一种气体传感器的温湿度补偿方法和装置制造方法及图纸

本发明专利技术涉及一种气体传感器的温湿度补偿方法和装置，其中方法包括将气体传感器的测量值、当前环境温度和当前环境湿度输入经过人工蜂群算法优化的BP神经网络，得到气体浓度的补偿值。本发明专利技术采用优化后的人工蜂群算法对BP神经网络进行优化，降低初始权值和阈值对BP神经网络预测结果的影响，并在人工蜂群算法中使用分段式轮盘赌算法确定最优蜜源。与现有技术相比，本发明专利技术具有补偿值更精确等优点。本发明专利技术具有补偿值更精确等优点。本发明专利技术具有补偿值更精确等优点。

【技术实现步骤摘要】
一种气体传感器的温湿度补偿方法和装置


[0001]本专利技术涉及气体传感器领域，尤其是涉及一种气体传感器的温湿度补偿方法和装置。

技术介绍

[0002]气体是我们生产和生活中离不开的一部分。在生活中我们需要吸入氧气、会使用液化气；在生产中，很多领域都需要使用气体原料，同时工业过程也会产生气体。因此，研究高性能的气体传感器是十分必要的。
[0003]气体传感器的检测精度会受到环境的影响，其中温度和湿度(温湿度)是两个主要的影响因素。传感器中的电子元件、光学元件等均会受温湿度的影响而发生变化，导致检测精度和稳定性降低。对于氢气、甲烷这样的可燃气体和一氧化碳、氯气这样的有毒气体，检测结果不精确可能带来很大的安全隐患，故而，消除环境因素给传感器测量结果带来的误差非常关键。
[0004]为了降低温湿度的影响，可以采用硬件补偿或软件补偿的策略。硬件补偿是通过硬件电路降低温湿度对测试结果的影响，如在负载电路中并联或串联热敏、湿敏电阻；软件补偿则是利用算法对数据进行处理，如用最小二乘曲线拟合法、机器学习等进行补偿。
[0005]现有的软件补偿方法常常使用BP(Back Propagation)神经网络来对传感器进行补偿，BP神经网络依靠不断的误差反向传播修改输入层至隐含层、隐含层至输出层的权值和阈值，通过修改后的权值和阈值降低神经网络的输出误差。但是由于BP神经网络的初始权值和阈值是随机生成的，当二者的选取不恰当时，易出现网络收敛速度慢、陷入局部最小值的情况，导致对传感器检测结果的补偿不当。
专利技术内容
[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种气体传感器的温湿度补偿方法和装置。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种气体传感器的温湿度补偿方法，包括将气体传感器的测量值、当前环境温度和当前环境湿度输入经过人工蜂群算法优化的BP神经网络，得到气体浓度的补偿值，其中，BP神经网络的优化过程如下：
[0009]S1、初始化人工蜂群算法的参数，将BP神经网络的权值和阈值作为人工蜂群算法的蜜源，并设定BP神经网络的最小误差阈值；
[0010]S2、执行人工蜂群算法，更新最优蜜源；
[0011]S3、计算当前最优蜜源下BP神经网络的误差，若误差不大于最小误差阈值或执行人工蜂群算法的次数达到最大迭代次数，则执行步骤S4；若误差大于最小误差阈值且执行人工蜂群算法的次数未达到最大迭代次数，则重新执行步骤S2；
[0012]S4、输出此时的最优蜜源，作为BP神经网络的初始权值和初始阈值，并将气体传感
器的测量值和温湿度作为神经网络输入，训练BP神经网络，得到训练好的BP神经网络。
[0013]进一步地，所述人工蜂群算法采用分段式轮盘赌的方法对蜜源进行选择。
[0014]进一步地，采用分段式轮盘赌选择蜜源的计算表达式如下：
[0015][0016]r＝rand(0,1)
[0017][0018]式中，p
i
为选择第i个蜜源的概率，fit
i
为第i个蜜源的适应度，γ为阶段因子，MCN为最大迭代次数，iter为此时的迭代次数，NS为蜜源的数量。
[0019]进一步地，所述人工蜂群算法的参数包括蜜源的个数、开采次数限制和最大迭代次数。
[0020]进一步地，所述BP神经网络包括输入层、隐含层和输出层，输入层包括三个输入节点，分别输入气体传感器检测浓度、温度传感器检测的温度和湿度传感器检测的湿度，所述输出层包括一个输出节点，输出补偿后的气体浓度。
[0021]进一步地，所述BP神经网络各层之间的激活函数均采用Sigmoid函数。
[0022]进一步地，所述BP神经网络的误差表达式如下：
[0023][0024][0025]式中，E表示全局误差，E
k
表示BP神经网络第k次训练的误差，K表示总训练次数，y
m
表示神经网络输出实际值，o
m
表示神经网络输出预测值。
