基于PCA和GA融合算法的濕度傳感器校準實驗研究

陶佰睿, 李春輝, 苗鳳娟, 張景林, 劉艷菊, 王 歡, 郭 琴

(1. 齊齊哈爾大學 通信與電子工程學院, 黑龍江 齊齊哈爾 161006;2. 中國科學院 上海技術(shù)物理研究所紅外物理國家重點實驗室, 上海 200083;3. 齊齊哈爾大學 計算中心, 黑龍江 齊齊哈爾 161006)

?

實驗技術(shù)與方法

基于PCA和GA融合算法的濕度傳感器校準實驗研究

陶佰睿1,2,3, 李春輝1, 苗鳳娟1, 張景林3, 劉艷菊3, 王 歡1, 郭 琴1

(1. 齊齊哈爾大學 通信與電子工程學院, 黑龍江 齊齊哈爾 161006;2. 中國科學院 上海技術(shù)物理研究所紅外物理國家重點實驗室, 上海 200083;3. 齊齊哈爾大學 計算中心, 黑龍江 齊齊哈爾 161006)

針對濕度傳感器因濕滯或溫度漂移等因素引起的非線性問題,提出一種基于主成分分析(PCA)和遺傳算法(GA)融合優(yōu)化神經(jīng)網(wǎng)絡(BP)傳感器校準改進措施。以HR202電阻型濕度傳感器為例,分別在5個溫度和10種飽和鹽溶液標準濕度環(huán)境下進行測試,對采集的數(shù)據(jù)首先利用PCA算法“降維”,通過提取溫度和濕滯補償?shù)闹饕畔?在原信息損失較小的前提下,將BP傳感器校準多維問題簡化,然后采用GA-BP對樣本進行訓練。經(jīng)實驗測試和Matlab平臺仿真研究結(jié)果表明,基于PCA和GA融合算法處理的神經(jīng)網(wǎng)絡對濕度傳感器定標校準數(shù)據(jù)相比該產(chǎn)品示值校準精度從±5%RH提高到±3%RH,訓練速度相比傳統(tǒng)BP方法提高3～5倍。該方法在濕度傳感器校準測量精度提高方面有參考價值。

濕度傳感器; 主成分分析; 遺傳算法; 神經(jīng)網(wǎng)絡; 非線性校準

濕度傳感器在進行濕度測量時,因本身濕滯特性和環(huán)境溫度影響存在較大非線性誤差。常用濕度傳感器校準補償方法主要有硬件電路補償和軟件補償兩種[1-3]。為降低成本,軟件補償方法應用較多,主要有查表校正,但校正表占用內(nèi)存大[4]。采用最小二乘多項式曲線擬合法校正,當數(shù)據(jù)點較多時易出現(xiàn)振蕩現(xiàn)象[5]。利用徑向基函數(shù)(RBF)或粒子群優(yōu)化算法(PSO)等改進神經(jīng)網(wǎng)絡法雖然逼近能力強,但在算法復雜性、收斂速度和訓練耗時等方面存在諸多問題[6-8]。近年,多維智能融合算法在傳感器定標校準和精度改進應用領(lǐng)域成為人們研究重點,取得了較好成效[9-11]。為此,本文提出一種基于主成分分析(PCA)和改進遺傳算法(GA)融合優(yōu)化的神經(jīng)網(wǎng)絡改進算法,結(jié)合飽和鹽溶液構(gòu)建的標準濕度環(huán)境,對濕度傳感器因濕滯和溫度引起的非線性測量誤差進行校準,以期為特定類型濕度傳感器的定標和誤差補償模型提供理論和實驗研究基礎(chǔ)。

1 飽和金屬鹽溶液標準濕度環(huán)境

根據(jù)GB/T 6999—2010濕度測量和國際法制計量組織(OIML)對飽和鹽溶液標準相對濕度值建議[12-13],構(gòu)建濕度傳感器校準環(huán)境如圖1所示。其中:恒溫水浴槽用來控制環(huán)境溫度;集氣瓶內(nèi)風扇用來盡快使空間氣體水汽與液面達到動態(tài)平衡;10種金屬鹽以錐狀分別置于集氣瓶內(nèi)飽和鹽溶液中,并且固體鹽有大于1/3部分露出液面,濕度傳感器以HR202濕敏電阻傳感器為例;傳感器測量系統(tǒng)為MT4080D 交流電橋及PC機。MT4080D交流電橋?qū)崟r采集HR202濕敏電阻阻值并自動記錄在PC機中。

