虚拟仪表中数学建模技术研究
虚拟仪表中数学建模技术研究 摘要:针对模拟仪表在各行业、领域的重要性,在简单分析虚拟仪表作用的基 础上,对数学建模技术的应用进行深入分析,以此为虚拟仪表进一步推广应用提 供参考依据。关键词:虚拟仪表;
模糊数学;
人工神经网络 在工业控制领域,有一些和产品总体质量关系密切的参数变量,为保证产 品质量,必须对这些参数变量予以严格控制。然而,由于工况的特殊性或目前检 测技术水平等原因,难以采用传统仪表直接在线测量,通常只能在必要的时候在 实验室中进行试验、分析,这无疑严重滞后于生产过程控制需要。虚拟仪表技术 的出现和应用,可以从根本上解决这一问题,而虚拟仪表技术中的一项基础且十 分重要的工作就是数学建模。
1虚拟仪表的定义和作用 随着仪表的逐渐更新换代,出现了多种多样的仪表类型,如数字式仪表、 电子式仪表等,而虚拟仪表则是从这些传统仪表进一步改进发展而来。它以软测 量技术为基础,通过开发设计得到,借助传感器对测试目标多参数及其变量进行 采集,然后传输至指定的计算机,再利用数学建模技术获取估计值。从本质上讲, 虚拟仪表就是建立一个和主导变量有关的模型,然后在各类专业软件的支持下对 主导变量进行估测,最后将估测结果作为工业控制主要依据。由此可见,虚拟仪 表的产生有赖于软测量技术,而数学建模则是它的核心所在[1]。
2数学建模技术在虚拟仪表的具体应用 在虚拟仪表当中,数学建模技术实际应用主要包含以下几方面:作用机理 分析、运行状态评估、数据统计回归、人工神经网络与混合建模。作用机理分析 建模指的是对被测目标作用机理施以分析,然后根据相关定律和理论,明确辅助 与主导变量之间的相互关系,同时采用数学表达式完成建模;
运行状态评估的建 模指的是先将已知对象及其运行状态视作一个空间模型,再利用主导及辅助变量 进行综合评估;
数据统计回归的建模指的是设x为自变量,y为因变量,有y=xB+E (B表示回归系数,E表示模型误差),通过对最小二乘法等的使用,求得回归 系数,其计算公式为:B=(xTx)-1xTy;
(人工神经网络概述)而混合建模主 要对多种建模方式进行整合,然后借助数据统计回归和作用机理分析等现有方法构建模型,对于具体的整合方式,主要有并行整合与串行整合两种。以上建模方 式从理论和实践上都倾向于特殊情况,实际应用有一定局限性,所以本次对数学 建模技术的分析主要将人工神经网络和模糊数学作为重点。2.1模糊数学采用传 统检测手段获取目标各项基本数值,再通过模糊推理与知识集成完成分析处理, 将分析处理后的结果按要求表达成数值形式或自然语言[2]。具体步骤为:首先, 输入指定变量进行模糊变换(特定变量用隶属度进行表达),将给定论域记作U, 则U至[0,1]这一区间的所有映射均可确定一个对应的模糊子集,即μA:U→[0, 1];
u→μA(u)。其次,μA表示模糊子集对应的隶属函数,而μA(u)表示模糊 子集中u对应的隶属度。其次,开始模糊计算,将U中模糊子集分别设为A和B, 各组成元素表示为X,则模糊子集并运算可表示为μA∪B(x)=max[μA(x), μB(x)];
模糊自己交运算可表示为μA∩B(x)=min[μA(x),μB(x)];
代 数积prod可表示为prod[μA(x),μB(x)]=μA(x)μB(x);
代数积probor可 表示为probor[μA(x),μB(x)]=μA(x)+μB(x)-μA(x)μB(x)。再次, 根据模糊含义,将A和B视作x,y的模糊子集,则隶属函数将变成模糊条件语句, 如果A和B为x-y所保持的模糊关系,则可表示为A→B,同时对应以下隶属函数:
μA→B(x,y)=max¥{min[μA(x),μB(y)],[1-μA(x)]}(1)最后,进行 模糊合成,对所有单规则结论实施组合,以获得最终结论。各子规则对应的模糊 集实际上就是模拟合成实际输入,而输出主要是综合结果[3]。2.2人工神经网络 它是模拟人类大脑思维方式设计而成的系统,能通过学习来得到知识和处理某一 问题的能力。人工神经网络主要有前馈与反馈两大类,较为典型的包括BP、 Hopeld、Elmman和RBF等。其中,BP和RBF最为常用,所以本次研究将这两者 作为重点。对BP网络而言,其关键在于前向传递以及误差反向传播。在前向传 递时进行逐层处理,如果实际输出和目标存在较大误差,则开始反向传播,同时 以目标输出为依据调整阈值及网络权值,直到满足精度要求。就目前来看,应有 最多的BP网络由以下三个层次构成:输入层、隐层和输出层,如图1所示。
WijVkjx1y1ymx2xn输入层输出层隐层图1BP网络基本结构示意图RBF是由 Powell在八十年代的提出的,通过对这一方法的利用,开发出RBF网络。在RBF 网络的支持下,能以实际应用为依据构建网络结构,再通过自主的学习与适应实 现和目标函数之间的无限逼近,最终完成数据融合。为便于分析,本次研究借助 Adaboost对RBF网络进行集成,通过集成能得出RBF-Adaboost模型和弱分类算法, 需要注意的是,在这种情况下为保证预测准确度,还要采用能提供强分类功能的 分类装置。从模型的角度讲,RBF网络相当于一个弱分类装置,在Adaboost的作 用下,能得到一定数量的强分类装置,它是由若干弱分类装置构成的,具体的算 法流程见图2。数据填充判决策略判决结果预处理RBF网络1RBF网络2RBF网络T图2算法流程示意图由图2可知,首先,从样本当中选取出m组进行训练,初始化 测试数据分布权值和网络的阈值及权值;
其次,对弱分类进行训练,采用以下公 式获得预测系列对应的误差及et;
et=ΣiDt(i)(2)再次,以之前所得et为依据, 对预测序列权重进行计算,计算公式为:At=0.5ln(1-et)(3)最后,采用以下 公式对之后需要完成训练的样本权重进行调整:Dt+1(i)=Dt(i)/Btexp[-atyigt (xi)](4)式(4)中,y表示期望分类结果,i=1,2,…,m。权重调整完毕, 且循环达到t轮以后,根据弱分类函数获得相应的强分类函数,即:h(x) =sign[Σtt=1atf(gt,at)](5) 3结语 综上所述,虚拟仪表作为现阶段最先进的仪表形式,在各行业、领域都发 挥出重要作用,而数学建模技术为虚拟仪表基本功能的实现提供了可靠支撑。而 数学建模技术多种多样,目前较常用的是模糊数学和人工神经网络两种,不同建 模技术有着不同的性质与特点,在实际工作中应根据具体情况妥善选取,以此充 分虚拟仪表应有的作用。