[发明专利]一种基于BP神经网络的状态估计不良数据辨识方法

摘要

本发明提出一种基于BP神经网络的状态估计不良数据辨识方法，针对BP神经网络不良数据辨识方法对训练样本要求较高的要求，建立了基于状态估计结果进行不良数据辨识的BP神经网络模型，以在线状态估计计算结果断面为样本进行训练，将量测值作为输入数据，状态估计值为期望输出，通过输入与输出之间误差的反向传播，基于样本的多次迭代对连接权值和阈值进行修正，训练一个基于量测的神经网络，对于新的量测断面通过已训练的神经网络进行检测，当获取量测与预测值偏差较大则可以判断为不良数据。该方法由于直接利用了状态估计计算结果作为样本进行训练，提供了准确性较高的样本，从而提高神经网络方法对不良数据辨识精度。

主权项

1.一种基于BP神经网络的状态估计不良数据辨识方法，其特征在于，包括以下步骤：步骤一、获取原始数据；步骤二、建立基于BP神经网络的不良数据辨识模型：建立三层的神经网络，选取网络的内部传输函数，根据神经网络输入输出层的神经元数量，确定合适的隐含层神经元数量；步骤三、读取原始数据中历史量测值及状态估计值，采用神经网络进行反复训练，修正内部的权值和阈值，设计一个最小误差值ε，当量测估计值Zo与期望输出值Zse之间的总误差精度小于最小误差值ε时，网络停止训练，得到输入和输出之间的非线性关系；步骤四、依据训练的神经网络对实时量测断面不良数据辨识，将最新一组量测断面作为待检量测，采用已训练神经网络计算量测估计值，计算得到量测与估计值之间偏差，对于偏差超过设定门槛的量测则判断为量测坏数据；步骤五、采用剔除不良数据后的量测断面进行状态估计计算，得到最新状态估计结果；步骤六、将状态估计结果作为样本加入到神经网络训练，进一步优化不良数据辨识的神经网络。