小波神经网络在动态地磅称量数据处理中的应用

通过分析称重信号的数据波形图，发现数据当中掺杂着大量噪声信号，这在很大的程度上影响称重结果。通常使用的滤波方法能在一定范围内消除噪声信号，但是在路面不平、车辆振动的情况下，称量结果不稳定。针对这种情况提出了小波神经网络算法对称重数据信号进行去除噪声处理。实验仿真得出，利用小波神经网络算法对称重信号进行处理后，相对于传统的去噪滤波方法，能得到更理想的数据波形，使得称重结果与实际值的误差在 ± 2% 内。

0.引言

在当今的现代工业化时代，自动化称重设备已经应用到各个领域，而动态地磅也正是因为其高精度、高效性等特点广泛应用于高速公路超限检测和计重收费系统。然而，由于车辆振动和路面不平等因素使得称重传感器的信号输出掺杂了复杂的干扰因素。使得动态地磅的精度无法保障。因此，去除信号里的噪声信号、提高噪声比成为了提高精度的一种可行方法。

文献提出了参数回归方法去噪，但需对其参数进行严格的检验推断且步骤较多，不适于实时检测。文献提出了神经网络自适应滤波动态称重系统，通过神经网络提高了自适应能力及运算时效性，但其模型复杂、精度没有具体范围。

针对动态检测过程中对运算速度和准确率的要求，提出了小波神经网络对称重信号进行去噪处理的方法。该方法能够自适应选取小波去噪分解层数和小波去噪的阈值。

1.小波神经网络

1． 1 小波神经网络简介

小波阈值神经网络，该神经网络集成了小波阈值去噪，可以在信号去噪、前向预测、带噪声的系统辨识中取得较好的效果，而且利用阈值的自学习功能使得噪声的类型不局限于高斯白噪声。利用新的连续可导的阈值函数使得网络训练成为可能，并对网络的结构进行了简化，有利于计算机实现。

该方法中采用非线性 db6 小波基及其尺度函数作为激励函数，形成神经元，结合双方的优点，建立了融合型小波神经网络 ，如图 1 所示。

( 1) 输入层只含有一个处理单元，S( i) 是掺杂了干扰噪声的信号。

( 2) 输出层也只含一个处理单元，其作用是利用阈值量化后的小波分解系数进行信号重构，输出为

图1 中的最后隐层对小波分解系数进行阈值量化，从而抑制S( t) 信号中噪声信号。每一尺度的小波分解系数 dj，k ( j = 1，2……L，k =1，2……K) 对应一个阈值 θj ，输出的小波系数为d'j，k( j =1，2……L，k = 1，2……K) 。

（3) 第一层隐层包括两种单元: ①尺度函数 Ф ( x) 单元L，k ，其中尺度 L 是根据实际情况确定的，而位移 K 则对应小波分析的系数栅格中 j = K 的各 k 值，构成对函数的最粗逼近; ② 小波函数 ψ( x) 单元 ψj，k ，其中尺度 j = 1，2，…，L ，而位移 k 类似尺度函数单元中的 K 值，构成对函数的细节逼近。

( 4) 输入层至第一隐层的各权系数为 1，第一隐层至最后隐层的权系数为小波分解系数，是根据 Mallet 算法通过迭代计算并使其能量函数最小来确定 。

1． 2 消噪算法

设 S( n) 是神经网络的期望输出，S'( n) 是神经网络的实际输出，则网络训练误差和:

式中: N 为采样信号长度。

网络的训练分两部分进行，首先对小波分解的层数进行训练 。

小波神经网络消噪算法:

( 1) 选择适当的正交归一化小波函数，本文选择的是 db6小波函数。

( 2) 对输入的每一维构造一个多分辨率系数栅格。最高分辨率( j = 0) 时栅格间隔等于输入各维的采样间隔; 最低分辨率 ( j = L) 时则只有 2 个数据点。

( 3)  针对称重信号的特点，采用 ＲIGＲSUＲE 阈值量化规则对阈值进行处理。

( 4)  当 j = L 时，用输入数据训练 Ф 单元。

( 5) 如果由式( 2) 计算出的误差不满足要求，则再加入合适的 ψ 单元，直到误差满足要求为止。

( 6)  删去 d'j，k 值很小的 ψ 单元，然后再回到步骤( 5) ，用新

数据重新检验小波神经网络。

当小波神经网络稳定时，小波分解的层数也就被网络记住了，下一步给定更严格的误差对阈值进行训练。通过梯度下降法，调整阈值 θ，使得网络训练的误差和最小，调整幅度为:

对于动态地磅，实际采集的称重信号掺杂了未知的干扰信号，如图 3 中的输入信号。利用上述提出方法的阈值自学习功能使得噪声的类型不局限于高斯白噪声。

针对轮轴过秤数据的仿真结果如图 3 所示。经过小波阈值神经网络去噪处理后的波形趋于稳定，接近理想信号的波形，保证了计算过程的正确性，也保证了计算结果的准确性。

2． 2 实验结果

将该方法运用到实际当中，在山西某超限检测站进行试验观察，运煤车有出厂的静态衡数据，所以通过观察这一类车的称重数据进行对比得到的数据如表 1 所示。数据结果表明，该方法能够保证称重结果的最大误差为－ 1. 79% ，误差范围在 ± 2% 内。

3.结论

本文将小波神经网络的去噪方法运用于动态地磅的信号处理当中，能够去除含有噪声信号当中的噪声干扰信号，能够保证称重数据在 ± 2% 精度范围内，并满足国家《GB / T 21296—2007 动态公路车辆自动衡器》规定的准确度等级为 2的要求 。