CN105223241A - 一种湿度传感器的补偿方法 - Google Patents

Abstract

本发明公开了一种湿度传感器的补偿方法，获取该湿度传感器的非线性参数，采用粒子群优化算法对BP神经网络进行优化，建立湿度传感器的补偿模型，采用BP与PSO结合的算法，既能发挥BP神经网络的非线性应用，又能克服BP训练神经网络权值时容易出现的一些问题，其补偿效果也是明显优于BP网络，该方法有效的抑制了温度对湿度传感器的影响，提高了传感器的可靠性和准确性。

Description

一种湿度传感器的补偿方法

技术领域

本发明属于传感器软补偿技术领域，具体涉及一种湿度传感器的补偿方法。

背景技术

从2002年开始我国大气湿度探测开始采用碳湿敏电阻，到目前国际最先进的是Vaisala的双加热薄膜电容传感器。气象部门已投入业务运行的自动气象站大部分都采用该公司生产的HMP45D温湿度一体化传感器来测量空气的湿度。HMP45D温湿度传感器的测湿元件是HUMICIP180高分子薄膜型湿敏电容，湿敏电容具有感湿特性的电介质，其介电常数随相对湿度的变化而变化，从而完成对湿度的测量。由于该传感器的测量部分总是要和空气中的灰尘和化学物质接触，从而温度的变化也会影响电介质介电常数的变化，使得湿度传感器产生一定的温漂。

针对温度对湿度传感器的这种非线性影响，国内外学者提出了硬件补偿和软件补偿两种方法。硬件补偿方法由于受到电路中电子器件漂移等因素的影响，导致整个测量系统可靠性差且精度低。软件补偿方法有二次插值、最小二乘多项式曲线拟合法、BP神经网络法等。二次插值法的最优解范围取得越小，计算结果越精确，但是循环的次数会变多。最小二乘多项式曲线拟合在应用过程中，当数据点较多时，容易出现振荡现象，导致形成病态或奇异的方程组，无法获得多项式系数，因而其应用受到限制。BP神经网络由于是非线性优化，权值的初始化的随机的，所以会存在局部极小的问题，而且新加入的样本会影响到已经学好的样本，学习算法的收敛速度慢。

发明内容

本发明所要解决的技术问题是：提供一种湿度传感器的补偿方法，解决了湿度传感器测量过程可靠性差精度低的问题。

本发明为解决上述技术问题采用以下技术方案：

一种湿度传感器的补偿方法，获取该湿度传感器的非线性参数，采用粒子群优化算法对BP神经网络进行优化，建立湿度传感器的补偿模型，具体包括如下步骤：

步骤1、首先，预先设定BP神经网络的层数、各层的神经元个数、初始权值和阈值，并对粒子的位置和速度进行随机初始化、归一化样本数据的输入、输出值，然后，设定速度惯性权重、学习因子、粒子的个数、适应度函数、最大迭代次数；

步骤2、将多个样本输入，按照神经网络正向传播计算得到相应的输出值，并按照如下公式计算样本经过BP神经网络计算输出与样本实际输出的误差绝对值之和J：

其中，y_m为第m个样本的实际输出值，为第m个样本的预测值，m＝1,2,...,L，L为样本个数；

步骤3、计算历史的最优适应度和整个种群的最优适应度，所述历史的最优适应度是针对单个粒子所经历的所有位置中计算得到的最小的适应度，所述整个种群的最优适应度是整个种群中所有粒子搜索到的最小适应度，将每个粒子的适应度值与历史的最优适应度进行比较，选取适应度最小的作为局部最优权值和阈值，并将局部最优权值和阈值与整个种群的最优适应度对比，选取局部最优权值和阈值最小值作为全局最优权值和阈值；

