基于PSO与MCC的自适应平滑约束宽度学习系统用于汽车衡称重误差补偿

《Biology》：From EEG Source Localization to Brain Network Analysis: A Computational Neuroscience Perspective

　　

作为物流和工业领域中的核心称重设备，汽车衡的精度显著受到环境噪声、传感器误差和非线性因素的影响。本文提出一种自适应平滑约束宽度学习系统（PSO-MCC-SCBLS），以提高汽车衡称重的精度和鲁棒性。采用粒子群优化（PSO）对特征窗口数、特征节点数、增强节点数以及SCBLS的平滑系数进行优化；以最大相关熵准则（MCC）替代最小均方误差（MMSE）准则来训练输出权重矩阵；并引入源于称重系统物理连续性的平滑约束，以改善小样本场景下的泛化能力。该方法在一台8通道、40吨汽车衡的真实数据上进行了验证，采用了修正后的评估协议，即按组进行五折交叉验证，所有超参数仅通过训练折的内部交叉验证进行选择，并在MCC与非MCC变体之间匹配有效正则化强度。研究还报告了七种BLS系列变体（BLS、MCC-BLS、SCBLS、PSO-BLS、PSO-SCBLS、PSO-MCC-BLS和完整模型）的完整组件消融实验，并与RBLS、CatBoost、CNN_Attention和LSTM进行了对比，同时开展了在三种场景下注入高斯加脉冲复合干扰的抗干扰测试：仅标定数据受扰（场景A）、标定与部署数据均受扰（场景B）、仅部署数据受扰（场景C）。结果界定了每个组件的贡献。自动结构搜索是收益最大且最一致的组件，在干净数据上将RMSE较普通BLS降低了47.7%。在干净数据上，完整模型并非最优：PSO-MCC-BLS取得了最低RMSE（0.0209 kg），而完整模型为0.0292 kg，这表明在无泄漏协议下，该标定任务已接近低复杂度区间。完整模型的优势是特定条件下的，并如实报告如下：在场景B中，当噪声比例为0.5时，该模型在所有十一个模型中取得了最低RMSE（1.7540 kg）和最优Friedman秩（3.35）；而在较弱噪声强度及场景C下，深度学习基线模型领先。在匹配有效正则化后，MCC项在该数据集上的贡献可忽略不计，因此所观察到的鲁棒性应归因于经调优的BLS系列模型整体，而非单独的相关熵加权。

论文解读：基于PSO与MCC的自适应平滑约束宽度学习系统用于汽车衡称重误差补偿

一、研究背景与问题

汽车衡作为物流与工业领域的关键称重设备，在商品贸易、交通监管、矿产和港口运输等行业中发挥着重要作用。传统的误差补偿主要依赖技术人员手动调节各压力传感通道内的电位器来校准输出电压和偏移偏差，但这种方法存在显著局限：称重传感器阵列内复杂的信号耦合导致调节过程需要多次迭代，耗时且效率低下；偏心载荷误差、温度漂移和非线性失真等因素使手动方法难以彻底消除误差，无法稳定保证称重精度。虽然经典信号处理技术如卡尔曼滤波和巴特沃斯滤波能有效消除时域动态噪声，但多通道汽车衡的误差补偿本质上是一个空间非线性回归问题而非时间序列问题，需要具备强大映射能力的机器学习模型来解决由静态偏心加载和传感器特定失真引起的多维空间非线性。

近年来，机器学习模型已被广泛应用于传感器非线性误差补偿领域。然而，深度神经网络和复杂集成模型普遍存在结构复杂、数据需求量大和计算开销高等问题，限制了其在工业场景中的部署效率和实时性能。宽度学习系统（BLS）作为一种新兴的神经网络架构，在计算效率和学习性能方面展现出显著优势，但直接应用于汽车衡称重建模仍面临三大挑战：训练样本稀缺——汽车衡数据采集需要在不同位置持续加载各种标准砝码，耗时费力且成本高昂，难以获得大规模高质量训练样本；结构参数优化复杂——BLS性能高度依赖结构参数的合理配置，传统调参方法在高维参数空间中效率低下且难以保证全局最优；复杂环境下的鲁棒性不足——汽车衡工作环境复杂多变，地面振动、部件老化和电磁干扰等引入显著非线性误差，而标准BLS采用最小均方误差（MMSE）准则，对异常值和异常数据点高度敏感。

二、研究内容与意义

针对上述挑战，研究人员提出了一种基于粒子群优化（PSO）和最大相关熵准则（MCC）的自适应平滑约束宽度学习系统（PSO-MCC-SCBLS）。该方法从三个方面对标准BLS进行改进：针对小样本学习问题，基于称重理论引入质量变化平滑约束来改进网络结构，利用先验知识减少神经网络对数据的过度依赖；针对参数优化复杂性问题，采用PSO对SCBLS的关键结构参数进行全局搜索，避免传统方法陷入局部最优；针对鲁棒性挑战，引入MCC替代传统MMSE准则来优化输出权重矩阵，利用核加权误差的高阶统计特征有效抑制异常值影响。该框架旨在同时解决小样本、参数敏感和噪声干扰问题，为高精度高鲁棒性称重提供有效解决方案。

