【正文】 實現(xiàn)局部解最優(yōu)，使BP網(wǎng)絡(luò)在全局最優(yōu)解與局部最優(yōu)解方向得到優(yōu)化，使BP網(wǎng)絡(luò)訓(xùn)練能更好的逼近最優(yōu)解，減少了訓(xùn)練次數(shù)，提高了泛化能力。 (genetic Algorithm，GA）遺傳算法以編碼空間代替問題的參數(shù)空間,以適應(yīng)度函數(shù)為評價依據(jù),以編碼群體為進化基礎(chǔ),以對群體中個體位串的遺傳操作實現(xiàn)選擇和遺傳機制,建立起一個迭代過程。在這一過程中,通過隨機重組編碼位串中的重要基因,使新一代的群體優(yōu)于老一代的群體,群體個體不斷進化,逐漸接近最優(yōu)解,最終實現(xiàn)求解問題的目的。遺傳算法優(yōu)化BP網(wǎng)絡(luò)主要包括一下幾部分：1)染色體編碼和初始化：采用實數(shù)編碼方式優(yōu)化BP網(wǎng)絡(luò)的權(quán)值，對應(yīng)為2541的BP網(wǎng)絡(luò)結(jié)構(gòu)，將BP網(wǎng)絡(luò)44個實數(shù)依次排列成向量，在[100,100]范圍內(nèi)隨機生成30個染色體作為第一代種群。2)染色體解碼：各個染色體對應(yīng)的是一個由44個實數(shù)組成的行向量，其根據(jù)自己定義的排序規(guī)則對應(yīng)BP網(wǎng)絡(luò)的各層權(quán)值、閾值，將這種編碼規(guī)則反算得出染色體解碼后的BP網(wǎng)絡(luò)結(jié)構(gòu)。3）染色體適應(yīng)度函數(shù)：將染色體基因串還原為BP網(wǎng)絡(luò)對應(yīng)的權(quán)值與閾值，將權(quán)值與閾值賦給BP網(wǎng)絡(luò)，此時的BP網(wǎng)絡(luò)輸出為下式表示：將期望輸出值與BP網(wǎng)絡(luò)輸出值進行比較，定義染色體是適應(yīng)度值為f=1/mse其基本公式如式216，217為： （216） （217）4)染色體復(fù)制，交叉，變異：染色體以輪盤賭方式進行復(fù)制，采用多點方式交叉，采用以自適應(yīng)方式進行變異。 模擬退火算法(simulated annealing,SA)模擬退火算法通過采用隨機模擬物體退火過程來完成問題的求解。也就是在控制參數(shù)(溫度)的作用下，對參數(shù)的值進行調(diào)整，直到所選取的參數(shù)值最終使能量函數(shù)達到全局極小值。模擬退火算法具有較強的局部搜索能力，并能使搜索過程避免陷入局部最優(yōu)解。模擬退火算法的步驟如下1）初始化：設(shè)置初始溫度值T0，設(shè)置模擬退火迭代次數(shù)tmax,設(shè)置初始次數(shù)t=1.2）判斷是否達到最大迭代次數(shù)，即t是否大于tmax，如果沒有則執(zhí)行以下操作，若果達到則停止。3）隨機生成BP網(wǎng)絡(luò)相應(yīng)層對應(yīng)的權(quán)值與閾值的數(shù)組rand，～。4）對BP網(wǎng)絡(luò)的權(quán)值與閾值實行模擬退火操作，權(quán)值與閾值調(diào)整如式218，219，220。 (218) (219) (220)在上式（3）中：T0為開始選定的模擬退火的初始溫度；t為循環(huán)迭代次數(shù)；W(t)，W(t+1)分別為網(wǎng)絡(luò)第t次和t+1次迭代的權(quán)重；rand為隨機函數(shù)。5）計算= E(t+1)E(t)，若0，則接受權(quán)值W(t+1)的修改 ；否則說明≥0，計算當(dāng)前溫度下的狀態(tài)轉(zhuǎn)移概率P() = exp(/T(t))，然后通過隨即函數(shù)程序隨機性生成0～1之間的隨機數(shù)t()，若P()≥t()，則接受W(t +1)，算法轉(zhuǎn)入步驟（6）；否則，就不接受W(t +1)，就返回步驟（3），重新計算W(t+1)。6）模擬退火迭代次數(shù)t=t+）執(zhí)行。 遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法（SABP） 遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法[18,19]是將遺傳算法，模擬退火算法與BP網(wǎng)絡(luò)算法相結(jié)合的一種優(yōu)化算法。三者之間互相取其長抑制其短，相互配合但到了很好的效果。