圖1 實驗裝置示意圖

2 PCA和GA優(yōu)化的BP改進算法在濕度傳感器校準和誤差補償中的應用

理論上,BP神經(jīng)網(wǎng)絡可以逼近任意非線性曲線,為了使其適合濕度傳感器校準應用,簡化計算量,本文使用PCA方法對變量進行降維,并且結(jié)合GA優(yōu)化神經(jīng)網(wǎng)絡,防止其陷入局部最優(yōu)值?？傮w設計流程圖如圖2所示。

圖2 優(yōu)化BP神經(jīng)網(wǎng)絡流程圖

2.1 BP神經(jīng)網(wǎng)絡補償模型

BP網(wǎng)絡進行濕度傳感器溫度補償模型見圖3。

圖3 傳感器溫度補償模型

傳感器的模型可表示為

(1)

其中：X為目標測量值；T為環(huán)境溫度,T包括n維環(huán)境溫度值t1,t2…tn；Y為傳感器n維輸出陣列；Y′為校準補償后的輸出。

2.2 主成分分析(PCA)基本原理

主成分分析的思想是將原來眾多的具有一定相關(guān)性的變量,重新組合成一組新的互相無關(guān)的綜合指標來代替原來的指標。借助正交變換,將其分量相關(guān)的原隨機向量轉(zhuǎn)化成其分量不相關(guān)的新隨機向量。

第一步：進行實驗數(shù)據(jù)的標定,濕度標定個數(shù)為n個,溫度標定點為m個,將各點表示成n×m的矩陣X,其元x(i,j),(i=1,2…m,j=1,2…n),構(gòu)成協(xié)方差矩陣

(2)

第二步:由協(xié)方差陣,求出其特征根λ。

第三步：求出分別所對應特征根的特征向量。

第四步:計算累積貢獻率,給出恰當?shù)闹鞒煞诌x取使得主成分的累計貢獻率∑λi超過85%的最小整數(shù)m。

最終確定前m個主成分F1,F2,…，F(xiàn)m并用這m個主成分作為綜合指標替代原來P個評價指標X1,X2,…,Xp,得到新的指標體系。

2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

遺傳算法采納自然進化模型,經(jīng)過選擇、交叉或基因重組、變異方法,對個體進行篩選,使適應度值好的個體被保留,適應度差的個體被淘汰,這樣反復循環(huán),直至滿足條件。步驟如下:

(1) 遺傳算法初始化；

(2) 適應度函數(shù)：

(3)

其中:k為系數(shù),Yi是預測輸出,Oi是神經(jīng)網(wǎng)絡期望輸出值;

(3) 選擇：采用按比例的適應度分配,稱為蒙特卡羅法,是利用各個個體適應度的概率決定其子孫的遺留可能性。若某個個體i,其適應度為fi,則其被選取的概率Pi表示為

(4)

(4) 交叉操作:個體采用實數(shù)編碼,采用實數(shù)交叉法,選擇2個不同染色體的不同部位進行交換操作。

(5) 變異操作。

3 實驗測試及校準研究

每次測量時首先將裝有10種飽和鹽溶液的密閉集氣瓶置于恒溫水槽中,并在特定溫度下恒溫15 min,之后依次將待測量傳感器樣品連同密封塞置入低濕到高濕環(huán)境的集氣瓶中,啟動風扇2 min后讀取7次傳感器濕敏電阻阻值作為計算參量;在同溫度下,按照上述方法對濕度傳感器依次從高濕到低濕環(huán)境再次測量,采集到的數(shù)據(jù)作為校準和補償濕滯引起誤差的依據(jù)。分別在不同溫度點重復上述測量，采集到的數(shù)據(jù)作為校準和補償溫度引起誤差的依據(jù)。由于國際標準沒有標定醋酸鉀30 ℃之后的標準相對濕度,我們用給定表中數(shù)值作為標準值,并用“*”標記。MT4080D交流電橋采用頻率1 kHz、電壓1 V AC的正弦波。10種飽和金屬鹽溶液在不同溫度(分別為25、30、35、40、45 ℃)條件下的標準濕度和HR202濕敏電阻傳感器電阻示值(7次測量均值)如表1所示。

7次的測量值都是在允許誤差范圍之內(nèi),該樣本記錄的是7次測量均值作為要校準的濕度值。對不同HR202濕敏電阻傳感器重復實驗可以得到大量新樣本。

首先對數(shù)據(jù)標準化處理,然后進行主成分分析,將主成分作為神經(jīng)網(wǎng)絡預測網(wǎng)絡新的輸入變量,同時確定輸入節(jié)點,分別取訓練樣本和測試樣本。樣品解釋總方差如表2所示。

