日本少妇被爽到高潮动态图,国产jjzzjjzz视频全部免费,亚洲精品国产精品制服丝袜,精品免费一区二区三区在

１引言
皮帶輸送機是散裝物料常用的運輸設(shè)備，通常采用電子皮帶秤在物料的運輸過程中完成對物料的累計計量。相對于靜態(tài)計量設(shè)備，電子皮帶秤難以滿足貿(mào)易結(jié)算、能源計量、節(jié)能減排等等較高精度的應用要求。
目前對于稱重的研究重點基本集中在“皮帶效應”，根據(jù)經(jīng)驗對某一個或某幾個敏感參數(shù)進行線性補償；或者通過對皮帶的特性進行力學分析，嘗試建立簡化的力學模型在理論上對誤差進行計算和補償。但實際皮帶秤作為為動態(tài)累計計量設(shè)備具有更高的計量效率，但同時電子皮帶秤計量精度普遍不高、耐久性差，國際建議ＯＩＭＬＲ５０２０１４（Ｅ）將皮帶秤劃分為０．２、０．５、１．０和２．０這４個準確度等級［２］。由于受到被稱物料的流量、速率、環(huán)境以及隨時間累積的皮帶蠕變等因素。
電子帶秤在工作時，皮帶秤稱重誤差影響因素眾多，并且呈現(xiàn)非線性和相互作用，所以僅用理論分析試圖找出其規(guī)律、追求精細化補償模型相當困難。也有學者將人工智能理論、機器學習等新興技術(shù)都引入到了傳統(tǒng)的動態(tài)稱重領(lǐng)域，不過將機器學習應用于優(yōu)化電子皮帶秤的動態(tài)稱重精度的研究目前較少。
本文引入過程神經(jīng)網(wǎng)絡提高皮帶秤動態(tài)稱重精度，增強了皮帶秤的耐久性，同時給出了皮帶秤的耐久性考核方法。

２過程神經(jīng)網(wǎng)絡模型參數(shù)確定
２．１過程神經(jīng)網(wǎng)絡
隨著計算機技術(shù)、人工智能技術(shù)在各行各業(yè)的成熟運用，國內(nèi)外越來越多的研究將神經(jīng)網(wǎng)絡這一機器學習理論引入動態(tài)稱重誤差建模和校正補償［５］。神經(jīng)網(wǎng)絡利用物理器件來模擬生物神經(jīng)網(wǎng)絡的結(jié)構(gòu)和功能，將多個神經(jīng)元按照一定的網(wǎng)絡拓撲結(jié)構(gòu)組合起來對分布式信息實現(xiàn)并行處理，從而得到一個描述系統(tǒng)輸入、輸出關(guān)系的非線性映射［６］。
基于神經(jīng)網(wǎng)絡理論的運用，對影響皮帶秤動態(tài)稱重精度的誤差源進行分析，挖掘關(guān)聯(lián)性，提取參數(shù)特征，通過適當標定獲取皮帶秤運行過程中與稱重結(jié)果可能有關(guān)的數(shù)據(jù)，再利用神經(jīng)網(wǎng)絡等機器學習方法尋求可用、可靠的經(jīng)驗關(guān)系，相比理論分析更具有可行性和實用性。
傳統(tǒng)的人工神經(jīng)網(wǎng)絡都是網(wǎng)絡輸入與時間無關(guān)的模型，而皮帶秤在運輸過程中，稱重區(qū)間的稱重傳感器會連續(xù)地得到稱重段皮帶上物料的重力信號，這個信號的連續(xù)變化貫穿物料運輸?shù)氖冀K。因此很難找到一個合適的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入信號。在人工神經(jīng)網(wǎng)絡的發(fā)展中，有學者提出過程神經(jīng)網(wǎng)絡的理論，并證明了理論的可行性［７］。過程神經(jīng)網(wǎng)絡是人工神經(jīng)元網(wǎng)絡在時間域上的擴展模型，其輸入是與時間相關(guān)的量，輸出是靜態(tài)的量，這種過程式的輸入、靜態(tài)的輸出剛好與皮帶秤的輸入輸出形式相符合，因此過程神經(jīng)網(wǎng)絡相比傳統(tǒng)的人工神經(jīng)網(wǎng)絡更適合用于改善皮帶秤動態(tài)稱重精度的研究。
２．２皮帶秤工作原理
目前的皮帶秤主要通過積分法來獲取物料的累計重量：當輸送帶把物料輸送到稱量段上時，稱重傳感器和測速傳感器分別測得稱量段上的瞬時重量Ｗｌ（ｔ）／ｋｇ和同時刻輸送帶的瞬時速度ｖ（ｔ）／
ｍ·ｓ－１，假設(shè)稱量段長度為ｌ／ｍ，整個稱重過程時長為Ｔ／ｓ，則所輸送物料的累計重量Ｉ為［８］：
Ｉ＝∫ＴＷｌ（ｔ）ｖ（ｔ）ｄｔ
秤稱重誤差的重要因素，對稱重結(jié)果的影響無法消除，且隨著稱量段物料的改變實時變化，故直接測量皮帶張力難度較大。專家和學者對皮帶秤張力檢測方法進行過大量研究，發(fā)現(xiàn)垂度變化和張力變化具有強相關(guān)性，比較實用的是建立張力和垂度間的關(guān)系，通過監(jiān)測稱重托輥間皮帶垂度變化來間接反映皮帶張力變化［８，９］。垂度變化指稱重過程中稱重托輥中點處皮帶相對于其空載時的下垂量，如圖２所
示，垂度變化量Δｈ＝ｈｈ０，其中ｈ０為空載時皮帶垂度，ｈ為加載物料時皮帶垂度。

