[发明专利]一种基于LMBP神经网络温度补偿算法

权利要求书

1.一种基于LMBP神经网络温度补偿算法，其特征在于，包括以下步骤：

S1、训练数据：设计高低两个类别的LMBP神经网络温度补偿算法，并进行训练；

S2、样本数据预处理：进行数据处理，将预测值转换为对应的流量值；

S3、网格参数设计：选定网络训练函数，并校正网络权值和阈；

S4、确定隐含层节点个数N拟定为5-14；

S5、网络训练结构：训练并输出网络的权值矩阵和阈值矩阵；

S6、温度补偿模型：通过LMBP神经网络温度补偿算法结构，得出预测流量值；

S7、低流量区域温度补偿建模：根据LMBP神经网络温度补偿算法原理建立温度和计量流量与实际流量之间的映射关系；

S8、高流量区域温度补偿建模：得到高流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵；

S9、补偿算法移植：将计量到的流量值输入到LMBP神经网络中，通过预测运算达到补偿流量计量的目的。

2.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述流量测量区域包括流量管，所述流量管内底部两侧分别固定有第一反射柱反射面(3)和第二反射柱反射面(4)，所述第一反射柱反射面(3)和第二反射柱反射面(4)的上端均倾斜设置，所述第一反射柱反射面(3)和第二反射柱反射面(4)的倾斜端相对设置，所述流量管的上端两侧第一超声波换能器(1)和第二超声波换能器(2)，所述第一超声波换能器(1)和第二超声波换能器(2)分别位于第一反射柱反射面(3)和第二反射柱反射面(4)的上端。

3.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S1中的两个类别分别为：0.0-0.65m³/h和0.39-5.5m³/h两个高低流量区域，所述训练为：网络输入训练数据为温度和计量流量值，输出期望数据为实际流量值。

4.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S2中数据处理为：为加快网络训练时的收敛速度，对样本数据进行归一化处理，但网络输出数据时需进行反归一化处理。

5.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S3中网络训练函数为：Matlab环境中的trainlm.m函数，并且根据数据训练目标，对网络训练过程中基本参数进行设置，最大训练步数为1000，训练时间不限，训练目标最小逼近误差为0.000001，为保证训练网格稳定性，学习率在0.01-0.8之间，各层间权值和阈值设置为较小的随机非零数。

6.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S5中通过LMBP神经网络中预测值达到误差平方和最小目标后，对预测值进行反归一化处理得到预测的流量值，并引入对反归一化预测流量值的判断环节，即要求预测流量值与实际流量值的误差在一定范围内时结束网络训练。

7.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S7中低流量区域温度补偿建模为针对20-70℃，0.0-0.65m³/h计量流量测量区域和0.0-0.60m³/h实际流量区域建立温补偿算法模型，低流量区域温度补偿模型经26步训练后，达到目标误差8.9571×10-7，拟合度为0.99999，训练完成后，分别得到低流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵，将将温度和低流量区域计量区间进行51等分，根据LMBP神经网络温度补偿算法原理建立温度和计量流量与实际流量之间的映射关系。

8.根据权利要求1所述的一种基于LMBP神经网络温度补偿算法，其特征在于：所述步骤S8中高流量区域温度补偿建模为针对20-70℃，0.39-5.5m³/h计量流量测量区域和0.35-5.1m³/h实际流量区域建立温补偿算法模型，高流量区域温度补偿模型经45步训练后，达到目标误差9.9508×10-7，拟合度为0.99999，训练完成后，分别得到高流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵。