基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法
【專利摘要】本發(fā)明公開了基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，包括步驟：采集獲得誤差數(shù)據(jù)，同時采用多個傳感器測量獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值；基于經(jīng)驗?zāi)Ｊ椒纸馑惴▽⒃撜`差數(shù)據(jù)分解為多個IMF分量，并求解獲得每個IMF分量的希爾伯特邊緣譜；將該誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個IMF分量的希爾伯特邊緣譜作為輸入數(shù)據(jù)，采用訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后獲得對應(yīng)輸出的標簽函數(shù)；獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并累加后作為光柵尺的誤差補償量；采用獲得的誤差補償量對光柵尺進行測量補償。本方法操作簡單、成本較低，而且補償效果好，可實現(xiàn)對光柵尺系統(tǒng)的有效補償，可廣泛應(yīng)用于光柵尺測量行業(yè)中。
【專利說明】
基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及光柵尺誤差測量領(lǐng)域，特別是涉及基于深度學(xué)習的光柵尺測量誤差動 態(tài)補償方法。
【背景技術(shù)】
[0002] CNN神經(jīng)網(wǎng)絡(luò):卷積神經(jīng)網(wǎng)絡(luò)；
[0003] 經(jīng)驗?zāi)Ｊ椒纸?Empirical Mode Decomposition，簡稱EMD，一種信號分析處理的 算法，算法思想為:將復(fù)雜信號分解為有限個本征模函數(shù)（Intrinsic Mode Function，簡稱 頂F)分量，所分解出來的各頂F分量包含了原信號的不同時間尺度的局部特征信號；
[0004] IMF: Intrinsic Mode Function，本征模態(tài)函數(shù)，信號經(jīng)過EMD分解后所產(chǎn)生的滿 足一定條件的信號，通常EMD分解對信號進行分解后，會產(chǎn)生η個IMF分量和一個殘余分量， 也可以稱為獲得n+1個頂F分量；
[0005] HMS:Hilbert marginal spectrum，希爾伯特邊緣譜，一種頻譜圖；
[0006] mini-batch:在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中指訓(xùn)練集的批量數(shù)據(jù)集；
[0007] 超參數(shù)：參數(shù)中的參數(shù)，即為求解CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)0t而引入的參數(shù)，包括 學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù)據(jù)集以及均方根誤差閾值。
[0008] 制造業(yè)的高速發(fā)展離不開高精度的測量設(shè)備，絕對式光柵尺具有測量精度高、制 造成本低以及對工作環(huán)境要求不高等特點，因此被廣泛應(yīng)用于CNC制造領(lǐng)域。提高絕對式光 柵尺的測量精度一直被行業(yè)界和學(xué)術(shù)界廣泛關(guān)注著。
[0009] 提高絕對式光柵尺的測量精度方法總體可以分為三類:改進光柵尺的機械結(jié)構(gòu)與 制作工藝、信號處理方法、圖像處理方法。海德漢等公司通過改進光柵尺的機械結(jié)構(gòu)、改進 制作材料以及制作工藝等方法來提高測量精度，測量精度得到了較大的提升，然而這類方 法已經(jīng)接近極限，很難再有突破。而采用信號處理的方法對光柵尺進行誤差補償來提高測 量精度，這種方法可以在不增加硬件成本的情況提高光柵尺的測量精度。但這類方法均基 于傅立葉分析方法，傅立葉分析在對線性的、平穩(wěn)的信號時是有效的，而在應(yīng)對非線性、分 平穩(wěn)的信號時就無能為力。通常情況下，在制造業(yè)領(lǐng)域很多設(shè)備都是機電一體化的系統(tǒng)，這 類設(shè)備由于振動以及溫濕度等影響，使得所產(chǎn)生的信號是非線性、非平穩(wěn)的，很難通過線性 化的信號處理方法來處理。
[0010] 而且，由于光柵尺是高精密的測量儀器，這就是意味著，其在使用過程中容易受到 外界因素的干擾。業(yè)界普遍通過研究發(fā)現(xiàn)溫度所導(dǎo)致的光柵基體熱膨脹而發(fā)生的形變是制 約光柵尺測量精度的最主要因素?，F(xiàn)階段光柵基體基本采用的是有機玻璃材質(zhì)進行加工而 成，這種材料在受熱的情況下會發(fā)生不規(guī)則的形變，并且隨著測量的不斷進行，這種形變會 越來越大。在機械系統(tǒng)的振動、溫度等因素綜合作用下，使得導(dǎo)致測量誤差呈現(xiàn)一個非線性 累積增長的趨勢。這種因素所導(dǎo)致的測量誤差很難通過改進機械結(jié)構(gòu)以及通過線性化的信 號分析方法去處理。
[0011]總的來說，機械系統(tǒng)的振動、溫度等因素綜合作用導(dǎo)致光柵尺在測量過程中所產(chǎn) 生非線性的累積誤差，并且這種累積誤差呈現(xiàn)出一種非線性增長的趨勢，可以將這類誤差 稱為趨勢誤差，并且趨勢誤差是整體誤差的主要成分。因此光柵尺的測量誤差就可以大致 分為兩個部分:一個趨勢誤差，另一個則是由于其他因素所導(dǎo)致的隨機誤差。因為趨勢誤差 是整體誤差的主要成分并且是光柵尺的固有誤差成分。因此只要能夠消除這個趨勢誤差就 能有效的提高光柵尺的測量精度。傳統(tǒng)的進行誤差補償信號處理方法均是基于傅立葉分析 及函數(shù)擬合、線性回歸等數(shù)理統(tǒng)計等方法。這類方法的缺點都是事先規(guī)定一個基函數(shù)或函 數(shù)形式，再通過計算確定函數(shù)參數(shù)，這會破壞信號本身的結(jié)構(gòu)特性，無法準確地進行補償。 因此目前的處理方法中無法對趨勢誤差進行補償，難以有效提高光柵尺的測量精度，對光 柵尺的應(yīng)用造成了限制。

【發(fā)明內(nèi)容】

[0012] 為了解決上述的技術(shù)問題，本發(fā)明的目的是提供基于深度學(xué)習的光柵尺測量誤差 動態(tài)補償方法。
