本发明实施例的另一方面，还提供了一种存储介质，其上存储有程序，在所述程序被执行时，使得计算机执行上述基于bp神经网络对时间测量误差进行补偿的方法。
10.在本发明实施例中，测量计时芯片在不同时间下的时钟周期误差，构造误差曲线并将曲线离散化结果存入控制器内，在时间测量过程中作为基准对测量结果进行误差补
偿，从而实现更高精度的时间测量，进而解决了由于只将测量过程中最后一个时钟周期的误差作为校准参数造成的无法对整个测量过程中的误差进行补偿的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种基于bp神经网络对时间测量误差进行补偿的方法的流程图一；图2是根据本发明实施例的一种基于bp神经网络对时间测量误差进行补偿的方法的流程图二；图3是根据本发明实施例的拟合误差曲线的方法的流程图；图4是根据本发明实施例的一种基于bp神经网络对时间测量误差进行补偿的方法的流程图三；图5是根据本发明实施例的一种基于bp神经网络对时间测量误差进行补偿的装置的结构示意图；图6是根据本发明实施例的bp神经网络的结构示意图；图7是根据本发明实施例的计算机设备的结构示意图。
具体实施方式
12.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
13.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
14.实施例1根据本发明实施例，提供了一种基于bp神经网络对时间测量误差进行补偿的方法，如图1所示，该方法包括：步骤s102，比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；在一个示例性实施例中，首先调整信号发生器产生的计时信号频率，将计时开始
与计时结束的时间间隔调整为所述标准数据的时长，其中，为所述计时芯片的时钟信号周期理论值，为所述标准数据的时钟信号个数；使用所述计时芯片测量计时开始与计时结束之间的时间间隔。时钟信号周期误差是将所述标准数据的时长除以所述计时芯片的所述时间间隔而得到的。
15.步骤s104，利用所述bp神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
16.在一个示例性实施例中，基于所述隐含层的上一层输入层相应的输出值、所述隐含层与所述上一层输入层之间相应的权值，所述隐含层的阈值以及激活函数，计算所述bp神经网络隐含层的实际输出；基于所述输出层的上一层隐含层相应的输出值、所述输出层与所述上一层隐含层之间相应的权值，所述输出层的阈值，计算所述bp神经网络输出层的实际输出；基于所计算出的输出层的实际输出计算出所述bp神经网络的误差；基于所述误差，来修正所述输出层与所述上一层隐含层相应的权值和所述输出层的阈值以及所述隐含层与所述上一层输入层相应的权值和所述隐含层的阈值；基于最终修正后的权值和阈值，来反向更新所述bp神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。其中，所述输出层与隐含层之间相应的权值、隐含层与输入层之间相应的权值，所述输出层与隐含层的阈值皆为0和1之间的随机数。
17.实施例2根据本发明实施例，提供了另一种基于bp神经网络对时间测量误差进行补偿的方法，如图2所示，该方法包括：步骤s202，对比原始数据与标准数据。
18.首先测量计时芯片在不同时间下的时钟周期长度，作为计算计时芯片时钟信号周期误差的依据，测量方法如下：设计时芯片时钟信号周期理论值为，时钟信号个数为。测量过程分为如下几步：（1）测量前首先调整信号发生器产生的计时信号频率，将计时开始与结束信号间的时间间隔调整为；（2）使用计时芯片测量计时开始与结束信号间的时间间隔；步骤s204，计算各时段时钟信号周期误差。
19.测量得出计时芯片在不同时间下的时钟周期长度之后，将不同时间下时钟周期长度测量值与理想值对比，计算得出各时段时钟信号周期误差，作为拟合计时芯片的时钟信号周期误差曲线的依据。
20.具体计算方法如下：设计时，芯片时钟周期误差为，则个时钟信号周期内的时钟信号周期误差可以表示为。通过选取不同的时钟信号个数进行误差测量，得出不同时间下计时芯片的时钟信号周期误差。
21.步骤s206，拟合误差曲线。
22.根据计算得出的离散的不同时间下计时芯片的时钟信号周期误差数据，拟合出连续的计时芯片的时钟信号周期误差曲线，作为补偿时间测量数据的依据。
23.本发明实施例主要用于脉冲激光测距中对计时芯片时钟信号周期误差的补偿，通过计算计时芯片不同时间间隔下时钟信号周期误差拟合计时芯片的时钟信号周期误差曲线，以对测量结果进行补偿，具有原理与方法简单，易于实现，可以在不增加成本的情况下提升时间测量精度等优点，能够为高精度时间测量技术领域提供一种高效可行的技术方法，有利于高精度激光测距技术的应用与发展。
24.实施例3本发明实施例提供了一种拟合误差曲线的方法。
25.利用bp神经网络的方法，对离散的误差数据进行拟合。设不同时间下计时芯片的时钟信号周期误差数据为对应的时间间隔为。下面将替换成作为神经网络的输入，将替换成作为神经网络的期望输出。
26.图3是根据本发明实施例的拟合误差曲线的方法的流程图，如图3所示，该方法包括：步骤s301，设置bp神经网络结构。