步骤4、根据粒子群算法的位置和速度更新公式，更新粒子自身的速度和位置，迭代次数加1；

步骤5、判断迭代次数是否大于最大迭代次数，如果是，执行步骤7，否则，执行步骤3至步骤5；

步骤6、判断全局最优权值和阈值适应度值是否小于预先设定的最小适应度，如果是，执行步骤7，否则，重复执行步骤3至步骤5；

步骤7、输出该粒子的全局最优位置对应着BP神经网络最优的权值和阈值。

所述粒子群算法的位置和速度更新公式如下：

$\begin{array}{c}{V}_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{id}^k-X_{id}^k)\\ X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}\end{array},$

其中，为第k代的粒子速度，为第k+1代的粒子速度，w为惯性权重，c₁和c₂为学习因子，r₁和r₂是介于[0,1]之间的均匀随机数，为第k代粒子的局部最优位置，为第k代的粒子位置，为第k+1代的粒子位置。

所述粒子群算法的粒子位置对应一组权值和阈值。

所述湿度传感器的特性函数为y＝f(x)，x∈[δ₀,δ_h]，其中y是湿度传感器的输出，x是湿度传感器的输入，输入信号范围是δ_h-δ₀，δ_h为湿度传感器的最高输入，δ₀为湿度传感器的最低输入。

将粒子的全局最优位置，赋值给BP神经网络，作为BP神经网络的初始权值和阈值。

与现有技术相比，本发明具有以下有益效果：

由于BP神经网络学习算法是采用一种随机梯度最小均方的算法，导致其存在着固有的缺陷：容易陷入局部极小、泛化能力较弱、网络的收敛速度较慢。而粒子群算法(PSO算法)是基于全局寻优的搜索算法，具有很好的泛化能力。因此，采用BP与PSO结合的算法，既能发挥BP神经网络的非线性应用，又能克服BP训练神经网络权值时容易出现的一些问题，其补偿效果也是明显优于BP网络，该方法有效的抑制了温度对湿度传感器的影响，提高了传感器的可靠性和准确性。

附图说明

图1为温度对湿度传感器测量结果的影响曲线图。

图2为PSO-BP流程图。

图3为PSO网络预测输出。

图4为适应度曲线。

图5为误差曲线。

具体实施方式

下面结合附图对本发明的结构及工作过程作进一步说明。

一种湿度传感器的补偿方法，获取该湿度传感器的非线性参数，采用粒子群优化算法对BP神经网络进行优化，建立湿度传感器的补偿模型，具体包括如下步骤：

步骤1、首先，预先设定BP神经网络的层数、各层的神经元个数、初始权值和阈值，并对粒子的位置和速度进行随机初始化、归一化样本数据的输入、输出值，然后，设定速度惯性权重、学习因子、粒子的个数、适应度函数、最大迭代次数；

步骤2、将多个样本输入，按照神经网络正向传播计算得到相应的输出值，并按照如下公式计算样本经过BP神经网络计算输出与样本实际输出的误差绝对值之和J：

其中，y_m为第m个样本的实际输出值，为第m个样本的预测值，m＝1,2,...,L，L为样本个数；

步骤3、计算历史的最优适应度和整个种群的最优适应度，所述历史的最优适应度是针对单个粒子所经历的所有位置中计算得到的最小的适应度，所述整个种群的最优适应度是整个种群中所有粒子搜索到的最小适应度，根据J计算所有粒子的适应度，将每个粒子的适应度值与历史的最优适应度进行比较，选取适应度最小的作为局部最优权值和阈值，并将局部最优权值和阈值与整个种群的最优适应度对比，选取局部最优权值和阈值最小值作为全局最优权值和阈值；

步骤4、根据粒子群算法的位置和速度更新公式，更新粒子自身的速度和位置，迭代次数加1；

步骤5、判断迭代次数是否大于最大迭代次数，如果是，执行步骤7，否则，执行步骤3至步骤5；

步骤6、判断全局最优权值和阈值适应度值是否小于预先设定的最小适应度，如果是，执行步骤7，否则，重复执行步骤3至步骤5；

步骤7、输出该粒子的全局最优位置对应着BP神经网络最优的权值和阈值。

所述粒子群算法的位置和速度更新公式如下：

$\begin{array}{c}{V}_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{id}^k-X_{id}^k)\\ X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}\end{array},$