[0013] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0014] 基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，包括步驟：
[0015] S1、采集光柵尺和激光干涉儀的測量數(shù)據(jù)后獲得誤差數(shù)據(jù)，同時采用多個傳感器 測量獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值；
[0016] S2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將該誤差數(shù)據(jù)分解為多個MF分量，并求解獲得每個 IMF分量的希爾伯特邊緣譜；
[0017] S3、將該誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾伯 特邊緣譜作為輸入數(shù)據(jù)，采用訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后，獲得對應(yīng)輸出的標簽 函數(shù)；
[0018] S4、根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的 趨勢項累加后作為光柵尺的誤差補償量；
[0019] S5、采用獲得的誤差補償量對光柵尺進行測量補償。
[0020] 進一步，還包括以下步驟：
[0021] A1、依次調(diào)節(jié)多種干擾因素的作用強度，測量獲得多個在多種干擾因素的不同作 用強度值下的誤差數(shù)據(jù)；
[0022] A2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，分解獲得每個誤差數(shù)據(jù)的多個MF分量，進而求解獲 得每個IMF分量的希爾伯特邊緣譜以及每個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)；
[0023] A3、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾 伯特邊緣譜作為輸入數(shù)據(jù)，并將對應(yīng)的標簽函數(shù)作為輸出數(shù)據(jù)，建立CNN神經(jīng)網(wǎng)絡(luò)并進行訓(xùn) 練識別。
[0024] 進一步，所述步驟A2,包括：
[0025] A21、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將每個誤差數(shù)據(jù)分解成多個頂F分量；
[0026] A22、分別對每個IMF分量進行希爾伯特變換，并計算獲得每個IMF分量的希爾伯特 譜和希爾伯特邊緣譜；
[0027] A23、根據(jù)預(yù)設(shè)篩選條件對所有IMF分量進行分析后，篩選出符合條件的IMF分量作 為誤差數(shù)據(jù)的趨勢項；
[0028] A24、根據(jù)篩選出來的趨勢項獲得每個頂F分量對應(yīng)的標簽函數(shù)值，將MF分量中每 個趨勢項的標簽函數(shù)值賦值1，其余的頂F分量的標簽函數(shù)值賦值0,進而建立每個誤差數(shù)據(jù) 對應(yīng)的標簽函數(shù)。
[0029] 進一步，所述步驟A23,包括：
[0030] A231、將每個頂F分量的希爾伯特邊緣譜按照頻率順序均分為低頻區(qū)域、中頻區(qū)域 和尚頻區(qū)域；
[0031] A232、分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而 分別計算每個區(qū)域的歸一化權(quán)重因子；
[0032] A233、篩選出低頻區(qū)域的歸一化權(quán)重因子大于預(yù)設(shè)閾值的MF分量作為誤差數(shù)據(jù) 的趨勢項。
[0033] 進一步，所述步驟A232,其具體為：
[0034]分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而根據(jù)下 式分別計算每個區(qū)域的歸一化權(quán)重因子：
[0036]上式中，Mj, i、Mj, 2和Mj,3依次表示第j個MF分量的低頻區(qū)域、中頻區(qū)域和高頻區(qū)域 的歸一化權(quán)重因子，和叫,3分別表示第j個頂F分量的低頻區(qū)區(qū)域、中頻區(qū)域和高頻 區(qū)域的權(quán)重因子，j為自然數(shù)。
[0037] 進一步，所述步驟A3,包括：
[0038] A31、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個頂F分量的希爾 伯特邊緣譜作為CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)：
[0039] A32、將多個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)作為CNN神經(jīng)網(wǎng)絡(luò)的目標輸出數(shù)據(jù)，建立CNN 神經(jīng)網(wǎng)絡(luò)；
[0040] A33、基于隨機梯度下降法對建立的CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練識別。
[0041] 進一步，所述步驟A33,其具體為：
[0042] 初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行 分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集，進而基于隨機梯度下降法，采用訓(xùn)練數(shù) 據(jù)集對CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，同時采用校驗數(shù)據(jù)集對訓(xùn)練過程中的CNN神經(jīng)網(wǎng)絡(luò)進行測試 驗證，并在驗證不通過時，修改CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)后，重新進行訓(xùn)練，直到驗證通過。 [0043] 進一步，所述步驟A33,包括：
[0044] A331、初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù) 據(jù)進行分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集；