圖１垂度變化示意圖
Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｖａｒｉａｔｉｏｎｉｎｂｅｌｔｓａｇ
結(jié)合對皮帶秤稱重原理分析，將單位長度上的重量、皮帶速度、皮帶垂度變化選為輸入，將累計物料的實際重量（靜態(tài)稱量獲得）作為輸出，構(gòu)建一個３輸入、單輸出、含有一個隱含層的過程神經(jīng)網(wǎng)絡。
３過程神經(jīng)網(wǎng)絡算法設(shè)計
過程神經(jīng)網(wǎng)絡中采用過程神經(jīng)元代替?zhèn)鹘y(tǒng)的神經(jīng)元，過程神經(jīng)元由加權(quán)、聚合和激勵３部分組成［９］，是對傳統(tǒng)神經(jīng)元的聚合運算機制和激勵方式向時間域進行擴展，使神經(jīng)元同時具有時、空二維信息處理能力。單個過程神經(jīng)元如圖２所示。

圖２單個過程神經(jīng)元示意圖
Ｆｉｇ．２Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｉｎｇｌｅｐｒｏｃｅｓｓｎｅｕｒｏｎ
圖２中，ｘ（ｔ）為輸入向量，ｗ（ｔ）為權(quán)值函數(shù)，
Ｋ（ｕ）為時間聚合函數(shù)，ｆ（ｖ）為激勵函數(shù)，其中輸入０ｌ
２．３模型參數(shù)確定
皮帶張力是皮帶秤的基本屬性，又是導致皮帶向量和權(quán)值函數(shù)皆是一條與時間ｔ有關(guān)的向量序列，時間聚合函數(shù)一般為積分的形式。圖２中過程神經(jīng)元輸出為：

ｙ＝ｆ?∫Ｔ∑ｎ

ｗ（ｔ）ｘ（ｔ）Ｋ（ｔ）ｄｔ－θ?

（１）

ｘ（ｔ）＝∑

ｘｐ·ｂ（ｔ）

式中：θ為神經(jīng)元閾值；Ｔ為輸入量持續(xù)時間；ｎ為由于ｂ（ｔ）是正交基函數(shù)，所以有：

輸入量數(shù)量。
與傳統(tǒng)神經(jīng)元不同之處在于過程神經(jīng)元的輸入和權(quán)值可以是時變的，其聚合運算既有對空間的多

∫Ｔｂｌ（ｔ）·ｂｐ（ｔ）ｄｔ＝
則網(wǎng)絡輸出改寫為［１４］：

１ｌ＝ｐ
０ｌ≠ｐ

輸入?yún)R聚，亦有對時間過程的累積。

ｎｍＬ

ｙ＝ｇ?∑ωｋｊｆ?∑∑ｗ（ｊｉｌ）·ｘ（ｉｌ）
－
θｊ?
－
ｂ?