其中，为第k代的粒子速度，为第k+1代的粒子速度，w为惯性权重，c₁和c₂为学习因子，r₁和r₂是介于[0,1]之间的均匀随机数，为第k代粒子的局部最优位置，为第k代的粒子位置，为第k+1代的粒子位置。

所述粒子群算法的粒子位置对应一组权值和阈值。

所述湿度传感器的特性函数为y＝f(x)，x∈[δ₀,δ_h]，其中y是湿度传感器的输出，x是湿度传感器的输入，输入信号范围是δ_h-δ₀，δ_h为湿度传感器的最高输入，δ₀为湿度传感器的最低输入。

将粒子的全局最优位置，赋值给BP神经网络，作为BP神经网络的初始权值和阈值。

具体实施例，

本实施例的输入以温度参数对湿度传感器的影响为例，说明该方案，该方案的输入还可以为压力等其他参数，其他参数输入的具体实施过程类似。

设湿度传感器的特性函数为y＝f(x)，x∈[δ₀,δ_h]，其中y是湿度传感器的输出，x是湿度传感器的输入，输入信号范围是δ_h-δ₀，增设温度参量t，湿度传感器在温度影响下的特性曲线呈现非线性的特点。采用粒子群优化算法来优化BP神经网络的方法，讨论了粒子群优化算法的适应函数的选择以及部分参数的的优化，以此来优化BP神经网络，建立湿度传感器的温度补偿模型，补偿由于温度的变化对湿度传感器测量结果所造成的影响。

通过PSO-BP神经网络而进行的误差补偿，其流程图如图2所示，包括如下步骤：

1)初始化，确定BP神经网络的层数，各层的神经元的个数，激活函数；用rands()得到神经网络各层的初始化权值和阈值；用rands()得到粒子的初始速度和位置；归一化样本数据的输入输出值；设定速度惯性权重w、学习因子的大小、粒子个数、最大迭代次数。

2)输入样本，按照BP神经网络正向传播计算得出神经网络的输出值，按照适应度函数计算神经网络输出与样本输出误差绝对值之和，如果计算得出的误差绝对值之和小于设定的精度，训练结束；否则转到步骤3。误差绝对值公式如下：

$J=\underset{m=1}{\overset{L}{\Σ}}\left|\right|y_m-\widehat{y_m}\left|\right|---\left(1\right)$

其中，y_m为第m个样本的实际输出值，为第m个样本的预测值，m＝1,2,...,L，L为样本个数；

3)对于每个粒子，将其适应度与每个粒子历史的最优适应度比较，适应度小者作为局部最优权值和阈值，定义为Pbest，与整个种群最优适应度对比，适应度小者作为全局最优权值和阈值，定义为Gbest。

4)按照公式(2)更新粒子的移动位置和速度。

$\begin{array}{c}{V}_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{id}^k-X_{id}^k)\\ X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}\end{array}---\left(2\right)$

5)转到步骤3。

6)达到适应度要求或者最大迭代次数，训练结束。粒子的全局最优位置就是BP神经网络的最优权值和阈值。

表1为实际测量所得的实验数据，不同温度条件下的测量的湿度传感器的湿度值。然后分析温度对湿度传感器的影响。所得到的在不同温度和不同湿度条件下湿度传感器的测量误差曲线，如图1所示。

表1部分样本组对

图3是PSO-BP网络的预测输出，可以发现在不同的温度影响下，经过PSO优化后的BP神经网络都能以较小的误差预测出真实的湿度值。

图4是适应度曲线图，可以看出，到了200代的时候适应度值就已经达到了最低的了。

图5中蓝色的是BP神经网络进行温度补偿后的误差图，红色是PSO-BP神经网络的误差曲线图，仿真结果表明，基于PSO的BP神经网络的补偿精度明显比BP网络要高，PSO通过追随当前搜索到的最优粒子位置进行全局寻优，成功避免了局部极小的出现，补偿精度较高，特别是高温高湿条件下的补偿效果更明显。

