一种智能气体传感器的自适应局部高斯温湿度补偿方法技术

本发明专利技术公开了一种智能气体传感器的自适应局部高斯温湿度补偿方法，属于气体传感器测量技术领域。本发明专利技术所述方法通过高斯过程回归插值获得足够的数据量，再在多维空间上为每一个数据点寻找邻居点，并通过对数据点与邻居点做局部高斯过程回归获得数据点的精确模型，将每个数据点置于多维空间中邻居点的中心位置，消除了各变量边缘点这一概念，从而避免了边缘点对高斯过程回归带来的影响，实现了对气体传感器温湿度的智能实时精确补偿。本发明专利技术所述方法提高了最终模型的准确度，提高了对各点预测的精确度；通过三种正态分布检测方法，实现了最佳邻居点数的自动适应，使最终获得的模型为最佳模型，进一步提高了模型的准确度。

【技术实现步骤摘要】
一种智能气体传感器的自适应局部高斯温湿度补偿方法
本专利技术属于气体传感器测量
，具体涉及一种智能气体传感器的自适应局部高斯温湿度补偿方法。
技术介绍
气体传感器在测量气体时容易受到温湿度的影响，如何更好地处理温湿度带来的影响一直是一个难以解决的问题。现有技术分别研究了如何补偿温度或湿度对气体传感器造成的影响，但并没有现有技术同时补偿温度和湿度造成的影响。在现有的方法中，经典数值算法是应用较多的一类算法，大多用于处理一个物理量造成的影响，而在处理温度和湿度两个物理量时，需要增加多个项，且在项数设置和参数设置时很容易造成过拟合的情况。神经网络也常常被引用到温度或湿度的补偿中，需要提前训练模型，从而需要大量样本数据提前训练模型，计算量很大，会造成一定的时间延迟，无法实现实时补偿，且对硬件要求更高。再者，由于理论知识体系不够完善，容易出现过拟合问题。高斯过程回归算法是一种无参数估计方法，具有严格的统计学习理论基础，可以避免经典数值算法中参数估计不恰当的可能性以及神经网络中复杂的计算过程。高斯过程回归算法常用于处理高维度的复杂问题，但由于其自身的局限性，对各变量边缘点数据估计误差往往较大，特别是在研究多变量的交叉影响问题中，各个变量的边缘点在整体数据中占有很大比例，这也导致最终获得的模型与数据实际蕴含的规律有较大偏差。这导致该算法无法准确估计边缘点数据，且所获得的最终模型并非最佳模型，因此也导致对其他点的预测精度降低。只有当样本数量足够体现事物本身的规律，且输入、输出变量数据量足够时，才能得到一个较为准确的回归模型。然而在实际应用的测试过程中，由于获取的样本数据是离散数据，且人力测试能获取数据有限，常常导致数据量不够完整。
技术实现思路
本专利技术的目的是克服上述现有技术的缺陷，提供一种智能气体传感器的自适应局部高斯温湿度补偿方法。本专利技术所提出的技术问题是这样解决的：一种智能气体传感器的自适应局部高斯温湿度补偿方法，包括以下步骤：S1、通过测试获取不同温度、湿度及浓度下气体传感器的电阻值，判断气体传感器的物理特性；S2、通过气体传感器的物理特性筛选并剔除测试异常点；S3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布，若残差数据呈正态分布，转至S4，否则返回S1再次进行测试；S4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；S5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组；S6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；S7、使用S6得到的回归结果预测回归组数据点的电阻值，计算回归组数据点的预测电阻值与测试电阻值之间的相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；S8、通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的气体传感器；S9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；S10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于设定阈值，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；S11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；S11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；S12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；S13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；S13-1、计算浓度预测值与测试设定的浓度之间的绝对误差E；S13-2、分别通过、以及三种检验方式求绝对误差的置信区间，其中，为绝对误差E的平均值，为绝对误差E的标准差；计算处于置信区间内的点数的百分比；S13-3、依次减少和依次增加邻居点数，对于每一个数据点组成新的局部数据集，转至S11-2；将所有局部数据集对应的处于置信区间内的点数的百分比与三种检验方式对应的标准正态分布百分比进行对比，取两者最接近的处于置信区间内的点数的百分比对应的局部数据集的邻居点数作为最佳邻居点数M；进行对比时，三种检验方式的优先级排序为、和；S14、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上欧氏距离最近的M个邻居点，组成一个M+1点的局部数据集；使用第二高斯过程回归初始模型对M+1点的局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值，遍历所有数据点，得到所有数据点的浓度预测值。进一步的，S10中，第二高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern协方差函数、理性二次协方差函数或线性协方差函数。进一步的，S1的具体过程为：S1-1、获取不同温度、湿度及浓度下气体传感器的电阻值；S1-2、分别绘制不同温度和湿度下的电阻值-浓度的二维曲线；S1-3、根据电阻值-浓度的二维曲线判断气体传感器的物理特性，若电阻值随浓度增大而增大，判断气体传感器的物理特性为电阻上升型传感器，否则判断气体传感器的物理特性为电阻下降型传感器。进一步的，S2的具体过程为：S2-1、若气体传感器的物理特性为电阻上升型传感器，检查各温度和湿度下电阻值是否随浓度递增，令不符合规律的点为测试异常点；若气体传感器的物理特性为电阻下降型传感器，检查各温度和湿度下电阻值是否随浓度递减，令不符合规律的点为测试异常点；S2-2、将筛选出的测试异常点剔除。进一步的，S3的具体过程为：S3-1、根据电阻值随温度、湿度和浓度的变化关系建立多元线性回归初始模型；S3-2、对电阻值做多元线性回归，获取残差数据；S3-本文档来自技高网...

【技术保护点】
1.一种智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，包括以下步骤：/nS1、通过测试获取不同温度、湿度及浓度下气体传感器的电阻值，判断气体传感器的物理特性；/nS2、通过气体传感器的物理特性筛选并剔除测试异常点；/nS3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布，若残差数据呈正态分布，转至S4，否则返回S1再次进行测试；/nS4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；/nS5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组；/nS6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；/nS7、使用S6得到的回归结果预测回归组数据点的电阻值，计算回归组数据点的预测电阻值与测试电阻值之间的相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；/nS8、通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的气体传感器；/nS9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；/nS10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；/n建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；/n计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于设定阈值，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；/nS11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；/nS11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；/nS12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；/nS13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；/nS13-1、计算浓度预测值与测试设定的浓度之间的绝对误差...

【技术特征摘要】
1.一种智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，包括以下步骤：
S1、通过测试获取不同温度、湿度及浓度下气体传感器的电阻值，判断气体传感器的物理特性；
S2、通过气体传感器的物理特性筛选并剔除测试异常点；
S3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布，若残差数据呈正态分布，转至S4，否则返回S1再次进行测试；
S4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；
S5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组；
S6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；
S7、使用S6得到的回归结果预测回归组数据点的电阻值，计算回归组数据点的预测电阻值与测试电阻值之间的相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；
S8、通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的气体传感器；
S9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；
S10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；
计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于设定阈值，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间插入一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
S11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；
S11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；
S12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；
S13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；
S13-1、计算浓度预测值与测试设定的浓度之间的绝对误差E；
S13-2、分别通过、以及三种检验方式求绝对误差的置信区间，
其中，为绝对误差E的平均值，为绝对误差E的标准差；计算处于置信区间内的点数的
百分比；
S13-3、依次减少和依次增加邻居点数，对于每一个数据点组成新的局部数据集，转至
S11-2；将所有局部数据集对应的处于置信区间内的点数的百分比与三种检验方式对应的
标准正态分布百分比进行对比，取两者最接近的处于置信区间内的点数的百分比对应的局
部数据集的邻居点数作为最佳邻居点数M；进行对比时，三种检验方式的优先级排序为、和；
S14、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上欧氏距离最近的M个邻居点，组成一个M+...

【专利技术属性】
技术研发人员：吴援明，刘灿，太惠玲，张明祥，蒋亚东，袁震，杜晓松，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51