[0045] A332、獲取用戶預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù) 據(jù)集以及均方根誤差閾值；
[0046] A333、從訓(xùn)練數(shù)據(jù)集中隨機選取批量數(shù)據(jù)集進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)下式更新 CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)：
[0048]上式中，α表示學(xué)習率，
表示訓(xùn)練數(shù)據(jù)集的均方誤差的隨機梯度，γ表示動 量，0t+1表示更新后的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，0t表示更新前的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)， A t表示更新速度，△ *+1表示迭代變化后的更新速度；
[0049] A334、迭代執(zhí)行步驟A333進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并在每次迭代次數(shù)累計達到觀察 間隔后，根據(jù)下式計算校驗數(shù)據(jù)集的當前均方誤差并根據(jù)預(yù)設(shè)更新條件對均方誤差閾值進 行更新：
[0051] 上式中，e表示校驗數(shù)據(jù)集的當前均方誤差，下標F表示弗羅貝尼烏斯范數(shù)，f(x， 0t+1)表示輸入數(shù)據(jù)X經(jīng)過CNN神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，y$示標簽函數(shù)。
[0052] 進一步，所述步驟A334中根據(jù)預(yù)設(shè)更新條件對校驗數(shù)據(jù)集的均方誤差閾值進行更 新的步驟，其具體為：
[0053] 判斷計算獲得的校驗數(shù)據(jù)集的當前均方誤差是否小于均方誤差閾值，若是，則將 該當前均方誤差作為最新的均方誤差閾值，否則不進行更新。
[0054]進一步，所述步驟S4,其具體為:根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得所有標簽 函數(shù)值為1的分項，進行獲得每個分項對應(yīng)的IMF分量作為該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲 得的趨勢項累加后作為光柵尺的誤差補償量，進而對光柵尺進行測量補償。
[0055] 本發(fā)明的有益效果是:本發(fā)明的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法， 包括步驟:采集光柵尺和激光干涉儀的測量數(shù)據(jù)后獲得誤差數(shù)據(jù)，同時采用多個傳感器測 量獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值;基于經(jīng)驗?zāi)Ｊ椒纸馑惴ǎ瑢⒃撜` 差數(shù)據(jù)分解為多個頂F分量，并求解獲得每個頂F分量的希爾伯特邊緣譜;將該誤差數(shù)據(jù)對 應(yīng)的多種干擾因素的作用強度值以及多個IMF分量的希爾伯特邊緣譜作為輸入數(shù)據(jù)，采用 訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后，獲得對應(yīng)輸出的標簽函數(shù);根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出 的標簽函數(shù)，獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的趨勢項累加后作為光柵尺的誤差補 償量;采用獲得的誤差補償量對光柵尺進行測量補償。本方法通過采用CNN神經(jīng)網(wǎng)絡(luò)獲得光 柵尺的誤差補償量后，在光柵尺的測量過程中采用該獲得的誤差補償量對光柵尺進行測量 補償，操作簡單、成本較低，而且補償效果好，可實現(xiàn)對光柵尺系統(tǒng)的有效補償。
【附圖說明】
[0056] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。
[0057] 圖1是本發(fā)明的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法的流程圖；
[0058]圖2是本發(fā)明的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法中采用的CNN神經(jīng) 網(wǎng)絡(luò)的一結(jié)構(gòu)示例圖。
【具體實施方式】
[0059] 參照圖1，本發(fā)明提供了一種基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，包括 步驟：
[0060] S1、采集光柵尺和激光干涉儀的測量數(shù)據(jù)后獲得誤差數(shù)據(jù)，同時采用多個傳感器 測量獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值；
[0061] S2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將該誤差數(shù)據(jù)分解為多個IMF分量，并求解獲得每個 IMF分量的希爾伯特邊緣譜；
[0062] S3、將該誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾伯 特邊緣譜作為輸入數(shù)據(jù)，采用訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后，獲得對應(yīng)輸出的標簽 函數(shù)；
[0063] S4、根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的 趨勢項累加后作為光柵尺的誤差補償量；
[0064] S5、采用獲得的誤差補償量對光柵尺進行測量補償。
[0065] 進一步作為優(yōu)選的實施方式，還包括以下步驟：
[0066] A1、依次調(diào)節(jié)多種干擾因素的作用強度，測量獲得多個在多種干擾因素的不同作 用強度值下的誤差數(shù)據(jù)；
[0067] A2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，分解獲得每個誤差數(shù)據(jù)的多個MF分量，進而求解獲 得每個IMF分量的希爾伯特邊緣譜以及每個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)；
