[发明专利]一种用于多参数仪表检定的数据融合方法

说明书

技术领域

本发明属于的人工智能技术领域，具体涉及用于多参数仪表检定的数据融合方法。

背景技术

按照计量法的要求，计量器具必须定期检定。检定是指查明和确认计量器具是否符合法定要求的程序，它包括检查、加标记和出具检定证书。检定必须按照被检定仪表的检定规程操作，并在证书中记载被检定的各项参数的测试数据，然后根据它们对标准值的偏离状态来评定此仪表的整体技术性能状况。检定一般需要在特定实验环境下，进行多次重复实验后，综合分析测试数据得出检定结论。为了规避实验偶然干扰对结论判定的影响，一般对这些测试结果采用统计方法来筛选数据，并按照检定规程中指定计算规则得出检定结论。但上述这些方法没有更深层次的去考虑这些测试数据的内在特征和关系，导致结论判定结果与实际情况有一定的偏离，容易得出误判结论。

发明内容

本发明的目的是为了解决现有的仪表检定方法存在的上述缺陷，提出了一种用于多参数仪表检定的数据融合方法。

本发明的技术方案是：一种用于多参数仪表检定的数据融合方法，包括如下步骤：

步骤一、对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数据仪表校准项的特征参数；

步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型，具体过程如下：

(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构；

依据步骤一中提取的特征参数种类，确定人工蜂群神经网络的输入层神经元数p；根据预先设定的检定结果的级别数q，确定人工蜂群神经网络输出层的神经元数为q；单隐含层的神经元数n₀：

n₀＝2p+β；其中，β为无量纲的修正参数；

(2)优化人工蜂群神经网络结构的权值参数；具体步骤如下：

设标准网络模型中待优化的数目为N，利用Pareto最优概念，将优于某个体的个体适应度值作为该个体的适应度值，一个观察蜂选择蜜源的概率取决于蜜源的概率值prob_i，具体采用下式计算：

其中，fit_i是第i个个体的适应值，SN是采蜜蜂数量；

通过得到的蜜源的概率值prob_i，利用人工蜂群算法优化人工蜂群神经网络结构的权值参数；

步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；

步骤四、根据证据组合结果，做出最终决策：若信任度值最大的命题满足预先设定的阀值条件，则该命题为决策的目标，否则不做决策。

本发明的有益效果：本发明的方法能够融合历史测试数据来分析仪表的内部特征，更合理的对仪表进行检定，通过多次测量的多组历史数据，进行去噪处理，提取每组历史数据仪表校准项的特征参数，进而建立人工蜂群神经网络结构和构造证据的基本概率指派函数，可以更智能化的判定仪表检定结论，减少检定数据处理过程中人为的干预和避免结论误判。

说明书附图

图1是本发明方法的流程示意图。

图2是本发明实施例的优化人工蜂群神经网络结构的权值参数过程示意图。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步的阐述。

步骤一、对多次测量的多组历史数据，进行去噪处理，根据校准规则提取每组历史数据仪表校准项的特征参数；

这里去噪处理可以采用如下的方式进行处理：对历史数据进行小波分解；选取启发式阀值法对分解后的信号进行去噪。

这里，可以选取db4小波对多次测量的多组历史数据进行小波分解。

确定小波分解的适当层数。层数越多，计算工作量也越大，误差也会增加。但是，尺度越大越有利于从更深层次进行信号趋势分析，能使时间序列更加平稳，因此分解层数一般采用3～5层。

这里，特征参数具体包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。

步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型，具体过程如下：

(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构；

依据步骤一中提取的特征参数种类，确定人工蜂群神经网络的输入层神经元数p；根据预先设定的检定结果的级别数q，确定人工蜂群神经网络输出层的神经元数为q；单隐含层的神经元数n₀：