一种基于机器学习的LC湿度传感器漂移补偿方法

本发明涉及lc传感器，具体涉及一种基于机器学习的lc湿度传感器漂移补偿方法。

背景技术：

1、lc无源无线传感器本质上是一种lc谐振环路，由无源元件电阻、电容和电感组成。lc传感器体积小、成本低、功耗较低，且不需要更换电池，可用于ph监测、温度、湿度、生物电位和应变等参数的检测，有着很重要的使用价值和科研意义。

2、然而传感器往往会由于外界环境变化（温度，电磁干扰等），而出现漂移现象，即传感器响应偏离基准值，这会导致后续的模式识别结果不准确。本发明针对lc湿度传感器因温度变化造成的响应数据不稳定问题，采用神经网络模型对lc湿度传感器的温度漂移进行补偿，对获得更稳定、更可靠的输出结果具有重要意义。

3、有鉴于此，有必要设计一种基于机器学习的lc湿度传感器漂移补偿方法，以解决上述问题。

技术实现思路

1、本发明的目的在于针对lc湿度传感器因温度变化造成的响应数据不稳定问题，提供一种基于机器学习的lc湿度传感器漂移补偿方法。

2、为实现以上目的，本发明采用以下技术方案，包括以下步骤：

3、s1、对lc湿度传感器进行温度测试实验，获取原始数据，所述原始数据包括多组数据，每组所述数据包括湿度环境及温度条件下所述lc湿度传感器的响应数据；

4、s2、将所述lc湿度传感器的响应数据进行预处理，提取响应带宽bw，实部阻抗最大值re()max，及所述最大值re()max对应的谐振频率freq，利用小波分析对所述谐振频率freq降噪，并将降噪后的数据进行归一化处理之后作为特征建立数据集；

5、s3、初始化bp神经网络，采用遗传算法优化bp神经网络模型，得到ga-bp模型；

6、s4、用训练集对所述ga-bp模型进行训练，将训练好的模型用于漂移数据测试集的补偿。

7、作为本发明的进一步改进，所述s2中的所述小波分析所采用的基函数为db10，分解层数为3层。

8、作为本发明的进一步改进，所述s2中的所述小波分析的阈值选取为改进的固定阈值，表达式为：

9、 ，

10、阈值函数选取为改进的阈值函数，所述阈值函数的公式为：

11、，

12、其中为信号标准方差， n为数据长度， j为分解层数，为估计小波系数，为分解后的小波系数，sgn(*)为符号分段函数。

13、作为本发明的进一步改进，所述s3中的所述bp神经网络包括1个输入层、2个隐藏层和1个输出层，所述输入层有3个输入，所述2个隐藏层分别有m和n个神经元。

14、作为本发明的进一步改进，所述bp神经网络是通过输入的线性组合，然后通过神经元激活函数进行非线性变换，所述神经元激活函数选用sigmoid函数，将估计值和实际测量值的均方误差 mse函数作为误差函数，并利用反向传播算法最小化所述误差函数，其中，所述均方误差 mse函数的表达式为：

15、

16、其中，为实际观测值， 为模型预测输出值， n为测试点数。

17、作为本发明的进一步改进，所述s3中的所述遗传算法优化bp神经网络，通过不断地进化种群中的个体，通过选择、交叉和变异探索超参数空间，得到最佳的超参数组合，多次迭代后，所述遗传算法收敛到具有高适应度的个体，所述个体对应于所述超参数组合。

18、作为本发明的进一步改进，所述遗传算法优化所述bp神经网络时，使用决定系数作为模型评价指标，决定系数的表达式为：

19、

20、其中，为实际观测值，为实际观测值的平均值，为模型预测输出值， n为测试点数。

21、本发明的有益效果为：

22、本发明通过神经网络模型对lc湿度传感器温度漂移进行补偿，经过对温度漂移数据集的学习，该模型系数达到0.966，表明模型能解释96.6%的不确定性，取得了良好的效果。

技术特征：

1.一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，包括：

2.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s2中的所述小波分析所采用的基函数为db10，信号的分解层数为3层。

3.根据权利要求2所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s2中的所述小波分析的阈值选取为改进的固定阈值，表达式为：

4.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s3中的所述bp神经网络包括1个输入层、2个隐藏层和1个输出层，所述输入层有3个输入，所述2个隐藏层分别有m和n个神经元。

5.根据权利要求4所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述bp神经网络是通过输入的线性组合，然后通过神经元激活函数进行非线性变换，所述神经元激活函数选用sigmoid函数，将估计值和实际测量值的均方误差mse函数作为误差函数，并利用反向传播算法最小化所述误差函数，其中，所述均方误差mse函数的表达式为：

6.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s3中的所述遗传算法优化bp神经网络，通过不断地进化种群中的个体，通过选择、交叉和变异探索超参数空间，得到最佳的超参数组合，多次迭代后，所述遗传算法收敛到具有高适应度的个体，所述个体对应于所述超参数组合。

7.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述遗传算法优化所述bp神经网络时，使用决定系数作为模型评价指标，决定系数的表达式为：

8.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述bp神经网络模型使用adam优化器优化模型参数，迭代次数为10000次。

技术总结
本发明公开一种基于机器学习的LC湿度传感器漂移补偿方法，包括：对LC湿度传感器进行温度测试实验，获取原始数据，原始数据包括多组数据，每组数据包括湿度及温度条件下的响应数据；预处理响应数据，提取响应带宽BW、实部阻抗最大值Re()Max，及其最大值对应的谐振频率Freq，利用小波分析对其降噪，将降噪后的数据进行归一化处理作为特征建立数据集；初始化BP神经网络，采用遗传算法优化BP神经网络模型，得到GA‑BP模型；用训练集训练GA‑BP模型，将训练好的模型用于漂移数据测试集的补偿。本发明通过神经网络模型对LC湿度传感器漂移进行补偿，经过对漂移数据集的学习，模型系数达到0.966，模型能解释96.6%的不确定性，取得了良好的补偿效果。

技术研发人员：任青颖,魏鸿飞,郭宇锋,姚佳飞,李金泽,李卫,许杰,王德波,许巍,王萌
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/3/12