[发明专利]一种应用于电子秤的基于BP神经网络补偿温度增益方法

权利要求书

1.一种应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于该方法包括如下步骤：

101、建立称重传感器温度增益校正的神经网络模型；

102、获得网络的学习训练样本数据；

103、对样本数据进行预处理；

104、对样本数进行网络训练；

105、测试网络预测效果；

106、将补偿公式写入单片机固件程序内。

2.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤101中，神经网络模型由输入层、隐含层和输出层构成，选取输出电压u作为BP神经网络的输入层单元，此时BP神经网络是一个单输入单输出的网络结构，其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式，然后根据梯度下降算法，分别求v、w对E的梯度，求得网络输出层与隐含层各节点的权值调整量。

3.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤102中，所述样本数据，在称重实验时，要采集训练数据的温度下，重力作用使传感器发生形变，进而产生电压变化，利用电压的变化，单片机采集到相应AD值，通过显示电路显示出来得以获得。

4.如权利要求3所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于训练数据的温度为0°～30°，单位间隔2°。

5.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤103中，要对采集的训练数据进行归一化处理。

6.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤104中，网络训练方法为：

(1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；

(2)随机选取第k个输入样本及对应期望输出；

(3)计算隐含层各神经元的输入和输出；

(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；

(5)计算全局误差E，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第103步，进入下一轮学习。

7.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤105中，输入没有训练时数据，检查是否在期望精度内。

8.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤106中，将上述温度增益补偿的公式代入程序中，每当得到AD值后都要经过温度补偿公式输出，再得到输出重量。