一种湿度传感器的补偿方法
【技术领域】
[0001] 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】
[0002] 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HMP4?温湿度一体化传感器来测量空气的湿度。HMP4?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。
[0003] 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】
[0004] 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。
[0005] 本发明为解决上述技术问题采用以下技术方案：
[0006] -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：
[0007] 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；
[0008] 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:
[0009]
其中，Yni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；
[0010] 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；
[0011] 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 ;
[0012] 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 ;
[0013] 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 ;
[0014] 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。
[0015] 所述粒子群算法的位置和速度更新公式如下：
[0017] 其中，1?为第k代的粒子速度，C+1为第k+1代的粒子速度，w为惯性权重，（^和 C2为学习因子，rJPr2是介于[0, 1]之间的均匀随机数，思为第k代粒子的局部最优位置， 为第k代的粒子位置，At1为第k+1代的粒子位置。
[0018] 所述粒子群算法的粒子位置对应一组权值和阈值。
[0019] 所述湿度传感器的特性函数为y=f(x)，xG[S。，SJ，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Sh-S。，Sh为湿度传感器的最高输入，S。 为湿度传感器的最低输入。
[0020] 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。
[0021] 与现有技术相比，本发明具有以下有益效果：
[0022] 由于BP神经网络学习算法是米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（PS0 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】
[0023] 图1为温度对湿度传感器测量结果的影响曲线图。
[0024] 图2为PSO-BP流程图。
[0025] 图3为PSO网络预测输出。
[0026] 图4为适应度曲线。
[0027] 图5为误差曲线。
【具体实施方式】
[0028] 下面结合附图对本发明的结构及工作过程作进一步说明。
[0029] -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：
[0030] 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；
[0031] 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:
[0032]
其中，yn为第m个样本的实际输出值，^为第111个样本的预测值，m= 1，2,. . .，L，L为样本个数；
[0033] 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；
[0034] 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 ;
[0035] 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 ;
[0036] 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 ;
[0037] 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。
[0038] 所述粒子群算法的位置和速度更新公式如下：
[0040] 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，cdPc2 为学习因子，是介于[0，1]之间的均匀随机数，if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。
[0041] 所述粒子群算法的粒子位置对应一组权值和阈值。
[0042] 所述湿度传感器的特性函数为y=f(x)，xG[S