三、关键技术方法

研究人员采用的主要技术方法包括：粒子群优化（PSO）算法，用于自动优化BLS的特征窗口数、特征节点数、增强节点数和平滑系数等结构超参数；最大相关熵准则（MCC），以高斯核函数度量误差信号与目标信号的局部相似性，替代传统MMSE准则训练输出权重矩阵；基于图拉普拉斯矩阵的流形正则化平滑约束，利用称重系统物理连续性先验增强小样本场景下的泛化能力；固定点迭代法求解MCC目标函数下的输出权重矩阵。实验数据来自一台8通道、20吨传感器、最大量程40吨的汽车衡，通过反复施加0.5、1、6和10吨标准砝码于不同位置，共采集162个样本，构成81组重复测量组。

四、研究结果

训练集规模对模型性能的影响分析： 通过将训练集划分为130、100、70和40个样本四个子集进行对比实验，发现平滑约束的收益集中在小样本区间。在最小训练集（40个样本）下，PSO-MCC-SCBLS相比PSO-MCC-BLS将RMSE降低了13.6%（0.0541对0.0626），MAE降低10.9%；而在三个较大训练规模下两模型接近。两个模型在训练集从130缩减至70时性能曲线几乎平坦，仅在40个样本时RMSE急剧上升约翻倍，反映了数据集结构特征——162个样本仅含81个不同标定组，当载荷-位置网格不再被覆盖时损失突然加剧，正是在此区间物理先验发挥作用。

模型验证与分析： 在正常称重条件下，研究人员对PSO-MCC-SCBLS与六个BLS系列消融变体（BLS、MCC-BLS、SCBLS、PSO-BLS、PSO-SCBLS、PSO-MCC-BLS）以及RBLS、CatBoost、CNN_Attention和LSTM共十一个模型进行了组间五折交叉验证比较。结果表明：自动结构搜索是收益最明确且最大的组件，PSO-BLS相比普通BLS在RMSE上改善47.7%（0.0419降至0.0219），PSO-MCC-BLS相比MCC-BLS改善51.7%（0.0433降至0.0209）。在干净数据上完整模型并非最优——PSO-MCC-BLS取得最低RMSE（0.0209），而完整PSO-MCC-SCBLS为0.0292，且其标准差（0.0200）是PSO-MCC-BLS（0.0031）的六倍。Friedman检验结果显著（χ2=34.98，p<0.001），但排序将过度灵活的基线模型与近线性的BLS变体分开，四个PSO调优变体占据前四名，平均秩介于2.40至3.40之间。

抗干扰能力验证与分析： 研究人员在三种场景下注入高斯加脉冲复合噪声进行抗干扰测试。场景A（仅标定数据受扰）中，无平滑约束的变体领先，PSO-MCC-BLS在两种噪声强度下表现最佳。场景B（标定与部署数据均受扰）是该方法设计的目标工况：在较强噪声强度（η=0.5）下，完整PSO-MCC-SCBLS模型在所有十一个模型中取得最低RMSE（1.7540）和最优Friedman秩（3.35），BLS系列内部排序符合预期——平滑约束有帮助，自动结构搜索帮助更大；但在较弱强度（η=0.2）下，CNN_Attention在RMSE和Friedman秩上均领先，PSO-MCC-SCBLS居第二。场景C（仅部署数据受扰）中，CNN_Attention和LSTM在两种强度下均领先，且未调优的SCBLS变体优于所有四个PSO调优变体，因为基于干净标定数据选择的结构与干净输入匹配，一旦部署输入受扰该结构即为错误配置。

五、讨论与结论

研究人员指出，由于有效岭强度直接调优而非通过λ间接调优，MCC与非MCC变体在匹配正则化下比较时，MCC贡献在该数据集上可忽略不计——训练残差远小于核宽度，相关熵权重接近单位矩阵，更新公式退化为岭解。因此场景B中观察到的鲁棒性应归因于完整调优的BLS系列模型整体，而非MCC作为独立异常值抑制组件的贡献。

研究结论可翻译为：为应对汽车衡称重中耦合非线性、偏心加载和环境噪声带来的误差补偿挑战，本文提出自适应平滑约束宽度学习系统（PSO-MCC-SCBLS），集成三个架构组件：PSO优化BLS结构超参数、MCC替代MMSE训练输出权重、基于系统物理特性的平滑约束机制。在修正后的评估协议下，各组件贡献可精确表述：自动结构搜索收益最明确，在干净数据上将RMSE较普通BLS降低47.7%；完整模型的可靠优势局限于场景B中强持续干扰条件（η=0.5），此时取得最低RMSE和最优Friedman秩；在较弱干扰和场景C下深度学习基线领先。匹配正则化表明MCC在该数据集上无独立可测贡献。研究存在三点局限：数据集仅覆盖单台40吨设备的81个载荷-位置组合，结论有待在其他秤体几何和量程上验证；四个外部基线使用固定超参数且未逐折调优，而BLS系列变体在每个训练折上进行嵌套结构搜索；MCC应在残差确实包含与核宽度相当的异常值的设备上重新检验。将自动搜索以等调优预算扩展到深度学习基线，并在更多设备上验证该方法，是未来研究的方向。