基于改进BP神经网络的远传水表示值误差补偿方法

目的:提高远传水表示值误差补偿模型的精度。方法:提出了基于蚁群算法(ACO)优化的LM-BP神经网络模型的误差补偿方法。首先根据样本数据分层,结合randperm函数随机化样本数据,再通过蚁群算法对比训练样本的输出误差和期望误差,调整蚂蚁在路径上的信息素含量和路径选择,从而优化BP神经网络的初始权值和阈值,最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值,再赋给BP神经网络通过LM算法对远传水表训练集数据进行训练,并针对远传水表测试集数据进行预测。结果:有效解决了BP神经网络学习收敛速度慢、易陷于局部极小和精度稳定性差的问题,进一步提高模型预测精度;经过优化之后的模型平均绝对误差百分比MAPE为1.0324%,平均绝对误差MAE为0.40111,均方误差MSE为0.42400,均优于LM-BP神经网络模型。结论:实验表明,基于蚁群算法优化的LM-BP神经网络误差补偿模型的应用效果显著优于普通BP神经网络。