[0068] A3、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾 伯特邊緣譜作為輸入數(shù)據(jù)，并將對應(yīng)的標簽函數(shù)作為輸出數(shù)據(jù)，建立CNN神經(jīng)網(wǎng)絡(luò)并進行訓(xùn) 練識別。
[0069] 進一步作為優(yōu)選的實施方式，所述步驟A2,包括：
[0070] A21、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將每個誤差數(shù)據(jù)分解成多個頂F分量；
[0071 ] A22、分別對每個IMF分量進行希爾伯特變換，并計算獲得每個IMF分量的希爾伯特 譜和希爾伯特邊緣譜；
[0072] A23、根據(jù)預(yù)設(shè)篩選條件對所有IMF分量進行分析后，篩選出符合條件的IMF分量作 為誤差數(shù)據(jù)的趨勢項；
[0073] A24、根據(jù)篩選出來的趨勢項獲得每個頂F分量對應(yīng)的標簽函數(shù)值，將MF分量中每 個趨勢項的標簽函數(shù)值賦值1，其余的頂F分量的標簽函數(shù)值賦值0,進而建立每個誤差數(shù)據(jù) 對應(yīng)的標簽函數(shù)。
[0074]進一步作為優(yōu)選的實施方式，所述步驟A23,包括：
[0075] A231、將每個頂F分量的希爾伯特邊緣譜按照頻率順序均分為低頻區(qū)域、中頻區(qū)域 和尚頻區(qū)域；
[0076] A232、分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而 分別計算每個區(qū)域的歸一化權(quán)重因子；
[0077] A233、篩選出低頻區(qū)域的歸一化權(quán)重因子大于預(yù)設(shè)閾值的MF分量作為誤差數(shù)據(jù) 的趨勢項。
[0078] 進一步作為優(yōu)選的實施方式，所述步驟A232，其具體為：
[0079] 分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而根據(jù)下 式分別計算每個區(qū)域的歸一化權(quán)重因子：
[0081 ]上式中，Mj, i、Mj, 2和Mj,3依次表示第j個MF分量的低頻區(qū)域、中頻區(qū)域和高頻區(qū)域 的歸一化權(quán)重因子，和叫,3分別表示第j個頂F分量的低頻區(qū)區(qū)域、中頻區(qū)域和高頻 區(qū)域的權(quán)重因子，j為自然數(shù)。
[0082] 進一步作為優(yōu)選的實施方式，所述步驟A3,包括：
[0083] A31、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個頂F分量的希爾 伯特邊緣譜作為CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)：
[0084] A32、將多個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)作為CNN神經(jīng)網(wǎng)絡(luò)的目標輸出數(shù)據(jù)，建立CNN 神經(jīng)網(wǎng)絡(luò)；
[0085] A33、基于隨機梯度下降法對建立的CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練識別。
[0086] 進一步作為優(yōu)選的實施方式，所述步驟A33，其具體為：
[0087] 初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行 分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集，進而基于隨機梯度下降法，采用訓(xùn)練數(shù) 據(jù)集對CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，同時采用校驗數(shù)據(jù)集對訓(xùn)練過程中的CNN神經(jīng)網(wǎng)絡(luò)進行測試 驗證，并在驗證不通過時，修改CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)后，重新進行訓(xùn)練，直到驗證通過。
[0088] 進一步作為優(yōu)選的實施方式，所述步驟A33,包括：
[0089] A331、初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù) 據(jù)進行分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集；
[0090] A332、獲取用戶預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù) 據(jù)集以及均方根誤差閾值；
[0091] A333、從訓(xùn)練數(shù)據(jù)集中隨機選取批量數(shù)據(jù)集進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)下式更新 CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)：
[0093]上式中，α表示學(xué)習率，
表示訓(xùn)練數(shù)據(jù)集的均方誤差的隨機梯度，γ表示動 量，0t+1表示更新后的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，0t表示更新前的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)， A t表示更新速度，△ *+1表示迭代變化后的更新速度；
[0094] A334、迭代執(zhí)行步驟A333進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并在每次迭代次數(shù)累計達到觀察 間隔后，根據(jù)下式計算校驗數(shù)據(jù)集的當前均方誤差并根據(jù)預(yù)設(shè)更新條件對均方誤差閾值進 行更新：
[0096] 上式中，e表示校驗數(shù)據(jù)集的當前均方誤差，下標F表示弗羅貝尼烏斯范數(shù)，f(x， 0t+1)表示輸入數(shù)據(jù)X經(jīng)過CNN神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，y$示標簽函數(shù)。