27.设置神经元的隐含层数为1。输入层神经元个数为，隐含层神经元个数为,输出层神经元个数为，最大训练次数为1000、期望最大误差为、学习率为。
28.步骤s302，设置权值和阈值。
29.输入层到隐含层的权值为，隐含层到输出层的权值为，隐含层的阈值为，输出层的阈值为，设置各权值和阈值为0和1之间的随机数。
30.步骤s303，提供训练样本。
31.输入为实验数据,期望输出为,对每个输入样本进行下面步骤s304到步骤s306的迭代。
32.步骤s304，计算网络隐含层的输出和输出层的输出。
33.基于所述隐含层的上一层输入层的相应的输出值、所述隐含层与所述上一层输入层的相应的权值、所述隐含层的阈值以及激活函数，计算所述bp神经网络的隐含层的实际输出；基于所述输出层的上一层隐含层的相应的输出值、所述输出层与所述上一层隐含层的相应的权值、所述输出层的阈值，计算所述bp神经网络输出层的实际输出。
34.具体的计算方法如下：具体的计算方法如下：(隐含层)(输出层)其中，，，，为输入层神经元个数，为隐含层神经元个数,为输出层神经元个数，为输入层到隐含层的权值，为隐含层到输出层
的权值，为隐含层的阈值，为输出层的阈值，为激活函数，取sigmoid函数，形式为。为所述隐含层的实际输出，为所述输出层的实际输出，为bp神经网络的输入。
35.如果当前该层网络是输出层，则该值就是网络最后的输出值。
36.步骤s305，计算误差。
37.其中为期望输出，我们记，则可以表示为 步骤s306，修正权值和阈值。
38.隐含层到输出层的权值更新：输入层到隐含层的权值更新：隐含层到输出层的阈值更新：输入层到隐含层的阈值更新：其中，为输入层到隐含层的权值，为更新后的权值，为隐含层到输出层的权值，为更新后的权值，为隐含层的阈值，为更新后的阈值，为输出层的阈值，为更新后的阈值，为学习率，为所述隐含层的实际输出，为所述输出层的实际输出，为bp神经网络的输入，，为输出层神经元个数。
39.步骤s307，判断指标是否满足精度要求。
40.利用修正后的权值和阈值计算网络输出层的输出，然后基于计算出的计算指标。
41.判断指标是否满足精度要求。当，即，满足精度要求，执行步骤s308进行拟合，否则跳转回步骤s304。
42.步骤s308，进行拟合。
43.预测训练集的期望输出，然后将期望输出与实验数据的误差降到最低，使得：。从而确定各个层的权值和阈值，即使用预测值与实际值的差异来反向更新网络的参数,从而确定函数模型，最终得到误差曲线。
44.其中，为误差，为期望输出，值为输出层的输出值，为期望最大误差。
45.实施例4本发明实施例涉及高精度时间间隔测量技术，提供了一种基于bp神经网络对时间测量误差进行补偿的方法，可应用于脉冲激光测距等领域。
46.图4是根据本发明实施例的基于bp神经网络对时间测量误差进行补偿的又一方法的流程图，该方法适用于脉冲激光测距中对计时芯片时钟信号周期误差的补偿。本发明实施例针对的是当前时间测量技术中对计时芯片时钟脉冲信号误差造成的时间测量结果补偿的不足，而提出的一种基于bp神经网络时间测量误差补偿的方法。如图4所示，该方法包括以下步骤：步骤s402，获取原始数据与标准数据，并对比原始数据与标准数据。
47.标准数据为确定倍数的计时芯片理论时钟周期，设计时芯片时钟信号周期理论值为，时钟信号个数为，则标准数据设为。
48.原始数据为计时芯片在不同时间下的时钟周期长度，设为。
49.测量过程分为如下几步：（1）测量前首先调整信号发生器产生的计时信号频率，将计时开始与结束信号间的时间间隔调整为；（2）使用计时芯片测量计时开始与结束信号间的时间间隔。
50.步骤s404，计算各时段时钟信号周期误差。
51.所述时钟信号周期误差为原始数据与标准数据对比计算的结果。设计时芯片时钟周期误差为，则个时钟信号周期内的时钟信号周期误差可以表示为：其中，代表测量误差，代表时间间隔理想值，代表时间间隔测量值。
52.其中，其中，步骤s406，利用bp神经网络拟合误差曲线。
53.误差曲线为利用神经网络方法根据离散的不同时间下计时芯片的时钟信号周期误差数据，拟合出连续的计时芯片的时钟信号周期误差曲线，作为补偿时间测量数据的依据。
54.下面将替换成作为神经网络的输入，将替换成作为神经网络的期望输出。
55.输入层到隐含层的权值为，隐含层到输出层的权值为，隐含层的阈值为，输出层的阈值为，设置各权值和阈值为0和1之间的随机数。
56.计算网络隐含层的输出和输出层的输出方法如下：
(隐含层)(输出层)其中，xi表示神经网络的输入，e表示欧拉数。
57.接着针对输出层计算出误差：其中，m表示输出层神经元个数，为期望输出，值为输出层的输出值。
58.之后，修正权值和阈值：隐含层到输出层的权值更新：输入层到隐含层的权值更新：隐含层到输出层的阈值更新：输入层到隐含层的阈值更新：最后，使从而确定各个层的权值和阈值，即用预测值与实际值的差异来反向更新网络的参数，最终得到误差曲线。
59.本实施例中，测量计时芯片在不同时间下的时钟周期误差，构造误差曲线并将曲线离散化结果存入控制器内，在时间测量过程中作为基准对测量结果进行误差补偿，从而实现更高精度的时间测量。
60.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