與傳統(tǒng)人工神經(jīng)網(wǎng)絡相同，由若干個過程神經(jīng)
元按一定的拓撲結(jié)構(gòu)組成的網(wǎng)絡稱為過程神經(jīng)元網(wǎng)

ｊ＝１

ｉ＝１

ｌ＝１

（３）

絡。一個多輸入單隱層單輸出神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖３所示。

圖３神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)圖
Ｆｉｇ．３Ｔｏｐｏｌｏｇｙｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓ
若以ｍ個輸入層神經(jīng)元，ｎ個隱含層神經(jīng)元，１個輸出層神經(jīng)元為例，則過程神經(jīng)網(wǎng)絡的輸入輸出關(guān)系為：

由式（３）中可見，經(jīng)過在正交基底下展開的過程，將積分的運算轉(zhuǎn)化為ｍ×Ｌ項相加，因此簡化了積分過程的運算，只要調(diào)整隱含層神經(jīng)元數(shù)量ｍ和權(quán)值基函數(shù)數(shù)量Ｌ就能改變積分運算的復雜程度，摸索合適的網(wǎng)絡模型規(guī)模就更為方便了。
基于前人的研究經(jīng)驗，本研究將輸入函數(shù)和權(quán)
值函數(shù)通過ＦＦＴ（快速傅里葉變換）在三角函數(shù)基底下等精度展開，得到式（３）所述的輸入輸出關(guān)系。網(wǎng)絡權(quán)值更新方法基于已廣泛使用的ＢＰ神經(jīng)
網(wǎng)絡算法的梯度下降法［１５，１６］。
給定Ｋ個學習樣本，設(shè)輸出真值為ｄｋ，則網(wǎng)絡訓練誤差為：
Ｅ＝１Ｋ２

ｙ＝ｇ?∑ｊ＝１ｗｋｊ·

則有：

２∑ｋ＝１（ｙｋｄｋ）

ｆ?∑∫Ｔ?∑Ｌ

ｗ（ｌ）ｂ（ｔ）ｘ（ｔ）?ｄｔ－θ?－ｂ?

（２）

ｗ（ｊｉｌ）

＝ｗ（ｊｉｌ）

＋ηΔｗ（ｊｉｌ）

ｉ＝１０

ｌ＝１ｊｉｌｉｊ

式中η為學習速率。

式中：ｇ（）為線性函數(shù)；ｆ（）為ｓｉｇｍｏｉｄ函數(shù)；ｋ為輸出

Δｗ＝－Ｅ＝－

（ｙｄ）·ｆ（ｕ）

層神經(jīng)元；ｂｌ（ｔ）為權(quán)值基函數(shù)，即將權(quán)值函數(shù)ｗ（ｔ）改寫為以權(quán)值基函數(shù)為基底展開的形式；Ｌ為基值

ｋｊ
其中：Ｅ為誤差；

ｗｋｊ

∑ｋ＝１ｋｋ

函數(shù)數(shù)量；ｂ為輸出層閾值。ｍＬ
ｕ＝∑∑ω（ｊｉｌ）·ｘ（ｉｌ）θｊ；

過程神經(jīng)網(wǎng)絡與傳統(tǒng)神經(jīng)網(wǎng)絡相比，有一個額
外的積分過程，但由于輸入信號為離散采樣的數(shù)據(jù)序列，并不是已知解析表達式的連續(xù)信號，所以積分
只能通過數(shù)值計算實現(xiàn)。實際應用中，當采樣率較

ｉ＝１ｌ＝１
Δｗ（ｊｉｌ）＝－Ｅ
ｊｉ
Δθ＝－Ｅ＝
＝－（ｙｋｄｋ）·ω·ｋｊｆ′（ｕ）·ｘ（ｉｌ）；
ｋ＝１
（ｙｄ）·ｗ·ｆ′（ｕ）。

高時，樣本的數(shù)據(jù)量極為龐大（上１０萬個數(shù)據(jù)點），

ｊθｊ

∑ｋ＝１ｋｋｋｊ

這種情形下，如果采用直接累加的方式計算積分，不僅計算量龐大，耗時較長，而且由于系統(tǒng)的輸入是由
具體問題確定的，權(quán)函數(shù)的形式具有任意性，因此在訓練中存在不穩(wěn)定性，且計算復雜度高［１０］。
為了解決這一問題，有學者發(fā)現(xiàn)，將輸入函數(shù)和權(quán)值函數(shù)在同一正交基底下等精度展開，能夠避免冗余的疊加，還會使網(wǎng)絡的學習速度明顯加快［１１］：
將權(quán)值函數(shù)和輸入函數(shù)在同一個正交基底下展
開得［１２，１３］：

由于ｆ（ｕ）為ｓｉｇｍｏｉｄ函數(shù)，所以有：
ｆ′（ｕ）＝ｆ（ｕ）·（１－ｆ（ｕ））算法描述如下：
Ｓｔｅｐ１：給定誤差精度ｅ；累計學習迭代次數(shù)ｑ＝０；學習最大迭代次數(shù)Ｍ；選取權(quán)值基函數(shù)ｂ（ｔ）個數(shù)Ｌ，ｌ＝１，２，３，…，Ｌ。
Ｓｔｅｐ２：初始化權(quán)值和閾值。
Ｓｔｅｐ３：計算誤差函數(shù)Ｅ，如果Ｅ＜ｅ或ｑ＞Ｍ轉(zhuǎn)
Ｓｔｅｐ５。

ｗｌＳｔｅｐ４：修正權(quán)值和閾值；ｑ＋１→ｑ；轉(zhuǎn)Ｓｔｅｐ３。

ｊｉ（ｔ）＝∑ｌ＝１ｗｊｉ·ｂｌ（ｔ）

Ｓｔｅｐ５：輸出學習結(jié)果，結(jié)束。

４算法仿真驗證
次學習之后誤差下降速度逐漸放緩，直到第１００次學習時誤差已降到０．１，又經(jīng)過了４９次學習將網(wǎng)絡誤差優(yōu)化到網(wǎng)絡學習誤差精度要求。

在實驗室里搭建實驗系統(tǒng)，進行數(shù)據(jù)采集實驗共獲得１８組數(shù)據(jù)，每組數(shù)據(jù)包含可能影響皮帶秤稱重精度的３個關(guān)鍵因素：單位長度上的重量、皮帶速度、皮帶垂度變化，采樣速率為２０００Ｈｚ，平均每組數(shù)據(jù)有５０萬個點位，１８組數(shù)據(jù)中，前１４組加上空載運行數(shù)據(jù)組成共１５組數(shù)據(jù)作為訓練組，后４組數(shù)據(jù)作為測試組。
將單位長度上的重量、皮帶速度、皮帶垂度變化作為３個輸入層神經(jīng)元的輸入，選取隱含層神經(jīng)元數(shù)目為５個，權(quán)值基函數(shù)數(shù)目為１２８個，網(wǎng)絡誤差精度０．００１，仿真程序在ｍａｔｌａｂ環(huán)境下編寫和調(diào)試。讀取數(shù)據(jù)后，對數(shù)據(jù)進行預處理：截取稱重時段內(nèi)的數(shù)據(jù)以減少總體數(shù)據(jù)量；根據(jù)一定的算法通過速度信號（信號為周期性脈沖形式）計算皮帶速度；將重量信號、速度信號、垂度變化信號進行給定精度下的ＦＦＴ（快速傅里葉變換）處理。
由式（３）可知，將權(quán)值函數(shù)和輸入函數(shù)在正交基底下展開后，網(wǎng)絡輸出關(guān)系式中可以看到，輸入層到隱含層的權(quán)值數(shù)量為ｍ×ｎ×Ｌ，因此在ｍａｔｌａｂ中定義三維矩陣用以存儲輸入層到隱含層的權(quán)值，定義二維矩陣儲存隱含層到輸入層的權(quán)值和隱含層的閾值，實際研究中發(fā)現(xiàn)輸出層閾值對網(wǎng)絡收斂性影響過大，固未使用輸出層閾值ｂ。首先遵循ＢＰ神經(jīng)網(wǎng)絡的方法將權(quán)值閾值初始化，初始化結(jié)果為將訓練組輸入數(shù)據(jù)代入訓練完成后的模型，所得模型輸出與訓練組實際輸出數(shù)據(jù)對比如圖５所示。
由圖５可以看出訓練完成后的模型擬合效果較好，網(wǎng)絡輸出與實際輸出幾乎一致。