[0097] 進一步作為優(yōu)選的實施方式，所述步驟A334中根據(jù)預(yù)設(shè)更新條件對校驗數(shù)據(jù)集的 均方誤差閾值進行更新的步驟，其具體為：
[0098] 判斷計算獲得的校驗數(shù)據(jù)集的當前均方誤差是否小于均方誤差閾值，若是，則將 該當前均方誤差作為最新的均方誤差閾值，否則不進行更新。
[0099] 進一步作為優(yōu)選的實施方式，所述步驟S4,其具體為:根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標 簽函數(shù)，獲得所有標簽函數(shù)值為1的分項，進行獲得每個分項對應(yīng)的IMF分量作為該誤差數(shù) 據(jù)對應(yīng)的趨勢項并將獲得的趨勢項累加后作為光柵尺的誤差補償量，進而對光柵尺進行測 量補償。
[0100]以下結(jié)合具體實施例對本發(fā)明做詳細說明。
[0101] 參照圖1，本發(fā)明提供了一種基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，包括 步驟：
[0102] S1、采集光柵尺和激光干涉儀的測量數(shù)據(jù)后獲得誤差數(shù)據(jù)，同時采用多個傳感器 測量獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值；
[0103] S2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將該誤差數(shù)據(jù)分解為多個MF分量，并求解獲得每個 IMF分量的希爾伯特邊緣譜；
[0104] S3、將該誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾伯 特邊緣譜作為輸入數(shù)據(jù)，采用訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后，獲得對應(yīng)輸出的標簽 函數(shù)；
[0105] S4、根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的 趨勢項累加后作為光柵尺的誤差補償量;具體為:根據(jù)CNN神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得 所有標簽函數(shù)值為1的分項，進行獲得每個分項(標簽函數(shù)的分項)對應(yīng)的IMF分量 Cl (t)作為該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的趨勢項累加后（獲得r=ECl(t))作為光柵 尺的誤差補償量，進而對光柵尺進行測量補償。
[0106] S5、采用獲得的誤差補償量對光柵尺進行測量補償，補償結(jié)果為:，=X- Γ，其中， f表示經(jīng)過誤差補償后的光柵尺測量值，Γ表示誤差補償量，X表示光柵尺的測量值。本方 法通過步驟S1~S4獲得光柵尺的誤差補償量后，在光柵尺測量過程中即直接采用該誤差補 償量對光柵尺進行測量補償，無需再采集激光干涉儀的測量數(shù)據(jù)和各種干擾因素的作用強 度值。
[0107] 優(yōu)選的，本實施例還包括以下的神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟：
[0108] A1、依次調(diào)節(jié)多種干擾因素的作用強度，測量獲得多個在多種干擾因素的不同作 用強度值下的誤差數(shù)據(jù)；
[0109] A2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，分解獲得每個誤差數(shù)據(jù)的多個MF分量，進而求解獲 得每個IMF分量的希爾伯特邊緣譜以及每個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)；
[0110] A3、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個MF分量的希爾 伯特邊緣譜作為輸入數(shù)據(jù)，并將對應(yīng)的標簽函數(shù)作為輸出數(shù)據(jù)，建立CNN神經(jīng)網(wǎng)絡(luò)并進行訓(xùn) 練識別。
[0111] 步驟A2具體包括A21~A24:
[0112] A21、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將每個誤差數(shù)據(jù)分解成多個頂F分量；
[0113] A22、分別對每個IMF分量進行希爾伯特變換，并計算獲得每個IMF分量的希爾伯特 譜和希爾伯特邊緣譜；
[0114] A23、根據(jù)預(yù)設(shè)篩選條件對所有IMF分量進行分析后，篩選出符合條件的IMF分量作 為誤差數(shù)據(jù)的趨勢項；
[0115] A24、根據(jù)篩選出來的趨勢項獲得每個頂F分量對應(yīng)的標簽函數(shù)值，將MF分量中每 個趨勢項的標簽函數(shù)值賦值1，其余的頂F分量的標簽函數(shù)值賦值0,進而建立每個誤差數(shù)據(jù) 對應(yīng)的標簽函數(shù)。例如共有11個IMF分量，其中第1，3，4,5，7,8,9個頂F分量為篩選出來的符 合條件的趨勢項，則這些趨勢項對應(yīng)的標簽函數(shù)值賦值1，標簽函數(shù)的第1，3，4，5，7，8，9個 元素的函數(shù)值為1，其余元素的函數(shù)值為〇。
[0116] 步驟A21具體為：
[0117] 根據(jù)下式，基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將每個誤差數(shù)據(jù)分解成多個頂F分量：
[0119] 上式中，X(t)表示誤差數(shù)據(jù)，i為自然數(shù)，m為自然數(shù)，m+1表示分解的頂F分量的總 個數(shù)，Ci(t)表示經(jīng)驗?zāi)Ｊ椒纸夂蟮牡趇個頂F分量，r m+1(t)表示第m+1個頂F分量，也稱殘余 分量。
[0120] 具體的，步驟A22包括A221~A223:
[0121 ] A221、根據(jù)下式，分別對每個IMF分量進行希爾伯特變換：
[0123] 上式中，P表不奇異積分的柯西主值，c(t)表不IMF分量，CH(t)表不IMF分量c(t)的 希爾伯特變換；
[0124] A222、根據(jù)下式，計算獲得每個IMF分量的瞬時幅值、瞬時相位和瞬時頻率：