表2 樣本解釋總方差

由解釋的總方差可以看出，前3個成分累計已經(jīng)達到了89.278%，大于85%,概括了原變量的主要信息,因此可以選取3個主成分。由以上數(shù)據(jù)可以確定神經(jīng)網(wǎng)絡的模型形式為3個輸入節(jié)點,通過反復嘗試確定7個隱層節(jié)點和1個輸出節(jié)點,建立單隱層 BP 網(wǎng)絡模型,并通過實驗設置好參數(shù)。將樣本庫(表2是庫中一部分)中40 組數(shù)據(jù)進行網(wǎng)絡訓練,10 組作為測試樣本。BP及PCA-GA-BP神經(jīng)網(wǎng)絡的訓練誤差曲線分別如圖4和圖5所示。

圖4 BP神經(jīng)網(wǎng)絡訓練誤差曲線

圖5 PCA-GA-BP神經(jīng)網(wǎng)絡訓練誤差曲線

BP神經(jīng)網(wǎng)絡經(jīng)過401次迭代計算,誤差達到9.871×10-5,而GA-BP神經(jīng)網(wǎng)絡經(jīng)過115次迭代計算達到了網(wǎng)絡預設誤差要求,網(wǎng)絡的性能更好；而經(jīng)過PCA處理之后經(jīng)過59次迭代達到目標要求。同時訓練相對誤差分別如圖6和圖7所示。

圖6 BP神經(jīng)網(wǎng)絡訓練相對誤差曲線

圖7 PCA-GA-BP神經(jīng)網(wǎng)絡訓練相對誤差曲線

從訓練的相對誤差曲線可以看到,沒有經(jīng)過PCA-GA處理的BP神經(jīng)網(wǎng)絡訓練的誤差是0.5%；經(jīng)過PCA和遺傳算法優(yōu)化后的訓練誤差小于0.01%,訓練的精度明顯提高。經(jīng)過PCA及GA處理后精度提高,訓練時間大大縮短了，比較如表3所示。

表3 算法訓練速度和訓練誤差比較

圖8 BP神經(jīng)網(wǎng)絡預測絕對誤差曲線

圖9 PCA-GA-BP神經(jīng)網(wǎng)絡預測絕對誤差曲線

預測的誤差曲線如圖8和圖9所示。從預測結(jié)果可以看出，BP網(wǎng)絡的測試絕對誤差最大約0.027,經(jīng)PCA處理的GA-BP預測絕對誤差最大不超過為0.004,效果較好。

將測試樣本代入訓練好的網(wǎng)絡,進行非線性補償后的濕度輸出的效果進行仿真實驗之后對網(wǎng)絡進行測試,將結(jié)果反歸一化,將阻抗值轉(zhuǎn)化為相對濕度,經(jīng)處理后(其中30 ℃之后的醋酸鉀補償結(jié)果剔除),25 ℃條件下濕度準確值與修正值如表4所示。由表可以看出，PCA-GA-BP模型明顯優(yōu)于其他3種模型,其預測接近準確值,測量精度由原來的±5%RH提高到± 3%RH,測量效果相比有了很大提高。

表4 25 ℃下濕度準確值與修正值

4 結(jié)束語

近年來,各種制造原理、規(guī)格型號的溫濕度計層出不窮，對于溫濕度計的檢定校準工作也提出了更高的要求。在制造濕敏電阻傳感器時,應在不同溫度下對其進行全量程測試,再采用融合的神經(jīng)網(wǎng)絡方法對其進行校準。本文提出的融合PCA-GA優(yōu)化神經(jīng)網(wǎng)絡方法,確定主要影響因素對目標值的影響,同時用遺傳算法的優(yōu)化后神經(jīng)網(wǎng)絡,特別是在對大規(guī)模數(shù)據(jù)進行訓練時,能夠快速訓練網(wǎng)絡結(jié)構(gòu),簡化訓練復雜性,大大提高了訓練的速度和精度。在實際測量時,根據(jù)濕敏電阻實測的濕度值和溫度值,然后利用本文方法得到溫度補償后的相對濕度的測量值，實驗證明此方法是可行有效的,這種融合算法同樣適用于其他傳感器多因素影響的校準情況,具有參考價值。

References)

[1] 李中,石梅.溫濕度環(huán)境試驗箱校準儀的研制及應用[J].實驗技術(shù)與管理,2010,27(7):55-58.

