采用的HMP45D型湿度传感器结合BP神经网络进行温度补偿研究

1 引言

近年来，芬兰Vaisala 公司生产的HMP45D 温湿一体化传感器已广泛应用于地面自动气象站观测系统中。

HMP45D 温湿度传感器采用湿敏电容测量湿度，从介电常数变化型电容传感器工作原理可知，不仅相对湿度的变化会引起电容介质介电常数的变化，温度的变化也会引起电容介质介电常数的变化。

尽管厂家根据不同温度下的传感器输出与实际相对湿度关系给出了温度补偿，可将部分误差补偿，但在实际应用中，在高温高湿下补偿效果很不理想，因此研究和采用新方法提高测量准确度，进一步减小误差，是湿度传感器研发和气象观测人员最关心的问题。

为进一步消除温度的影响，可采用硬件电路补偿和软件补偿对湿度传感器的输出信号进行处理。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。软件补偿方法有插值法、最小二乘多项式曲线拟合法、BP 神经网络方法等，然而插值法需要把量程进行分段线性化处理，每一段用直线近似代替曲线，分的区间越多，精度越高，但所需存储量也就越大，所以实际效果并不理想，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，权值的初始化是随机的，所以会存在局部极小问题，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。

本文在分析现有研究方法不足的基础上，研究了采用改进遗传算法来优化BP 神经网络的方法，重点讨论了遗传算法中的混合编码方案，适应度函数的选择以及部分参数的优化，达到改进遗传算法的目的，并以此来优化BP 神经网络，建立了湿度传感器温度补偿模型，利用此模型对输出数据进行拟合，补偿由于温度的变化对湿度传感器的测量结果造成的影响，并通过与一般的BP 神经网络方法进行比较，说明该方法在温度补偿上的突出优点。

2 温度补偿原理

采用神经网络的方法对传感器输出进行温度补偿的原理图由传感器模型和神经网络补偿模型2 部分组成，如图1 所示。

图1 中，h 表示经神经网络温度补偿后的输出湿度值，其湿度传感器的数学模型为：

式中： x 为待测目标湿度参量，t 为环境影响因素温度参量，y 为传感器输出量。

若y 和t 均为x 的单值函数，则式（ 1） 的反函数存在，即：

将湿度传感器的目标参量及湿度敏感元件的环境参量温度作为神经网络的输入样本，经神经网络处理后的输出湿度h 即为期望的消除了温度干扰后的目标参量x.

本文通过对给定的样本数据来训练神经网络，通过改进的遗传算法优化调整神经网络的权值，使得经过训练后神经网络的输出值h 尽量逼近期望目标湿度参数x,实现湿度传感器的温度补偿，进而提高湿度传感器的测量精度和可靠性。

3 改进遗传算法的BP 神经网络模型

鉴于遗传算法是一种概率性的自适应迭代寻优过程，具有良好的全局搜索性能，不易陷入局部极小，即使所定义的适应值函数是不连续的、非规则的，它也能以很大的概率找到整体最优解，且适用于并行处理，搜索不依赖于梯度信息的特点，可以用来优化BP 神经网络。

采用遗传算法对BP 神经网络的初始权值阈值进行优化，在较大范围进行搜索，代替一般初始权值的随机选取，然后应用BP 算法在这个解空间里对网络进行精调，搜索出最优解或者近似最优解。这样既实现了两者的优势互补，又发挥了神经网络的广泛非线性映射能力和遗传算法的全局搜索能力，加快了网络学习速度，提高了整个学习过程中的逼近能力和泛化能力。

检测样本平均均方误差，表示对网络输出数据可靠性的估计。为了使所设计的网络具有良好的泛化能力，应当使得E2小于一个给定误差ε，满足网络输出的可靠性。

权值修正量表示为：

式中： η 为自适应学习率，g（ n） 为当前误差函数对权值的梯度，α 为动量因子，n 为迭代的次数。

改进遗传算法的BP 神经网络的具体步骤如下：

1） 建立一个初始BP 神经网络结构，设定网络相关参数和函数，通过编码方式产生初始种群，经过优化种群、选择、交叉，变异等遗传操作获得最优权值阈值。

2） 用得到的最优权值阈值优化BP 神经网络，经过训练得到满足要求的最佳BP 神经网络结构。

基于改进遗传算法的BP 神经网络设计流程图如图2 所示。