[0126] 上式中，a(t)表示MF分量c(t)的瞬時幅值，Φ (t)表示MF分量c(t)的瞬時相位， ω (t)表示IMF分量c(t)的瞬時頻率；
[0127] A223、根據(jù)下式計算獲得每個IMF分量的希爾伯特邊緣譜：
[0129] 上式中，Η( ω，t)表示IMF分量c(t)的希爾伯特譜，h( ω )表示IMF分量c(t)的希爾 伯特邊緣譜，T表示積分周期。
[0130] 具體的，步驟A23，包括A231~A233:
[0131 ] A231、將每個頂F分量的希爾伯特邊緣譜按照頻率順序均分為低頻區(qū)域、中頻區(qū)域 和尚頻區(qū)域；
[0132] A232、分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而 根據(jù)下式分別計算每個區(qū)域的歸一化權(quán)重因子：
[0134]上式中，Mj, i、Mj, 2和Mj,3依次表示第j個MF分量的低頻區(qū)域、中頻區(qū)域和高頻區(qū)域 的歸一化權(quán)重因子，和叫,3分別表示第j個頂F分量的低頻區(qū)區(qū)域、中頻區(qū)域和高頻 區(qū)域的權(quán)重因子，j為自然數(shù)；
[0135] A233、篩選出低頻區(qū)域的歸一化權(quán)重因子大于預(yù)設(shè)閾值的MF分量作為誤差數(shù)據(jù) 的趨勢項。
[0136] 步驟A231~A233中，通過計算各MF分量的希爾伯特邊緣譜的低頻區(qū)域、中頻區(qū)域 和高頻區(qū)域的歸一化權(quán)重因子后，根據(jù)低頻區(qū)域的歸一化權(quán)重因子是否大于預(yù)設(shè)閾值來篩 選該IMF分量是否符合條件，從而將符合條件的IMF分量作為誤差數(shù)據(jù)的趨勢項，最后結(jié)合 步驟A24建立誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)，用于進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。本方法通過計算歸一化權(quán) 重因子，根據(jù)歸一化情況來篩選判斷，而不是人為的設(shè)定某參數(shù)的閾值來進行判斷，從而可 以使得篩選過程更為科學(xué)、嚴謹，最后提取獲得的趨勢項更為接近實際情況，使得神經(jīng)網(wǎng)絡(luò) 的訓(xùn)練結(jié)果更接近于實際情況，最后使得光柵尺測量補償效果更好。
[0137] 步驟 A3,包括 A31 ~A33:
[0138] A31、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值以及多個頂F分量的希爾 伯特邊緣譜作為CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)：
[0139] A32、將多個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)作為CNN神經(jīng)網(wǎng)絡(luò)的目標輸出數(shù)據(jù)，建立CNN 神經(jīng)網(wǎng)絡(luò)；
[0140] A33、基于隨機梯度下降法對建立的CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練識別；其具體為：
[0141] 初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行 分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集，進而基于隨機梯度下降法，采用訓(xùn)練數(shù) 據(jù)集對CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，同時采用校驗數(shù)據(jù)集對訓(xùn)練過程中的CNN神經(jīng)網(wǎng)絡(luò)進行測試 驗證，并在驗證不通過時，修改CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)后，重新進行訓(xùn)練，直到驗證通過。
[0142] CNN神經(jīng)網(wǎng)絡(luò)的一結(jié)構(gòu)示例圖如圖2所示，圖2中，第一層"a"為卷積層，第二層"b" 為池化層，第三層"c"為卷積層，第四層"d"為池化層，第五層"e"為全連接層。卷積層、池化 層、全連接層是CNN神經(jīng)網(wǎng)絡(luò)的主要組成部分。從輸入到輸出叫正向傳播:輸入一一a-一 b一一c一一d一一e一一輸出，在訓(xùn)練階段會得到輸出再跟標簽比對來得到誤差。在校驗階 段得到輸出再跟標簽比對來得到誤差，在應(yīng)用階段則只有輸出。反向傳播即將訓(xùn)練階段的 誤差一層層的反向傳播回來更新網(wǎng)絡(luò)的參數(shù):輸出層度誤差一一e-一d一一c一一b一一a。 步驟A33中對CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，基于隨機梯度下降法對建立的CNN神經(jīng)網(wǎng)絡(luò)進行訓(xùn) 練識別，指通過標準的反向傳播算法基于隨機梯度下降法來求解CNN神經(jīng)網(wǎng)絡(luò)的最優(yōu)問題。
[0143] CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可以看作是求解以下問題:通過實現(xiàn)最小均方誤差(mean squared error (MSE))，使得輸入數(shù)據(jù)Xi經(jīng)過CNNi后得到的輸出必.e.{〇，l丨等于真實的yi。最 小均方誤差函數(shù)MSE可表示為：
[0145] 上式中，J(0)表示最小均方誤差函數(shù)，f(Xl，0)表示輸入數(shù)據(jù)Xl經(jīng)過CNN的輸出，m表 示訓(xùn)練數(shù)據(jù)集的樣本數(shù)量，F(xiàn)表示弗羅貝尼烏斯范數(shù)， yi表示訓(xùn)練數(shù)據(jù)集的標簽函數(shù)。顯然， 最小化J(9)是一個非凸優(yōu)化問題，通過基于反向傳播算法的隨機梯度下降法，可以有效地 解決該非凸優(yōu)化問題。
[0146] 更詳細的，步驟A33，包括A331~A334:
[0147] A331、初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù) 據(jù)進行分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集；