[2] 李祚泳,汪嘉楊，郭淳.PSO算法優(yōu)化BP網(wǎng)絡的新方法及仿真實驗[J].電子學報,2008,36(11):2224-2228.

[3] Lu T,Chen C C.Uncertainty evaluation of humidity sensors calibrated by saturated salt solutions[J].Measurement,2007,40(6):591-599.

[4] 陳帥,蔡穎玲,韓堅潔,等.室內(nèi)微氣候控制實驗平臺設計與實施[J].實驗技術(shù)與管理,2013,30(9):68-71.

[5] 呂峰潔,張永瑞,楊剛.基于最小二乘法的氣體傳感器精度的研究[J].電子科技,2007(6):36-38.

[6] 俞阿龍.基于RBFNN的鉑電阻溫度傳感器非線性補償[J].傳感器技術(shù),2005,24(12):43-45.

[7] Tao B R,Zhang J,Miao F J,et al.Capacitive humidity sensors based on Ni/SiNWs nanocomposites[J].Sensors and Actuators B:Chemical,2009,136(1):144-150.

[8] 葛新紅,田軍.人工神經(jīng)網(wǎng)絡在試驗設計中的應用研究[J].實驗技術(shù)與管理,2005,22(9):24-28.

[9] 付華.一種基于IGA-RBF神經(jīng)網(wǎng)絡的傳感器動態(tài)特性補償算法[J].計算機測量與控制,2013，21(4):1105-1108.

[10] 彭基偉,呂文華，行鴻彥，等.基于改進GA-BP神經(jīng)網(wǎng)絡的濕度傳感器的溫度補償[J].儀器儀表學報,2013,34(1):153-160.

[11] 孫艷梅,劉樹東.壓力傳感器溫度補償?shù)囊环N新方法[J].光通信研究，2011,1(2):62-64.

[12] 陳云生.介紹一種新編制的環(huán)境試驗用相對濕度查算表[J].裝備環(huán)境工程,2004(8):76-80.

[13] 郝光宗,邢麗緣,梁強威.飽和鹽水溶液檔靈度固定點(2):數(shù)據(jù)來源與鹽溶液選擇[J].傳感器世界,1999,5(12):10-14.

Experimental study of humidity sensor calibrating based on fusion algorithm of PCA and GA

Tao Bairui1,2,3,Li Chunhui1,Miao Fengjuan1,Zhang Jinglin3, Liu Yanju3, Wang Huan1,Guo Qin1

(1.College of Communications and Electronics Engineering,Qiqihar University, Qiqihar 161006, China; 2. National Laboratory for Infrared Physics,Shanghai Institutes of Technical Physics,Chinese Academy of Sciences,Shanghai 200083,China;3.Computing Center, Qiqihar University, Qiqihar 161006,China)

To solve the nonlinear problems caused by the factors of humidity sensor hysteresis or temperature drift,a method of sensor calibration and improvement measures is proposed,using fusion algorithm of neural network (BP) optimized by principal component analysis (PCA) and genetic algorithm (GA). Taking the HR202 humidity sensor as an example, the tests were made respectively in the 5 temperature levels and 10 kinds saturated salt solution humidity environment.First,the measured data samples are reduced by the PCA algorithm.Then,the BP multidimensional sensor calibration is simplified with extracting the main information of temperature and humidity hysteresis compensation under the premise of original information loss smaller.Then the samples are trained by GA-BP.After experimental testing and simulating with MATLAB platform,the experimental results show that the neural network based on PCA and GA fusion algorithm for humidity sensor calibration data compared to product value,calibration precision is improved from ± 5%RH to ± 3%RH, the training speed compared with the traditional BP method is improved by 3-5 times.The method has an important reference value in improving the measurement accuracy in the humidity sensor calibration.

humidity sensor;principal component analysis;genetic algorithm;neural network;nonlinear calibration

2014- 06- 06 修改日期：2014- 07- 30

黑龍江省高等教育教學改革項目(JG2012010671)；齊齊哈爾大學教育教學研究項目(2014082)；黑龍江省高等教育教學改革項目(JG2013010025)

陶佰睿(1972—)，男，吉林洮南，博士，教授，碩士生導師，研究方向為微納傳感器和無線傳感器網(wǎng)絡等.

E-mail：Tbr_sir@163.com

TP212.1

A

1002-4956(2015)2- 0042- 05