61.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储
介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
62.实施例5根据本发明实施例，还提供了一种用于实施上述基于bp神经网络对时间测量误差进行补偿的方法的装置，如图5所示，该装置包括：误差计算模块52，被配置为比较计时芯片的原始数据和标准数据，并基于所述原始数据和所述标准数据的比较结果计算在所述不同时间的时钟信号周期误差，其中，所述原始数据为所述计时芯片在不同时间的实际时钟周期，标准数据为确定倍数的所述计时芯片的理论时钟周期；补偿模块54，被配置为利用所述bp神经网络，基于离散的所述不同时间的时钟信号周期误差，拟合出连续的所述计时芯片的时钟信号周期误差曲线，来补偿所述计时芯片的时间测量误差。
63.在一个示例性实施例中，该装置还包括预配置模块，调整信号发生器产生的计时信号频率，将计时开始与计时结束的时间间隔调整为所述标准数据的时长，其中，为所述计时芯片的时钟信号周期理论值，为所述标准数据的时钟信号个数；并使用所述计时芯片测量计时开始与计时结束之间的时间间隔。
64.在一个示例性实施例中，误差计算模块52还被配置为所述时钟信号周期误差是将所述标准数据的时长除以所述计时芯片的所述时间间隔得到时钟信号周期误差。
65.在一个示例性实施例中，补偿模块54是利用bp神经网络来进行误差补偿的。bp神经网络的结构图如图6所示，表示输入到输入层的输入值，表示从输出层输出的输出值，为输入层到隐含层的权值，为隐含层到输出层的权值。
66.例如，补偿模块54还被配置为基于bp神经网络中的所述隐含层的上一层输入层相应的输出值、所述隐含层与所述上一层输入层之间相应的权值，所述隐含层的阈值以及激活函数，计算所述bp神经网络隐含层的实际输出；基于所述输出层的上一层隐含层相应的输出值、所述输出层与所述上一层隐含层之间相应的权值，所述输出层的阈值，计算所述bp神经网络输出层的实际输出；基于所计算出的输出层的实际输出计算出所述bp神经网络的误差；基于所述误差，来修正所述输出层与所述上一层隐含层相应的权值和所述输出层的阈值以及所述隐含层与所述上一层输入层相应的权值和所述隐含层的阈值；基于最终修正后的权值和阈值，来反向更新所述bp神经网络的参数，以拟合出连续的所述计时芯片的时钟信号周期误差曲线。其中，所述输出层与隐含层之间相应的权值、隐含层与输入层之间相应的权值，所述输出层与隐含层的阈值皆为0和1之间的随机数。
67.例如，针对输出层，基于所计算出的实际输出和预期输出来计算所述误差。基于计算出的误差来修正各层之间的权值和各层阈值。之后，基于修正后的权值和阈值，计算误差指标；将所述期望输出与所述误差指标降到最低，以重新确定所述bp申请网络的权值和阈值，从而反向更新所述bp神经网络的参数。
68.实施例6本公开的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以实施上述实施例1至4中所描述的方法。
69.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
70.可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行上述实施例1至4中的方法。
71.实施例7下面参考图7，其示出了适于用来实现本公开实施方式的计算机设备800的结构示意图。图7示出的计算机设备仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
72.如图7所示，计算机设备800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有设备800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
73.以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
74.根据本公开的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的
任意合适的组合。
75.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
76.上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
77.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
78.在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
79.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
80.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
81.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。