一种大变形柔性体动态测量数据温度与湿度的补偿方法
【技术领域】
[0001] 本发明属于降落伞、测量技术和计算机机器学习技术领域，特别是一种大变形柔 性体动态测量数据温度与湿度的补偿方法。
【背景技术】
[0002] 随着无线通信技术、嵌入式计算机技术以及传感器技术的高速发展，具备感知、计 算和通信能力的无线传感器网络技术迅速发展，大量的无线传感器网络节点通过自组织的 方式构成无线传感器网络。由于无线传感器网络具有低功耗、自组织以及对周边环境的智 能感知能力等特点，已广泛应用于工业控制、农业种植、基地监测等各种人力难以到达或难 以长期坚守的环境的实时监测与远程监控。
[0003] 在针对大变形柔性体的动态测量领域，对布织物各点受力情况的动态测量在国际 上一直是一个技术难题。主要原因是由于布织物本身具有轻薄、柔软、伸缩性大的特性，给 传感器的安装和测量带来了相当大的难度；另一方面，降落伞之类的大变形柔性体工作环 境一般比较恶劣，存在温差大、抖动与电磁波等干扰，使得对其各点受力情况的测量数据容 易出现偏差，给测量结果的精度带来了很大的挑战。因此，很有必要研宄对测量数据进行 智能补偿和修正的方法。
[0004]BP神经网络（BackPropagation)是一种单向传播的多层前向网络，在复杂的非 线性系统中具有很好的建模能力，理论上可逼近任意非线性系统。目前，BP神经网络已广 泛应用于各种不同的领域，尤其是应用于对测量结果的补偿与修正。例如，山东商学院将BP 神经网络应用于补偿超声波声速受温度、湿度变化而引起的误差。在室外工作的测距仪上， 应用BP神经网络补偿方法后超声测距的精度提高了 2个数量级。南京航空航天大学将BP 神经网络应用于加速度计的误差补偿。经BP神经网络补偿后，加速度计误差补偿后的输 出能良好地逼近其期望输出，误差降低了一个数量级，很好地抑制了加速度计的误差，提 高了加速度计的精度。
[0005]目前针对无线传感网测量系统的测量数据的补偿方法主要是基于传感器的硬件 补偿方法来提高传感器的测量精度。硬件补偿主要是通过设计的硬件电路进行补偿，存在 通用性差、成本高，并会带来传感器新的非线性因素等问题。
【发明内容】
[0006] 本发明所解决的技术问题在于提供一种大变形柔性体动态测量数据温度与湿度 的补偿方法。
[0007] 实现本发明目的的技术解决方案为：一种大变形柔性体动态测量数据温度与湿度 的补偿方法，包括以下步骤：
[0008] 步骤1:在高精度万能材料试验机上，使用测量柔性织物应力作用的应变传感器 对被测柔性体进行电压-受力的标定，获得基准电压-受力测量曲线；所述测量柔性织物应 力作用的应变传感器的测量受力范围为0~1500N，传感器的输出电压范围为0~3. 3v，所 述受力信息测量是指在织物上安装传感器后，在万能材料试验机上进行从0到满负载拉力 实验，得到该传感器/织物对应的基准电压-受力曲线。
[0009] 步骤2:采用测量柔性织物应力作用的应变传感器对大变形柔性体工作过程中实 际受力情况进行实时采集，得到采集的电压样本数据，并对样本数据进行滤波处理；对样本 数据进行滤波处理所用公式为：
[0010]
[0011] 式中，lx'}为传感器电压采样序列，{Xi}为递推滤波后的电压序列，nk为自然数， 表示取连续采样序列的个数，i为传感器电压采样序列的标号，j为递推滤波后的电压序列 的标号。
[0012] 步骤3:建立大变形柔性体动态测量数据温度与湿度补偿神经网络；所述大变形 柔性体动态测量数据温度与湿度补偿神经网络为三层结构的BP神经网络，包括具有三个 节点的输入层、一个多节点的非线性隐含层和具有一个节点的输出层；
[0013] 其中输入层的输入变量有：测量的电压值Xl、温度x2、湿度x3;其激励函数为线性 激励函数fjxj=xm，其输出值为Im=xm，其中m表示输入层节点个数（m= 1，2, 3); 「00141隐含层第1个节点的输入为zfwnXi+w^xfWuXp其激励函数为 其中1表示隐含层节点个数卜1;2_'_1}，jI - ? - 4 np为训练样本个数，为输入层节点与隐含层之间的权值； 咢-1
