本发明涉及气体浓度检测,特别涉及一种基于issa-bp神经网络的气体浓度补偿方法、一种基于issa-bp神经网络的气体浓度补偿装置。
背景技术:
1、激光气体传感器对气体浓度检测过程中易受到温度的影响。例如,激光甲烷传感器在对甲烷浓度测量时,温度会对检测气体的特征谱线强度以及气体分子之间碰撞引起的洛伦兹线性展宽产生影响。同时,激光甲烷传感器中的激光器等光学元件以及电路中的各种集成芯片也会受到温度的较大影响。常用的温度补偿算法中的多项式拟合法和经验公式法建立的物理温度补偿模型在多因素影响条件下补偿效果欠佳。而神经网络有较好的泛化能力和学习能力,且可以利用大规模的数据集进行训练,相较于单一的物理补偿模型有更好的补偿效果。
2、文献《基于bp神经网络的红外可燃气体探测器温度补偿研究》提出了使用bp神经网络建立红外可燃气体温度补偿模型,并验证了其可行性。文献《基于tdlas(tunablediode laser absorption spectroscopy,可调谐半导体激光吸收光谱)技术的甲烷气体检测与温度补偿方法》通过建立pso-bp神经网络构建温度补偿模型,在温度波动范围较小的情况下相较于bp神经网络模型具有更好的补偿效果。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的在于提出一种基于issa-bp神经网络的气体浓度补偿方法和装置,以降低温度对气体浓度测量的影响。
2、为达到上述目的,本发明第一方面实施例提出了一种基于issa-bp神经网络的气体浓度补偿方法,所述方法包括:获取待补偿气体浓度及其对应的环境温度;将所述环境温度和所述待补偿气体浓度输入到训练好的温度补偿模型,输出补偿后的气体浓度;其中,所述温度补偿模型为通过改进的麻雀搜索算法issa优化后的bp神经网络。
3、另外,本发明实施例的基于issa-bp神经网络的气体浓度补偿方法还可以具有如下附加技术特征:
4、根据本发明的一个实施例,所述温度补偿模型的训练过程,包括:获取训练样本和测试样本,其中,所述训练样本和所述测试样本均包括补偿前气体浓度及其对应的环境温度,以及补偿后气体浓度真实值;设置bp神经网络的参数,并通过nguyen-widrow算法初始化所述bp神经网络的权值和阈值,将所述训练样本输入至所述bp神经网络;初始化麻雀搜索算法种群,其中,所述种群中的初始麻雀个体为所述bp神经网络的初始权值和初始阈值;初始化麻雀搜索算法参数,并对所述bp神经网络的初始权值和初始阈值进行初始化编码;建立适应度函数,并计算每个麻雀个体的适应度,确定出最佳适应度位置和最差适应度位置,其中,所述适应度函数为所述bp算法的损失函数;依次更新探索者位置、追随者位置和反捕食者位置;更新适应度,并判断更新后的适应度是否满足迭代停止条件,若是则将最佳适应度对应的麻雀个体作为训练得到的权值和阈值,得到训练好的温度补偿模型,否则返回至所述计算每个麻雀个体的适应度的步骤;利用所述测试样本对训练好的温度补偿模型进行测试,得到最终的温度补偿模型。
5、根据本发明的一个实施例,所述温度补偿模型的训练过程还包括:在更新适应度之前,通过自适应t-分布扰动策略对所述每个搜索单位进行位置扰动更新。
6、根据本发明的一个实施例,所述设置bp神经网络的参数,包括:设置所述bp神经网络的隐藏层的个数为1,隐藏层神经元的个数为5,最大训练次数为100,学习率为0.02,所述损失函数为均方误差函数,最小误差为0.00001。
7、根据本发明的一个实施例,通过精英准反射解学习机制对所述麻雀搜索算法种群进行初始化。
8、根据本发明的一个实施例,所述初始化麻雀搜索算法参数,包括:设置搜索维度为21,种群规模为21,最大进化次数为150,种群限制的上边界值和下边界值分别为5、-5,探索者与追随者的比值为7:3。
9、根据本发明的一个实施例,利用变色龙算法的随机搜索策略更新所述探索者位置,具体通过下式对所述探索者的位置进行更新:
10、
11、其中,t为迭代数,xi,j表示第i个搜索单位在第j维的位置信息,u为第j维的上限,l为第j维的下限,r1为[0,1]内的随机数,γ、α和β的取值分别为1、3.5、3,itermax为最大迭代次数,q为服从正态分布的随机数,r2为危险预警值,st为正常安全值,rand为(0,1)的随机数,l为1×dim的矩阵,dim为搜索维度。
12、根据本发明的一个实施例,通过下式对所述追随者的位置进行更新:
13、
14、其中,xp为所述探索者搜索到的最佳适应度位置,xworst为所述探索者搜索到的最差适应度位置,a为与麻雀个体同维度的列向量,该列向量中每个元素随机赋值为1或-1,且a+=t(at)-1,n为种群规模。
15、根据本发明的一个实施例,通过下式对所述反捕食者的位置进行更新:
16、
17、其中,xbest为当前全局最优位置,β为正态分布的随机数,η为随机步长,levy()为随机搜索路径,fi为当前个体的适应度值,fg为当前全局最佳的适应度值。
18、为达到上述目的,本发明第二方面实施例提出了一种基于issa-bp神经网络的气体浓度补偿装置,所述装置包括:
19、获取模块,用于获取待补偿气体浓度及其对应的环境温度;
20、补偿模块,用于将所述环境温度和所述待补偿气体浓度输入到训练好的温度补偿模型,输出补偿后的气体浓度;其中,所述温度补偿模型为通过改进的麻雀搜索算法issa优化后的bp神经网络。
21、本发明实施例的基于issa-bp神经网络的气体浓度补偿方法和装置,通过改进后的神经网络,解决了气体传感器在测量气体浓度时受温度影响,导致测量误差较大的问题,提高了对气体浓度测量的准确性。
1.一种基于issa-bp神经网络的气体浓度补偿方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述温度补偿模型的训练过程,包括:
3.根据权利要求2所述的方法,其特征在于,所述温度补偿模型的训练过程还包括:
4.根据权利要求3所述的方法,其特征在于,所述设置bp神经网络的参数,包括:
5.根据权利要求2所述的方法,其特征在于,通过精英准反射解学习机制对所述麻雀搜索算法种群进行初始化。
6.根据权利要求2所述的方法,其特征在于,所述初始化麻雀搜索算法参数,包括:
7.根据权利要求2所述的方法,其特征在于,利用变色龙算法的随机搜索策略更新所述探索者位置,具体通过下式对所述探索者的位置进行更新:
8.根据权利要求2所述的方法,其特征在于,通过下式对所述追随者的位置进行更新:
9.根据权利要求2所述的方法,其特征在于,通过下式对所述反捕食者的位置进行更新:
10.一种基于issa-bp神经网络的气体浓度补偿装置,其特征在于,所述装置包括: