摘要：传统的流量测量是采用物理流量计进行测量,物理流量计具有价格昂贵,不易维修的缺点。采用神经网络技术对流量进行动态测量不仅可以降低价格,更有易于维修的优点,在液压技术中有十分重要的意义。目前使用比较广泛的神经网络BP算法存在易陷入局部极小点、收敛速度慢的难题,而收敛速度慢有一部分原因是由于存在平坦区而产生的。针对BP算法收敛速度慢以及陷入平坦区难以逃离的难题,提出了附加奇数的动量BP算法。算法首先用公式求出权值修正的初始值,而后使用增加幂指数的梯度下降函数将权值修正函数值根据误差反馈值作动态改正,使之在遇到平坦区时增大梯度下降步伐,及时跳出平坦区。同时,通过降低计算量来提高计算速度、节省计算时间,加快收敛速度。通过理论证明了算法的正确性。试验结果表明,附加奇数的动量BP算法在保证网络较高的收敛率、达到训练精度的情况下,比传统的动量BP算法节省了9.65%的时间,训练步数也减少了31.13%,更加适合动态流量软测量中网络训练的实时性要求。

关键词：流量测量 神经网络 动量bp算法 收敛 

单位：燕山大学信息科学与工程学院 秦皇岛066004 黑龙江交通职业技术学院 齐齐哈尔161000 燕山大学机械工程学院 秦皇岛066004