基于PSO－BP 的紅外溫度傳感器環(huán)境溫度補(bǔ)償

趙 斌，王建華

(江蘇科技大學(xué) 電子信息學(xué)院，江蘇 鎮(zhèn)江212003)

0 引 言

紅外測(cè)溫系統(tǒng)具有能對(duì)目標(biāo)遠(yuǎn)距離在線實(shí)時(shí)成像和溫度測(cè)量，借助它無(wú)接觸的在線檢測(cè)方法，實(shí)現(xiàn)人力無(wú)法直接解決的問(wèn)題，已經(jīng)被廣泛地應(yīng)用在軍事、工業(yè)、防盜系統(tǒng)、醫(yī)療、救生和電力設(shè)備監(jiān)測(cè)等領(lǐng)域中。紅外測(cè)溫系統(tǒng)最主要的部分就是紅外溫度傳感器，系統(tǒng)在工作的過(guò)程中容易受到很多因素的影響，如目標(biāo)物體的表面輻射率、傳感器與目標(biāo)物體的探測(cè)距離、環(huán)境溫度、器件自身的溫度等，都會(huì)導(dǎo)致傳感器測(cè)溫誤差變大。經(jīng)過(guò)大量的試驗(yàn)驗(yàn)證，環(huán)境溫度的變化對(duì)傳感器的測(cè)溫精度的影響比較顯著［1，2］。因此，應(yīng)針對(duì)環(huán)境變化這一因素，對(duì)紅外溫度傳感器進(jìn)行補(bǔ)償，以消除環(huán)境溫度變化對(duì)傳感器測(cè)溫精度的影響。

人工神經(jīng)網(wǎng)絡(luò)是目前一種有效的補(bǔ)償方法［3］，大量的理論研究已經(jīng)證明BP 算法是一種有效的神經(jīng)網(wǎng)絡(luò)算法，但該算法過(guò)擬合現(xiàn)象嚴(yán)重，收斂速度慢，訓(xùn)練時(shí)間長(zhǎng)，易陷入局部極值點(diǎn)［4］。

本文提出粒子群優(yōu)化(particle swarm optimization，PSO)BP(PSO-BP)算法，能有效地避免BP 算法的上述缺點(diǎn)，并結(jié)合了粒子群算法超強(qiáng)的全局搜索特性和BP 算法快速的局部搜索能力，將該混合算法運(yùn)用到紅外溫度傳感器的溫度補(bǔ)償模型中，實(shí)現(xiàn)了傳感器測(cè)溫精度的補(bǔ)償。

1 紅外溫度傳感器溫度補(bǔ)償原理

假設(shè)儀器設(shè)定的發(fā)射率為ε1，物體的實(shí)際發(fā)射率為ε2，根據(jù)斯蒂芬—玻耳茲曼定律，設(shè)距離R 時(shí)，紅外測(cè)溫儀測(cè)量溫度T1和物體的表面溫度T2、環(huán)境溫度T0之間的關(guān)系為

根據(jù)式(1)，可以設(shè)定紅外溫度傳感器的模型為

式中 x 為傳感器輸入，即待測(cè)目標(biāo)參量，t1，t2，…，tk為非目標(biāo)參量，本文中為環(huán)境溫度t，y 為傳感器輸出。

紅外溫度傳感器的補(bǔ)償是將其輸入和輸出關(guān)系對(duì)調(diào)并進(jìn)行建模，得到傳感器的逆模型，即

由圖1 可以看出:紅外溫度傳感器的測(cè)量值y 與環(huán)境溫度t 是PSO-BP 溫度補(bǔ)償模型的輸入。PSO-BP 模型通過(guò)對(duì)訓(xùn)練樣本集的學(xué)習(xí)，在傳感器測(cè)量值y、環(huán)境溫度t 與實(shí)際目標(biāo)值x 之間建立一種非線性映射，即式(2)所示。通過(guò)PSO-BP 算法的優(yōu)化可使該映射達(dá)到較高的精度，即PSO-BP 補(bǔ)償模型的輸出p 較好地逼近實(shí)際目標(biāo)值x。

圖1 紅外溫度傳感器環(huán)境溫度補(bǔ)償模型Fig 1 Ambient temperature compensation model of infrared temperature sensor

2 PSO－BP 算法

2.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)［5］是采用BP 算法的多層感知器神經(jīng)網(wǎng)絡(luò)模型，它由輸入層、隱含層和輸出層組成。實(shí)質(zhì)上就是將一輸入/輸出問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題，通過(guò)對(duì)一定量的樣本進(jìn)行學(xué)習(xí)和訓(xùn)練，來(lái)確定網(wǎng)絡(luò)的有關(guān)參數(shù)。

BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括信息正向傳播和誤差反向傳播，反復(fù)交替直到收斂為止，采用梯度下降法調(diào)節(jié)網(wǎng)絡(luò)權(quán)值來(lái)使實(shí)際輸出與計(jì)算輸出構(gòu)成的誤差函數(shù)E(wt)達(dá)到最小。

BP 神經(jīng)網(wǎng)絡(luò)具有精確尋優(yōu)的能力，但由于網(wǎng)絡(luò)的初始權(quán)值具有隨機(jī)性，會(huì)導(dǎo)致網(wǎng)絡(luò)的尋優(yōu)不具有唯一性，容易出現(xiàn)局部最優(yōu)，而且初始權(quán)值的隨機(jī)性還會(huì)導(dǎo)致訓(xùn)練次數(shù)較多，收斂速度較慢［6］。BP 的上述缺點(diǎn)導(dǎo)致此算法很難在紅外溫度傳感器補(bǔ)償方面得到實(shí)際的應(yīng)用，為此，對(duì)BP 算法進(jìn)行改進(jìn)，將PSO 算法和BP 神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，改善BP算法的性能，加速收斂。

2.2 PSO 算法

PSO 算法是以模擬鳥(niǎo)的群集智能為特征，以求解連續(xù)變量?jī)?yōu)化問(wèn)題為背景的一種優(yōu)化算法［7］。PSO 算法中每個(gè)粒子就是所要優(yōu)化的問(wèn)題的每一個(gè)潛在解，所有的粒子都有一個(gè)被目標(biāo)函數(shù)決定的適應(yīng)值，算法根據(jù)適應(yīng)值來(lái)確定是否達(dá)到尋優(yōu)目標(biāo)［8］。PSO 算法需要初始化一群隨機(jī)粒子，然后通過(guò)迭代來(lái)找到最優(yōu)解，在迭代的過(guò)程中，每個(gè)粒子都能知道自己目前為止發(fā)現(xiàn)的最好解，稱為個(gè)體極值(pbest)，同時(shí)，還知道到目前為止整個(gè)群體中所有粒子發(fā)現(xiàn)的最好解，稱為全局極值(gbest)。

2.3 PSO-BP 神經(jīng)網(wǎng)絡(luò)

用PSO-BP 神經(jīng)網(wǎng)絡(luò)的目的就是通過(guò)PSO 算法得到更好的BP 網(wǎng)絡(luò)初始權(quán)值和閾值，初始化隨機(jī)產(chǎn)生N 個(gè)微粒群，粒子群的位置向量實(shí)質(zhì)上就代表神經(jīng)網(wǎng)絡(luò)的全部初始權(quán)值和閾值，PSO 利用算法步驟，通過(guò)迭代尋優(yōu)尋找全局最優(yōu)位置向量，亦即最優(yōu)的BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，也使均方誤差最小，在此基礎(chǔ)上，BP 算法再對(duì)上面得到的參數(shù)進(jìn)一步精確優(yōu)化，直至搜索到最優(yōu)的網(wǎng)絡(luò)參數(shù)為止。

具體的算法流程如圖2 所示。

圖2 PSO－BP 算法流程圖Fig 2 Flow chart of PSO－BP algorithm

3 紅外溫度傳感器環(huán)境溫度補(bǔ)償

3.1 試驗(yàn)數(shù)據(jù)采集

以MLX90620 紅外熱電堆傳感器為試驗(yàn)對(duì)象，在6 組不同的環(huán)境溫度點(diǎn)下進(jìn)行試驗(yàn)，分別用MLX90620 傳感器來(lái)測(cè)量6 組不同的已標(biāo)定的目標(biāo)物體溫度，采集到的原始數(shù)據(jù)如表1 所示。

將T={15.2，19.4，26.7，35.2，39.3 ℃}組的數(shù)據(jù)作為訓(xùn)練樣本集，T={30.0 ℃}的數(shù)據(jù)作為測(cè)試樣本集。為了使采集數(shù)據(jù)統(tǒng)一，需要先對(duì)采集到的數(shù)據(jù)進(jìn)行歸一化處理，所有數(shù)據(jù)歸一化到［0.05，0.95］區(qū)間

當(dāng)Z 對(duì)應(yīng)為環(huán)境溫度時(shí)，Zmax，Zmin分別為環(huán)境溫度的最大值和最小值，Z*就為歸一化后的數(shù)據(jù)，以此類推，得到目標(biāo)物體的溫度標(biāo)準(zhǔn)值和測(cè)量值的歸一化后的數(shù)據(jù)。