遺傳算法能夠在總體上朝著一個方向搜索全局最優(yōu)解，但是在局部搜索上有其弊端，模擬退火算法能夠?qū)崿F(xiàn)局部搜索，但是全局搜索能力不足，這里將遺傳算法和BP網(wǎng)絡(luò)算法相結(jié)合，可以實現(xiàn)全局搜索與局部搜索的互補，成為一種新的性能良好的算法，這樣就構(gòu)成了遺傳模擬退火算法的基本思想。遺傳模擬退火算法的基本思想就是利用隨機性函數(shù)生成一組種群，然后進行適應(yīng)度函數(shù)計算，根據(jù)是適應(yīng)度函數(shù)值來判斷樣本的適應(yīng)生存性，根據(jù)它們的適應(yīng)性排序，通過隨機性選擇方式將適用度高的個體留下，然后對每一個個體進行模擬退火操作，即是個每一個樣本一個很小的擾動，如果滿足要求則接受這次擾動。如果不滿足則返回原始數(shù)據(jù)，從微觀上去搜索。遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法即是將BP網(wǎng)絡(luò)結(jié)構(gòu)作為優(yōu)化目標(biāo)的一種優(yōu)化算法，將BP網(wǎng)絡(luò)的誤差輸出值作為適應(yīng)度函數(shù)，對于訓(xùn)練樣本誰的去查較小則容易實現(xiàn)被選擇。神經(jīng)網(wǎng)絡(luò)的連接權(quán)值的整體分布包含著BP網(wǎng)絡(luò)系統(tǒng)的全部知識，以前權(quán)值和閾值獲取方法都是采用某個確定的變化規(guī)則，在對BP網(wǎng)絡(luò)訓(xùn)練中逐步調(diào)整，得到一個較好的權(quán)值分布和閾值，BP網(wǎng)絡(luò)的學(xué)習(xí)過程正是如此。這就有可能導(dǎo)致滿足不了要求，例如訓(xùn)練時間過長，陷入到局部極值而得不到適當(dāng)?shù)臋?quán)值和閾值。在這里將BP網(wǎng)絡(luò)看作一個函數(shù)，用遺傳模擬退火算法來優(yōu)化連接權(quán)和閾值，可解決這個問題。對BP網(wǎng)絡(luò)優(yōu)化的方式有兩種方式，第一種為對BP網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，第二種為對固定BP網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值與閾值進行優(yōu)化，這里使選擇對固定的BP網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化。遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法的具體實施步驟如下： 1）進化代數(shù)計數(shù)器初始化：t=0，隨機產(chǎn)生初始網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值和閾值。2）按照BP網(wǎng)絡(luò)編碼規(guī)則生成初始種群，對各個種群進行解碼，得到BP網(wǎng)絡(luò)對應(yīng)權(quán)值，閾值。3）按照BP網(wǎng)絡(luò)函數(shù)映射關(guān)系得到各個種群輸出，計算相應(yīng)適應(yīng)度函數(shù)值。4）按照適應(yīng)度函數(shù)值對種群進行排序，選擇，交叉變異等操作，得到新種群5）對新種群做模擬退火運算局部尋優(yōu)。6）判斷是否滿足小于迭代次數(shù)，如果否繼續(xù)遺傳操作，如果是則獲取最優(yōu)BP網(wǎng)絡(luò)權(quán)值與閾值。7）將最優(yōu)的權(quán)值與閾值初始化BP網(wǎng)絡(luò)，BP網(wǎng)絡(luò)進行訓(xùn)練，結(jié)束。為了驗證算法的有效性，這里是利用現(xiàn)場測試數(shù)據(jù)進行壓力傳感器溫度補償?shù)模渲袎毫鞲衅鬟x擇的寶雞麥克公司的MPM280傳感器，該傳感器有很高的輸出精度；為了抑制溫度漂移及減小補償前數(shù)據(jù)損失，選擇了高性能的MSP430單片機。遺傳算法的實現(xiàn)是基于設(shè)菲爾德大學(xué)編寫的遺傳算法工具箱實現(xiàn)的，其基本是一些matlab中的m文件，直接對函數(shù)的調(diào)用實現(xiàn)種群的創(chuàng)建，選擇，交叉，變異，適用度值排序等，利用一定的排序規(guī)則實現(xiàn)種群的數(shù)據(jù)向BP網(wǎng)絡(luò)結(jié)構(gòu)權(quán)值與閾值的轉(zhuǎn)化，利用檢測到的訓(xùn)練樣本值完成適應(yīng)度函數(shù)的編寫，根據(jù)模擬退火算法的基本定義完成模擬退火操作程序?qū)崿F(xiàn)BP網(wǎng)絡(luò)遺傳算法中的局部尋優(yōu)。