[0148] A332、獲取用戶預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù) 據(jù)集以及均方根誤差閾值;其中，學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù)據(jù)集以及 均方根誤差閾值均為神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的超參數(shù)；
[0149] A333、從訓(xùn)練數(shù)據(jù)集中隨機選取批量數(shù)據(jù)集進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)下式更新 CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)：
[0151] 上式中，α表示學(xué)習率，
表示訓(xùn)練數(shù)據(jù)集的均方誤差的隨機梯度，γ表示動 量，0t+1表示更新后的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，0t表示更新前的CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)， At表示更新速度，/^+1表示迭代變化后的更新速度;校驗數(shù)據(jù)集的均方誤差函數(shù)的表達式 與A334中相同，具體如下：
[0152] A334、迭代執(zhí)行步驟A333進行CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并在每次迭代次數(shù)累計達到觀察 間隔后，根據(jù)下式計算校驗數(shù)據(jù)集的當前均方誤差并根據(jù)預(yù)設(shè)更新條件對均方誤差閾值進 行更新：
[0154] 上式中，e表示校驗數(shù)據(jù)集的當前均方誤差，下標F表示弗羅貝尼烏斯范數(shù)，f(x， 0t+1)表示輸入數(shù)據(jù)X經(jīng)過CNN神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，f表示校驗數(shù)據(jù)集的標簽函數(shù)。
[0155] 步驟A334中根據(jù)預(yù)設(shè)更新條件對校驗數(shù)據(jù)集的均方誤差閾值進行更新的步驟，其 具體為:判斷計算獲得的校驗數(shù)據(jù)集的當前均方誤差是否小于均方誤差閾值，若是，則將該 當前均方誤差作為最新的均方誤差閾值，否則不進行更新。
[0156] 以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于實施例，熟 悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做出種種的等同變形或替換，這些 等同的變型或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。
【主權(quán)項】
1. 基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于，包括步驟： 51、 采集光柵尺和激光干設(shè)儀的測量數(shù)據(jù)后獲得誤差數(shù)據(jù)，同時采用多個傳感器測量 獲得該誤差數(shù)據(jù)所對應(yīng)的多種干擾因素的作用強度值； 52、 基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，將該誤差數(shù)據(jù)分解為多個IMF分量，并求解獲得每個IMF分 量的希爾伯特邊緣譜； 53、 將該誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值W及多個IMF分量的希爾伯特邊 緣譜作為輸入數(shù)據(jù)，采用訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)進行識別計算后，獲得對應(yīng)輸出的標簽函 數(shù)； 54、 根據(jù)神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的趨勢 項累加后作為光柵尺的誤差補償量； 55、 采用獲得的誤差補償量對光柵尺進行測量補償。2. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 還包括W下步驟： Α1、依次調(diào)節(jié)多種干擾因素的作用強度，測量獲得多個在多種干擾因素的不同作用強 度值下的誤差數(shù)據(jù)； Α2、基于經(jīng)驗?zāi)Ｊ椒纸馑惴?，分解獲得每個誤差數(shù)據(jù)的多個IMF分量，進而求解獲得每 個IMF分量的希爾伯特邊緣譜W及每個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)； A3、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值W及多個IMF分量的希爾伯特 邊緣譜作為輸入數(shù)據(jù)，并將對應(yīng)的標簽函數(shù)作為輸出數(shù)據(jù)，建立α^Ν神經(jīng)網(wǎng)絡(luò)并進行訓(xùn)練識 別。3. 根據(jù)權(quán)利要求2所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟Α2,包括： Α21、基于經(jīng)驗?zāi)Ｊ椒纸馑惴ǎ瑢⒚總€誤差數(shù)據(jù)分解成多個IMF分量； A22、分別對每個IMF分量進行希爾伯特變換，并計算獲得每個IMF分量的希爾伯特譜和 希爾伯特邊緣譜； A23、根據(jù)預(yù)設(shè)篩選條件對所有IMF分量進行分析后，篩選出符合條件的IMF分量作為誤 差數(shù)據(jù)的趨勢項； A24、根據(jù)篩選出來的趨勢項獲得每個IMF分量對應(yīng)的標簽函數(shù)值，將IMF分量中每個趨 勢項的標簽函數(shù)值賦值1，其余的IMF分量的標簽函數(shù)值賦值0,進而建立每個誤差數(shù)據(jù)對應(yīng) 的標簽函數(shù)。4. 根據(jù)權(quán)利要求3所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟A23,包括： A231、將每個IMF分量的希爾伯特邊緣譜按照頻率順序均分為低頻區(qū)域、中頻區(qū)域和高 頻區(qū)域； A232、分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而分別 計算每個區(qū)域的歸一化權(quán)重因子； A233、篩選出低頻區(qū)域的歸一化權(quán)重因子大于預(yù)設(shè)闊值的IMF分量作為誤差數(shù)據(jù)的趨 勢項。