1、基于CCD的液位傳感器是一類較高精度的傳感器。這類傳感器一般用在化工、石油以及動(dòng)力裝置等環(huán)境惡劣的液體存儲(chǔ)設(shè)備中。它的標(biāo)定是依據(jù)儀器的測(cè)量原理建立輸入/輸出之間的一種映射關(guān)系，再根據(jù)樣本集求出映射關(guān)系中的各個(gè)參數(shù)，是擬合問(wèn)題的一種。然而在基于線陣CCD的液位傳感器中，液位值與光強(qiáng)值的對(duì)應(yīng)關(guān)系是非線性關(guān)系，很難通過(guò)常用的方法進(jìn)行數(shù)據(jù)擬合。隨著人工智能的發(fā)展以及人們逐漸認(rèn)識(shí)到人工神經(jīng)網(wǎng)絡(luò)的威力與它的現(xiàn)實(shí)可實(shí)現(xiàn)性，它在數(shù)學(xué)建模方面的優(yōu)勢(shì)逐漸顯

2、現(xiàn)出來(lái)，利用這種優(yōu)勢(shì)進(jìn)行線陣CCD液位傳感器的標(biāo)定研究已經(jīng)成為一種趨勢(shì)。
　　神經(jīng)網(wǎng)絡(luò)是一種模擬生物大腦的組織結(jié)構(gòu)、處理方式和系統(tǒng)功能的簡(jiǎn)化系統(tǒng)，可以被用來(lái)表達(dá)液位傳感器這個(gè)復(fù)雜的非線性系統(tǒng)。把神經(jīng)網(wǎng)絡(luò)看成是一個(gè)黑箱，利用已經(jīng)測(cè)得的樣本集來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使得網(wǎng)絡(luò)能夠表達(dá)該系統(tǒng)。
　　然而基本的BP神經(jīng)網(wǎng)絡(luò)有很多不可忽視的缺陷，例如:學(xué)習(xí)速度慢、人為依賴性太強(qiáng)、容錯(cuò)機(jī)制較低等缺點(diǎn)且更適用于局部搜索。粒子群優(yōu)化算法同樣是一種智能

3、算法，具有結(jié)構(gòu)簡(jiǎn)單，容易實(shí)現(xiàn)等優(yōu)點(diǎn)，同時(shí)在全局搜索方面具有一定優(yōu)勢(shì)。如果能將它與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，就可在一定程度上模擬人類邏輯思維和直覺(jué)思維，這將有助于解決一些現(xiàn)實(shí)生活中的復(fù)雜問(wèn)題。
　　本文提出了一種將粒子群算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合算法?；旌纤惴ㄔ谏窠?jīng)網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，利用粒子群優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)向量進(jìn)行尋優(yōu)，并提出了利用目標(biāo)精度來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)進(jìn)行尋優(yōu)的方法。利用測(cè)試函數(shù)對(duì)混合算法進(jìn)行

4、了計(jì)算機(jī)仿真，結(jié)果證明這個(gè)混合算法最終能夠?qū)ふ业綕M足目標(biāo)精度的神經(jīng)網(wǎng)絡(luò)權(quán)向量和最少隱含層神經(jīng)元個(gè)數(shù)，從而得到輸入/輸出之間較高精度的非線性映射關(guān)系。
　　在文章最后，使用線陣CCD液位傳感器的標(biāo)定數(shù)據(jù)對(duì)基于粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，得到了符合要求的目標(biāo)網(wǎng)絡(luò)，然后利用測(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真測(cè)試。從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，針對(duì)樣本集，網(wǎng)絡(luò)輸出達(dá)到了很高精度，測(cè)試集的網(wǎng)絡(luò)輸出也達(dá)到了較高的精度，實(shí)現(xiàn)了對(duì)CCD液位傳感器較高精度