[0015] 输出层的输入为^I： 其激励函数为= ^其输出为补偿后的 尺丨=^乃， 1+， 电压值Vl，其中Wll为隐含层与输出层之间的权值；
[0016] 大变形柔性体动态测量数据温度与湿度补偿神经网络输出层的期望输出为下式 所示的函数
[0017] 式中知n2,113分别为输入变量Xpx2,乂3项的最高次数，npn2,n3为自然数；h,p,q分 别为输入变量Xpx2,x3的次数，均为自然数；ah,bp, 分别为输入变量xux2,13的h,p,q次 方所对应的系数。
[0018] 步骤4:根据步骤2采集的样本数据，采用动态学习率与附加动量的方式对大变形 柔性体动态测量数据温度与湿度补偿神经网络进行训练；动态学习率与附加动量的方式采 用如下公式：
[0019]
[0020] 式中，k为训练次数，E(k)为第k次计算神经网络的输出误差，y为动量因子（0 <y<1)，n为学习率，WU为隐含层到输出层的权值，AWll为隐含层到输出层权值的增 量。
[0021] 步骤5:使用训练好的神经网络对测量柔性织物应力作用的应变传感器采集的实 际大变形柔性体受力测量数据进行补偿，得到补偿后的电压值。
[0022] 本发明与现有技术相比，其显著优点为：1)本发明提出了一种基于BP神经网络的 大变形柔性体动态测量数据的温度与湿度补偿方法，采用神经网络对采集的电压数据进 行温度和湿度的补偿与修正。本发明的基于BP神经网络的补偿属于软件补偿，软件补偿不 仅灵活、成本低，而且补偿效果比硬件补偿的效果好，达到的精度更高。2)本发明采用动态 学习率与附加动量的方式进行神经网络训练，可有效地缓解收敛缓慢以及容易发生震荡的 问题；3)本发明提出的基于BP神经网络的大变形柔性体动态测量数据温度与湿度的补偿 方法能够很好地解决受力信息测量数据存在的偏差补偿问题，提高了测量系统的精度。
[0023] 下面结合附图对本发明作进一步详细描述。
【附图说明】
[0024] 图1为大变形柔性体动态测量数据温度与湿度补偿神经网络的结构图。
[0025] 图2为基于神经网络的补偿算法训练阶段流程图。
[0026] 图3为基于神经网络的补偿算法应用阶段流程图。
[0027] 图4基于神经网络的电压补偿误差图。
[0028] 图5为基于神经网络的电压补偿前后对比图。
【具体实施方式】
[0029] 结合图1，本发明的一种大变形柔性体动态测量数据温度与湿度的补偿方法，包括 以下步骤：
[0030] 步骤1:使用测量柔性织物应力作用的应变传感器对被测柔性体进行电压-受力 的标定，获得基准电压-受力测量曲线；所述测量柔性织物应力作用的应变传感器的测量 受力范围为0~1500N，传感器的输出电压范围为0~3. 3v，所述标定是指在织物上安装传 感器后，在万能材料试验机上进行从0到满负载拉力实验，得到该传感器/织物对应的电 压-受力标定数据。本发明所用的传感器已经在专利《一种测量柔性织物应力作用的应变 传感器》中公开，专利号为：201320332161. 1。
[0031] 步骤2:采用测量柔性织物应力作用的应变传感器对大变形柔性体工作过程中实 际受力情况进行实时采集，得到采集的电压样本数据，并对样本数据进行滤波处理；对样本 数据进行滤波处理所用公式为：
[0032]
[0033] 式中，{x'j}为传感器电压采样序列，{xj为递推滤波后的电压序列，nk为自然数， 表示取连续采样序列的个数，i为传感器电压采样序列的标号，j为递推滤波后的电压序列 的标号。
[0034] 步骤3:建立大变形柔性体动态测量数据温度与湿度补偿神经网络；该网络为三 层结构的BP神经网络，包括具有三个节点的输入层、一个多节点的非线性隐含层和具有一 个节点的输出层，
[0035] 其中输入层的输入变量有：测量的电压值Xl、温度x2、湿度x3;其激励函数为线性 激励函数fjxj=xm，其输出值为Im=xm，其中m表示输入层节点个数（m= 1，2, 3)。
[0036]隐含层第1个节点的输入为zfw