5. 根據(jù)權(quán)利要求4所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟A232,其具體為： 分別將每個區(qū)域中的全部極大值進行累加后作為該區(qū)域的權(quán)重因子，進而根據(jù)下式分 別計算每個區(qū)域的歸一化權(quán)重因子：上式中，My、Mw和Mw依次表示第j個IMF分量的低頻區(qū)域、中頻區(qū)域和高頻區(qū)域的歸 一化權(quán)重因子，mw、mw和叫,3分別表示第j個IMF分量的低頻區(qū)區(qū)域、中頻區(qū)域和高頻區(qū)域 的權(quán)重因子，j為自然數(shù)。6. 根據(jù)權(quán)利要求2所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟A3,包括： A31、將多個誤差數(shù)據(jù)對應(yīng)的多種干擾因素的作用強度值W及多個IMF分量的希爾伯特 邊緣譜作為α^Ν神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)： Α32、將多個誤差數(shù)據(jù)對應(yīng)的標簽函數(shù)作為C順神經(jīng)網(wǎng)絡(luò)的目標輸出數(shù)據(jù)，建立C順神經(jīng) 網(wǎng)絡(luò)； Α33、基于隨機梯度下降法對建立的α^Ν神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練識別。7. 根據(jù)權(quán)利要求6所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟Α33,其具體為： 初始化CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行分 組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集，進而基于隨機梯度下降法，采用訓(xùn)練數(shù)據(jù) 集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，同時采用校驗數(shù)據(jù)集對訓(xùn)練過程中的α^Ν神經(jīng)網(wǎng)絡(luò)進行測試驗 證，并在驗證不通過時，修改α^Ν神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)后，重新進行訓(xùn)練，直到驗證通過。8. 根據(jù)權(quán)利要求6所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟Α33,包括： Α331、初始化C順神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，同時將CNN神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)進 行分組，獲得訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)集和校驗數(shù)據(jù)集； A332、獲取用戶預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的學(xué)習率、最大迭代次數(shù)、觀察間隔、動量、批量數(shù)據(jù)集 W及均方根誤差闊值； A333、從訓(xùn)練數(shù)據(jù)集中隨機選取批量數(shù)據(jù)集進行C順神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)下式更新CNN 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)：上式中，α表示學(xué)習率，表示訓(xùn)練數(shù)據(jù)集的均方誤差的隨機梯度，丫表示動量，θ*+ι (嘴 表示更新后的α^Ν神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，Θ*表示更新前的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，At表示 更新速度，At+I表示迭代變化后的更新速度； A334、迭代執(zhí)行步驟A333進行C順神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并在每次迭代次數(shù)累計達到觀察間隔 后，根據(jù)下式計算校驗數(shù)據(jù)集的當前均方誤差并根據(jù)預(yù)設(shè)更新條件對均方誤差闊值進行更 新：上式中，e表示校驗數(shù)據(jù)集的當前均方誤差，下標F表示弗羅貝尼烏斯范數(shù)，f(x，0t+i)表 示輸入數(shù)據(jù)^經(jīng)過〇^閑巾經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，7^表示標簽函數(shù)。9. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在于， 所述步驟A334中根據(jù)預(yù)設(shè)更新條件對校驗數(shù)據(jù)集的均方誤差闊值進行更新的步驟，其具體 為： 判斷計算獲得的校驗數(shù)據(jù)集的當前均方誤差是否小于均方誤差闊值，若是，則將該當 前均方誤差作為最新的均方誤差闊值，否則不進行更新。10. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習的光柵尺測量誤差動態(tài)補償方法，其特征在 于，所述步驟S4,其具體為:根據(jù)神經(jīng)網(wǎng)絡(luò)輸出的標簽函數(shù)，獲得所有標簽函數(shù)值為1的 分項，進行獲得每個分項對應(yīng)的IMF分量作為該誤差數(shù)據(jù)對應(yīng)的趨勢項并將獲得的趨勢項 累加后作為光柵尺的誤差補償量，進而對光柵尺進行測量補償。
【文檔編號】G06F17/14GK106095729SQ201610428128
【公開日】2016年11月9日
【申請日】2016年6月16日
【發(fā)明人】蔡念, 林智能, 謝偉, 張福, 王晗, 陳新度, 陳新
【申請人】廣東工業(yè)大學(xué)