3.2 試驗(yàn)結(jié)果分析

為了驗(yàn)證PSO-BP 算法對(duì)紅外溫度傳感器環(huán)境溫度補(bǔ)償?shù)男Ч?，將其和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)，設(shè)置PSO 算法的種群規(guī)模為100，進(jìn)化代數(shù)為700，學(xué)習(xí)因子c1，c2分別為2.7 和1.3，慣性權(quán)重w 隨優(yōu)化進(jìn)程逐漸從0.9 調(diào)整到0.4，BP 神經(jīng)網(wǎng)絡(luò)采用三層拓?fù)浣Y(jié)構(gòu)，輸入層神經(jīng)元個(gè)數(shù)為2，隱含層神經(jīng)元數(shù)設(shè)置為11，輸出層神經(jīng)元個(gè)數(shù)為1，最大訓(xùn)練次數(shù)設(shè)置為8000，期望誤差為0.00000001，隱含層傳遞函數(shù)采用s 型正切函數(shù)tansig，輸出層傳遞函數(shù)采用線性函數(shù)purelin.訓(xùn)練函數(shù)為trainlm。

表1 原始數(shù)據(jù)表Tab 1 Raw data table

先利用訓(xùn)練樣本進(jìn)行訓(xùn)練，再對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，分析兩種方法對(duì)紅外溫度傳感器的補(bǔ)償效果，為定量地分析補(bǔ)償效果，應(yīng)用相對(duì)誤差Er來(lái)衡量，Er的計(jì)算公式如式(15)所示

式中 Δy 為相對(duì)誤差，y 為真實(shí)值。溫度補(bǔ)償結(jié)果如表2所示。

表2 溫度補(bǔ)償結(jié)果Tab 2 Temperature compensation result

由表2 可知，PSO-BP 和BP 兩種補(bǔ)償效果都明顯好于測(cè)量值，說(shuō)明兩種方法都是有效的，分析數(shù)據(jù)可以看出:PSO-BP 補(bǔ)償后的最大相對(duì)誤差只有0.67%，遠(yuǎn)遠(yuǎn)小于BP補(bǔ)償后的10.9%，從圖3 和圖4 可以看出:PSO-BP 算法經(jīng)過(guò)1 761 步迭代達(dá)到了預(yù)期目標(biāo)，而B(niǎo)P 算法經(jīng)過(guò)了3 820 步迭代達(dá)到預(yù)期目標(biāo)，PSO-BP 算法的收斂速度明顯快于BP算法，綜上可以得到用PSO-BP 算法的補(bǔ)償效果明顯好于單純的BP 補(bǔ)償效果，同時(shí)也使環(huán)境溫度這一因素對(duì)紅外溫度傳感器的影響大大降低，得到較為理想的補(bǔ)償效果。

圖3 PSO－BP 訓(xùn)練過(guò)程Fig 3 PSO－BP training process

圖4 BP 訓(xùn)練過(guò)程Fig 4 BP training process

4 結(jié) 論

本文結(jié)合了PSO 算法和BP 算法的各自的特點(diǎn)，采用PSO 算法預(yù)先對(duì)BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化，避免了BP 算法收斂速度緩慢、計(jì)算精度不高等缺點(diǎn)，采用PSO-BP混合算法有效地補(bǔ)償了環(huán)境溫度這一因素對(duì)紅外溫度傳感器的影響，提高了測(cè)溫精度，在實(shí)際工程中具有一定的應(yīng)用價(jià)值。

［1］ 隋修寶，陳 錢，顧國(guó)華.環(huán)境溫度對(duì)紅外圖像非均勻性影響的研究［J］.光子學(xué)報(bào)，2008，12(1):2572－2575.

［2］ 李云紅，孫曉剛，原桂彬.紅外熱像儀精確測(cè)溫技術(shù)［J］.光學(xué)精密工程，2007，15(9):1336－1341.

［3］ 楚 明，廖圣華，劉 繁，等.光纖傳感器的神經(jīng)網(wǎng)絡(luò)光強(qiáng)補(bǔ)償及非線性校正［J］.儀表技術(shù)與傳感器，2012(2):108－110.

［4］ 許兆美，劉永志，楊 剛，等.粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的激光銑削質(zhì)量預(yù)測(cè)模型［J］.紅外與激光工程，2013，42(9):2371－2372.

［5］ 趙振江.基于PSO-BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)與研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2009，26(1):219－220.

［6］ Lahiri S K，Ghanta K C.Development of a hybird artificial nerual network and genetic algoirthm model for regime identification of slurry transport in pipelines［J］.Chemical Product and Process Modeling，2009，4(1):1－32.

［7］ 田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)［M］.北京:科學(xué)出版社，2009:148－153.

［8］ Lu X，Li H，Yuan X.PSO-based intelligent integration of design an control for one kind of curing process［J］.Journal of Process Control，2010，20(10):1116－1125.