其中種群大小為30個，染色體數(shù)目為44個，最大進化代數(shù)為200次，，采用隨機遍歷方法選擇種群，模擬退火過程設(shè)置為100次，模擬退火溫度設(shè)置為1000。當(dāng)完成200次遺傳模擬退火操作，找出最優(yōu)的BP網(wǎng)絡(luò)權(quán)值與閾值，優(yōu)化BP網(wǎng)絡(luò)，利用訓(xùn)練樣本值完成BP網(wǎng)絡(luò)訓(xùn)練。程序運行的基本流程為首先初始化，首先生成BP網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置種群大小，最大進化代數(shù)，交叉概率，交叉方式，種群選擇方式，變異概率，模擬退火初始溫度，模擬退火降溫變化系數(shù)等。然后進行遺傳操作，首先生成種群，對種群中的個體進行解碼獲取BP網(wǎng)絡(luò)的權(quán)值和閾值，根據(jù)尋訓(xùn)練樣本獲取個體適應(yīng)度值，根據(jù)適應(yīng)度值選擇最優(yōu)個體，交叉，變異獲取新個體，對每一個新個體進行模擬退火操作局部尋優(yōu)。判斷是否達到最大遺傳代數(shù)，如果沒有則繼續(xù)進行遺傳模擬退火操作。如果達到了則獲取最優(yōu)樣本，將最優(yōu)樣本初始化BP網(wǎng)絡(luò)，利用訓(xùn)練樣本對BP網(wǎng)絡(luò)進行訓(xùn)練，達到最優(yōu)解。其基本流程圖如圖221所示。圖221 遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法流程圖Fig219 Genetic simulated annealing flow chart of BP network algorithm 遺傳模擬退火算法的MATLAB程序根據(jù)遺傳模擬退火算法的流程圖，其基本程序如下所述。1）初始化程序初始化主要有個體數(shù)目的設(shè)置，迭代次數(shù)的設(shè)定，個體的域設(shè)定等]。基本程序如下所示：getenum=40。%個體數(shù)目maxgen=50。%最大迭代次數(shù)ggap=。%交叉率設(shè)定field=[100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100,100。100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ,100 ]。oldchrom=crtrp(getenum,field)。%產(chǎn)生個體gen=0。%迭代計數(shù)2）BP網(wǎng)絡(luò)數(shù)據(jù)的解碼由于反應(yīng)BP網(wǎng)絡(luò)權(quán)值閾值的種群為一個數(shù)組BP網(wǎng)絡(luò)，先將數(shù)據(jù)解碼，對每一個個體神經(jīng)網(wǎng)絡(luò)進行運算，得出適應(yīng)度函數(shù)值?；境绦驗椋篺or i=1:40 for k=1:21 x(k)=oldchrom(i,k)。%數(shù)據(jù)解碼 end [quan1, quan2 ,yu1,yu2]=bpnetdecode(x)。%BP網(wǎng)絡(luò)解碼 bpout(i)=bpfitness(quan1,quan2,yu1,yu2,pp,tt)。%BP網(wǎng)絡(luò)是硬度函數(shù)計算 objv=bpout39。end3）遺傳算法優(yōu)化BP網(wǎng)絡(luò)的實現(xiàn)遺傳算法優(yōu)化BP網(wǎng)絡(luò)即是對每一個BP網(wǎng)絡(luò)的種群實現(xiàn)輸出，然后計算誤差，對每一個誤差進行適應(yīng)度函數(shù)計算，利用輪盤賭方式實現(xiàn)對個體的篩選，對每一個個體進行單點交叉，然后再進行數(shù)據(jù)的再次循環(huán)計算。其基本程序為：while genmaxgen finv=ranking(objv)。%排序 selch=select(39。sus39。,oldchrom,finv,ggap)。%遺傳算法選擇 selch=rebin(39。xovsp39。,selch,)。 %遺傳算法交叉 selch=mut(selch)。 %遺傳算法變異，計算適應(yīng)度函數(shù)，選擇之后數(shù)組已發(fā)生改變， %和以前數(shù)據(jù)維數(shù)不同，因此要重新計算維數(shù) [a b]=size(selch)。 for i=1:a for k=1:21 x(k)=selch(i,k)。 %選擇 end [quan1, quan2 ,yu1,yu2]=bpnetdecode(x)。%BP網(wǎng)絡(luò)解碼 bpout1(i)=bpfitness(quan1,quan2,yu1,yu2,pp,tt)。%計算適應(yīng)度值 end objvsel=bpout139。 [oldchrom objv]=reins(oldchrom,selch,1,1,objv,objvsel)。%重插入 gen=gen+1。 %迭代次數(shù)加1end4）模擬退火優(yōu)化BP網(wǎng)絡(luò)實現(xiàn)模擬退火的過程是基于對BP網(wǎng)絡(luò)加上很小的一個擾動，如果滿足搜索時值變小，就接受此次擾動，如果不是則以一定的概率判斷是不是接受此次擾動?；境绦蛉缦滤荆篬quan1, quan2 ,yu1,yu2]=bpnetdecode(x)。%BP網(wǎng)絡(luò)解碼tempee=bpfitness(quan1,quan2,yu1,yu2,pp,tt)。%計算適應(yīng)度值tempx=x+rands(21,1)。[quan1, quan2 ,yu1,yu2]=bpnetdecode(tempx)。%BP網(wǎng)絡(luò)解碼tempee1=bpfitness(quan1,quan2,yu1,yu2,pp,tt)。%計算適應(yīng)度值delte= tempee1tempee。if delte0x=tempx。else temp=exp(1* delte/t)。if (temprand(a))amp。(temprand(a))x=tempx。endend通過遺傳模擬退火優(yōu)化BP網(wǎng)絡(luò)操作，縮小了BP網(wǎng)絡(luò)的搜索范圍，克服陷入局部極小值電的問題，BP網(wǎng)絡(luò)優(yōu)化的誤差分布圖如圖222所示，圖中記錄了BP網(wǎng)絡(luò)根據(jù)遺傳模擬退火算法優(yōu)化后誤差的值和BP網(wǎng)絡(luò)其中一個權(quán)值的變圖222 遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法誤差變化圖Fig220 Genetic simulated annealing algorithm for BP network error variation化情況，由圖可以看出BP網(wǎng)絡(luò)的誤差朝著減小的方向進行。通過檢測，遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)算法可以減少BP網(wǎng)絡(luò)的訓(xùn)練步數(shù)，從圖223看出直接用訓(xùn)練樣本訓(xùn)練BP網(wǎng)絡(luò)的誤差看出訓(xùn)練5000多步其基本誤差達到，由圖224看出經(jīng)過遺傳模擬退火優(yōu)化后經(jīng)過1600多次誤差達到了，遺傳模擬退火優(yōu)化有了很好的效果。圖223直接用BP網(wǎng)絡(luò)訓(xùn)練誤差圖Fig221 The direct use of BP network training error map圖224 遺傳模擬退火B(yǎng)P網(wǎng)絡(luò)誤差圖Fig222 Genetic simulated annealing error of BP network diagram針對 BP網(wǎng)絡(luò)對壓力傳感器溫度補償中出現(xiàn)的訓(xùn)練速度慢﹑易陷入局部極小值點的問題引入了遺傳模擬退火來優(yōu)化BP網(wǎng)絡(luò)，較好的實現(xiàn)了壓力傳感器的溫度補償，提高了BP網(wǎng)絡(luò)的泛化能力。結(jié)果顯示：很好的抑制了溫度引起的非線性誤差，%，遺傳算法有很好的宏觀尋優(yōu)能力，能夠根據(jù)種群的交叉變異，適應(yīng)度判斷朝著最有方向?qū)?yōu)，在遺傳算法中加入了模擬退火操作，實現(xiàn)了遺傳算法中的局部尋優(yōu)。 本章小結(jié)本章分析了壓力傳感器溫度漂移的原因，分析了用于溫度補償?shù)挠布娐费a償方法和軟件補償實現(xiàn)方法，軟件補償實現(xiàn)主要包括線性插值法﹑曲線擬合法﹑曲面擬合法﹑BP網(wǎng)絡(luò)算法。重點分析了BP網(wǎng)絡(luò)算法，介紹了MATLAB人工神經(jīng)網(wǎng)絡(luò)工具箱，并介紹了BP網(wǎng)絡(luò)在壓力傳感器溫度補償中的應(yīng)用。對于BP網(wǎng)絡(luò)陷入局部極小問題分析了遺傳模擬退火算法進行改進。3 硬件電路設(shè)計 智