[0026]一种气体传感器的温湿度补偿装置，包括存储器和处理器，所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：将气体传感器的测量值、当前环境温度和当前环境湿度输入经过人工蜂群算法优化的BP神经网络，得到气体浓度的补偿值，其中，BP神经网络的优化过程如下：
[0027]S1、初始化人工蜂群算法的参数，将BP神经网络的权值和阈值作为人工蜂群算法的蜜源，并设定BP神经网络的最小误差阈值；
[0028]S2、执行人工蜂群算法，更新最优蜜源；
[0029]S3、计算当前最优蜜源下BP神经网络的误差，若误差不大于最小误差阈值或执行人工蜂群算法的次数达到最大迭代次数，则执行步骤S4；若误差大于最小误差阈值，则重新执行步骤S2；
[0030]S4、输出此时的最优蜜源，作为BP神经网络的初始权值和初始阈值，并将气体传感
器的测量值和温湿度作为神经网络输入，训练BP神经网络，得到训练好的BP神经网络。
[0031]进一步地，所述人工蜂群算法采用分段式轮盘赌的方法对蜜源进行选择。
[0032]进一步地，采用分段式轮盘赌选择蜜源的计算表达式如下：
[0033][0034]r＝rand(0,1)
[0035][0036]式中，p
i
为选择第i个蜜源的概率，fit
i
为第i个蜜源的适应度，γ为阶段因子，MCN为最大迭代次数，iter为此时的迭代次数，NS为蜜源的数量。
[0037]与现有技术相比，本专利技术具有以下优点：
[0038]1、本专利技术使用BP神经网络修正了气体传感器的输出值，并选用人工蜂群算法对BP神经网络进行了优化，避免了由于BP神经网络初始值的随机性引起的结果不精确的问题，提升了BP神经网络的预测精度和收敛速度，继而提高了温湿度对气体传感器的补偿值的精确性。
[0039]2、本专利技术在人工蜂群算法中选用分段式轮盘赌算法代替了传统的轮盘赌算法，避免了算法过早收敛的问题，确保可获取最优蜜源，进一步保障了BP神经网络初始权值和阈值的准确性。
附图说明
[0040]图1为本专利技术的BP神经网络优化流程示意图。
[0041]图2为本专利技术的人工蜂群算法流程示意图。
[0042]图3为本专利技术涉及的BP神经网络层级图。
具体实施方式
[0043]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0044]本实施例提出了一种气体传感器的温湿度补偿方法，包括将气体传感器的测量值、当前环境温度和当前环境湿度输入经过人工蜂群算法优化的BP神经网络，得到气体浓度的补偿值。其中，BP神经网络的优化过程如图1所示，具体如下：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气体传感器的温湿度补偿方法，其特征在于，包括将气体传感器的测量值、当前环境温度和当前环境湿度输入经过人工蜂群算法优化的BP神经网络，得到气体浓度的补偿值，其中，BP神经网络的优化过程如下：S1、初始化人工蜂群算法的参数，将BP神经网络的权值和阈值作为人工蜂群算法的蜜源，并设定BP神经网络的最小误差阈值；S2、执行人工蜂群算法，更新最优蜜源；S3、计算当前最优蜜源下BP神经网络的误差，若误差不大于最小误差阈值或执行人工蜂群算法的次数达到最大迭代次数，则执行步骤S4；若误差大于最小误差阈值且执行人工蜂群算法的次数未达到最大迭代次数，则重新执行步骤S2；S4、输出此时的最优蜜源，作为BP神经网络的初始权值和初始阈值，并将气体传感器的测量值和温湿度作为神经网络输入，训练BP神经网络，得到训练好的BP神经网络。2.根据权利要求1所述的一种气体传感器的温湿度补偿方法，其特征在于，所述人工蜂群算法采用分段式轮盘赌的方法对蜜源进行选择。3.根据权利要求2所述的一种气体传感器的温湿度补偿方法，其特征在于，采用分段式轮盘赌选择蜜源的计算表达式如下：r＝rand(0,1)式中，p
i
为选择第i个蜜源的概率，fit
i
为第i个蜜源的适应度，γ为阶段因子，MCN为最大迭代次数，iter为此时的迭代次数，NS为蜜源的数量。4.根据权利要求1所述的一种气体传感器的温湿度补偿方法，其特征在于，所述人工蜂群算法的参数包括蜜源的个数、开采次数限制和最大迭代次数。5.根据权利要求1所述的一种气体传感器的温湿度补偿方法，其特征在于，所述BP神经网络包括输入层、隐含层和输出层，输入层包括三个输入节点，分别输入气体传感器检测浓度、温度传感器检测的温度和湿度传感器检测的湿度，所述输出层包括一个输出节点，输出补偿后的气体浓度。6.根据权利要求1所述的一种气体传感器的温湿度补偿方法，其特征在于，所述...

【专利技术属性】
技术研发人员：张明民，傅焕哲，王磊，王俊，
申请(专利权)人：同济大学，
类型：发明
国别省市：