为了检验本发明提出的融合算法的效果，把该算法与BP神经网络方法进行了比较分析研究。在实验仿真过程中，我们发现当温度区间较大样本数较多时，单一的BP神经网络方法学习训练速度明显变慢，拟合误差也变大，容易陷入局部最小，影响补偿效果，而经过PSO粒子优化算法进行BP权值和阈值的优化后，拟合精度相对较高，误差进一步减小了，补偿效果可以达到满意的精度。

表2是通过采用基于粒子群优化算法的BP神经网络建立的模型，对实验所得样本数据进行训练，然后对训练的结果进行测试，最后所得到的湿度传感器温度补偿后的部分数据。

表2PSO-BP模型温度补偿后的结果

本发明利用BP神经网络与PSO粒子优化算法相结合的算法，可以有效的补偿温度对湿度传感器产生的影响，同时该方法的突出优点是PSO算法是基于全局寻优的搜索算法，具有很好的泛化能力，补偿精度高，可以用于业务中湿度传感器的温度补偿，大大提高传感器的测量准确度和可靠性。

Claims (5)

1.一种湿度传感器的补偿方法，其特征在于：获取该湿度传感器的非线性参数，采用粒子群优化算法对BP神经网络进行优化，建立湿度传感器的补偿模型，具体包括如下步骤：

步骤1、首先，预先设定BP神经网络的层数、各层的神经元个数、初始权值和阈值，并对粒子的位置和速度进行随机初始化、归一化样本数据的输入、输出值，然后，设定速度惯性权重、学习因子、粒子的个数、适应度函数、最大迭代次数；

步骤2、将多个样本输入，按照神经网络正向传播计算得到相应的输出值，并按照如下公式计算样本经过BP神经网络计算输出与样本实际输出的误差绝对值之和J：

其中，y_m为第m个样本的实际输出值，为第m个样本的预测值，m＝1,2,...,L，L为样本个数；

步骤3、计算历史的最优适应度和整个种群的最优适应度，所述历史的最优适应度是针对单个粒子所经历的所有位置中计算得到的最小的适应度，所述整个种群的最优适应度是整个种群中所有粒子搜索到的最小适应度，根据J计算所有粒子的适应度，将每个粒子的适应度值与历史的最优适应度进行比较，选取适应度最小的作为局部最优权值和阈值，并将局部最优权值和阈值与整个种群的最优适应度对比，选取局部最优权值和阈值最小值作为全局最优权值和阈值；

步骤4、根据粒子群算法的位置和速度更新公式，更新粒子自身的速度和位置，迭代次数加1；

步骤5、判断迭代次数是否大于最大迭代次数，如果是，执行步骤7，否则，执行步骤3至步骤5；

步骤6、判断全局最优权值和阈值适应度值是否小于预先设定的最小适应度，如果是，执行步骤7，否则，重复执行步骤3至步骤5；

步骤7、输出该粒子的全局最优位置对应着BP神经网络最优的权值和阈值。

2.根据权利要求1所述的湿度传感器的补偿方法，其特征在于：所述粒子群算法的位置和速度更新公式如下：

$V_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{id}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1},$

其中，为第k代的粒子速度，为第k+1代的粒子速度，w为惯性权重，c₁和c₂为学习因子，r₁和r₂是介于[0,1]之间的均匀随机数，为第k代粒子的局部最优位置，为第k代的粒子位置，为第k+1代的粒子位置。

3.根据权利要求3所述的湿度传感器的补偿方法，其特征在于：所述粒子群算法的粒子位置对应一组权值和阈值。

4.根据权利要求1所述的湿度传感器的补偿方法，其特征在于：所述湿度传感器的特性函数为y＝f(x)，x∈[δ₀,δ_h]，其中y是湿度传感器的输出，x是湿度传感器的输入，输入信号范围是δ_h-δ₀，δ_h为湿度传感器的最高输入，δ₀为湿度传感器的最低输入。

5.根据权利要求1所述的湿度传感器的补偿方法，其特征在于：将粒子的全局最优位置，赋值给BP神经网络，作为BP神经网络的初始权值和阈值。