圖５網(wǎng)絡輸出與實際輸出對比
Ｆｉｇ．５Ｃｏｎｔｒａｓｔｂｅｔｗｅｅｎｎｅｔｗｏｒｋｏｕｔｐｕｔａｎｄａｃｔｕａｌｏｕｔｐｕｔ
將測試組輸入模型后，測試組誤差達到１％。得到利用過程神經(jīng)網(wǎng)絡模型對皮帶秤動態(tài)稱重誤差補償前后的結(jié)果對比。

（－１，１）區(qū)間內(nèi)的隨機數(shù)，然后對ＦＦＴ處理后的輸入數(shù)據(jù)和輸出數(shù)據(jù)做歸一化處理并代入網(wǎng)絡進行訓練。網(wǎng)絡學習誤差曲線如圖４所示。

圖４學習誤差曲線圖
Ｆｉｇ．４Ｃｕｒｖｅｏｆｌｅａｒｎｉｎｇｅｒｒｏｒ
模型經(jīng)過１４９次學習優(yōu)化達到網(wǎng)絡精度要求，由于采用了梯度下降法作為參數(shù)更新規(guī)則，所以前１００次學習中，網(wǎng)絡誤差在學習初期快速下降，第１０１５６４３．０５７０３．５５６５６．５１．０７０．２４２５７９１．０５８７５．０５７９２．２１．４５０．０２３４３５０．０４２９９．５４３０５．６－１．１６－１．０２４７０６９．６７１４２．５７０８１．６１．０３０．１７
由表１中結(jié)果可知，４組測試組中，使用網(wǎng)絡模型補償后新誤差均較使用網(wǎng)絡前的原誤差有所降低。除了第３組誤差降低不明顯外，其余３組誤差皆降低顯著，明顯優(yōu)于使用過程神經(jīng)網(wǎng)絡算法前的誤差，說明文中所建過程神經(jīng)網(wǎng)絡模型是可行有效的，可明顯提高皮帶秤動態(tài)稱重精度。

５結(jié)論與展望
將過程神經(jīng)網(wǎng)絡引入皮帶秤的動態(tài)稱重精度補償研究中，算法推導正確無誤，模型擬合較好，通過測試驗證了模型的可行性和有效性。由于采用梯度下降的權(quán)值更新方法，極少情況會出現(xiàn)網(wǎng)絡學習誤差陷入局部極小值導致達不到目標訓練誤差。但由于前期訓練和測試樣本數(shù)量較少，且模型選取的基函數(shù)數(shù)量、隱含層神經(jīng)元數(shù)量與模型訓練速度、收斂效果之間的經(jīng)驗關(guān)系還需進一步研究摸索，故當前模型的泛化性能仍有改善空間。此外，當前研究中采用的輸入數(shù)據(jù)是數(shù)采卡直接采集，稱重段數(shù)據(jù)為人工提取，稱重信號在測量、提取過程中是否存在對稱重結(jié)果誤差的影響目前還不得而知，稱重信號是否存在失真，噪聲對稱重誤差的影響也還需要相關(guān)深入的研究。
 

 

文章來源于網(wǎng)絡轉(zhuǎn)載，侵刪