技術(shù)特征：

1.一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：包括以下步驟：

（1）采集壓力導絲輸出電壓以及所處環(huán)境相關(guān)參數(shù)，主要包括壓力導絲所處環(huán)境的溫度值，壓力值以及與其相對應(yīng)的壓力導絲輸出的電壓值，并對其盡心歸一化處理;

（2）構(gòu)建一個具有誤差反向傳播能力的三層前反饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）模型，并設(shè)置其輸入、輸出層及隱含層的神經(jīng)元個數(shù)，各層傳遞函數(shù)以及網(wǎng)絡(luò)訓練參數(shù)等；

（3）利用改進的粒子群算法優(yōu)化構(gòu)建的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；

a．初始化構(gòu)建粒子群算法，設(shè)置粒子群算法參數(shù)，包括：粒子數(shù)、粒子群維度、粒子初始位置及初始速度、迭代次數(shù)、慣性權(quán)重ω以及學習因子 、；

b．針對每個粒子的當前位置計算適應(yīng)度值 ，記錄每個粒子的歷史最優(yōu)適應(yīng)度值時粒子位置 以及粒子群所有粒子中的歷史最優(yōu)適應(yīng)度值時粒子位置；

c．判斷粒子適應(yīng)度是否達到要求或迭代次數(shù)是否達到最大，若達到，進行步驟（4），若未達到，繼續(xù)步驟d；

d．按照以下速度和位置公式更新所有粒子的位置和速度：

其中為慣性權(quán)重，為第i個粒子第t次迭代后的速度，為第i個粒子第t+1次迭代后的速度，為第i個粒子的歷史最優(yōu)位置，為整個粒子群歷史最優(yōu)位置，、為學習因子，第i個粒子的當前位置，為隨機數(shù)、 第i個粒子第t次迭代后的位置，為第i個粒子第t+1次迭代后的位置；

重新返回步驟b；

（4）對優(yōu)化后權(quán)值和閾值的神經(jīng)網(wǎng)絡(luò)進行訓練，將粒子群算法優(yōu)化后的權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)，并判斷是否達到神經(jīng)網(wǎng)絡(luò)訓練要求，若達到，直接進行步驟（5），若未達到，使用神經(jīng)網(wǎng)絡(luò)訓練函數(shù)對各層權(quán)值和閾值進行二次優(yōu)化，達到訓練要求后進行步驟（5）；

（5）利用訓練得到的神經(jīng)網(wǎng)絡(luò)模型對壓力導絲測量數(shù)據(jù)進行溫度補償，將壓力導絲輸出的電壓值和環(huán)境溫度值作為神經(jīng)網(wǎng)絡(luò)的輸入，訓練好的神經(jīng)網(wǎng)絡(luò)輸出補償后的環(huán)境壓力值。

2.根據(jù)權(quán)利要求1所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：所述步驟（1）中對數(shù)據(jù)進行歸一化處理是將壓力導絲測得的電壓值、外界溫度值和壓力值分別映射到[m，n]范圍內(nèi)。

3.根據(jù)權(quán)利要求1所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：所述步驟（2）中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為a、隱含層神經(jīng)元個數(shù)為b、輸出層神經(jīng)元個數(shù)為c，隱含層傳遞函數(shù)為S型函數(shù)、輸出層傳遞函數(shù)為線性函數(shù)，迭代次數(shù)為次，均方誤差為，訓練方法根據(jù)需要選取算法。

4.根據(jù)權(quán)利要求1所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：所述步驟（3）中每個粒子都包含BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值，粒子數(shù)取q，q的范圍可在[20,100]內(nèi)，維度為，粒子初始位置及初始速度取隨機值，迭代次數(shù)取，慣性權(quán)重ω和學習因子、按如下公式取得：

其中，、為慣性權(quán)值的最大值、最小值，為當前迭代次數(shù)，t_max為粒子群算法最大迭代次數(shù)，τ和k控制更新函數(shù)的下凹程度，h控制學習因子的取值范圍；

粒子適應(yīng)度值為當前粒子的權(quán)值和閾值帶入神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)輸出值與實際值間的均方誤差，適應(yīng)度最優(yōu)即為均方誤差最?。?/p>

其中，為訓練樣本個數(shù)，為神經(jīng)網(wǎng)絡(luò)預測輸出值， 為實際外界壓力值。

5.根據(jù)權(quán)利要求1所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：所述步驟（4）中神經(jīng)網(wǎng)絡(luò)訓練要求是構(gòu)建神經(jīng)網(wǎng)絡(luò)時設(shè)置的誤差精度要求，即為當前網(wǎng)絡(luò)的權(quán)值和閾值預測出的輸出值與實際值間的均方誤差是否滿足神經(jīng)網(wǎng)絡(luò)的設(shè)置要求，若未達到，使用神經(jīng)網(wǎng)絡(luò)訓練函數(shù)更新權(quán)值和閾值，直到達到誤差精度要求或達到最大迭代次數(shù)后停止訓練。

6.根據(jù)權(quán)利要求1所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：所述步驟（5）中訓練結(jié)束得到的神經(jīng)網(wǎng)絡(luò)構(gòu)成了壓力導絲的逆模型，完成壓力導絲的溫度補償。

7.根據(jù)權(quán)利要求2所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：對數(shù)據(jù)進行歸一化處理映射范圍是由神經(jīng)網(wǎng)絡(luò)隱含層傳遞函數(shù)決定的。

8.根據(jù)權(quán)利要求3所述的一種改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的壓力導絲溫度補償方法，其特征是：神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)由擬合模型輸入決定；對于隱含層神經(jīng)元個數(shù)確定，一方面可通過經(jīng)驗公式,其中分別對應(yīng)輸入層、輸出層神經(jīng)元個數(shù)，在[1,10]范圍內(nèi)取值，另一方面可以根據(jù)擬合模型的具體精度要求通過個數(shù)試驗確定；輸出層神經(jīng)元個數(shù)由擬合模型的輸出決定。