CN105258839A - 基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法 - Google Patents

Abstract

本发明公开了一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法，微处理模块启动，发送指令给压力传感器阵列和温度传感器测量气压和温度；测量数据依次传输至微处理模块和上位机；上位机根据接收到的气压和温度构建小波神经网络，然后利用量子粒子群算法对小波神经网络进行优化，同时完成量子粒子群小波神经网络的训练，将得到的气压修正补偿公式传输至微处理模块；微处理模块计算出补偿误差后的精确气压值；再将精确气压值传送至显示模块上显示；本发明采用基于量子粒子群优化的小波神经网络对阵列测量的气压信号进行了迟滞误差的补偿，温漂和非线性补偿，减少了误差，增强了有效信号，使测量气压更精确，满足了气象测量的要求。

Description

基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法

技术领域

本发明属于高精度气压测量技术领域，特别涉及一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法。

背景技术

为了预防气象灾害，防止对社会造成巨大经济损失，保障人们出行安全，所以气象的监测和预警的工作就显得十分的重要。大气的运动和天气情况的变化可谓是密切相关的，然而大气压力的不均匀的分布造成了大气的运动，这就使得精确的测量气压对气象的监测具有了重要的意义。如今，高精度MEMS大气压力传感器在地面气象站与探空仪中有着广泛应用，地面自动气象站挂满了测量多种气象要素的传感器，而这些传感器的精度直接影响着气象预报的准确性。传感器本身而言输出信号在整个量程范围内是非线性的，由于半导体材料本身的物理特性，测量的数据往往误差较大，受到迟滞效应和重复性误差的影响，且半导体材料的温度系数较大，温度漂移现象严重，导致在不同的参考温度下，输出曲线也不一样，总精度很难满足高端应用的需求，如果对传感器的硬件优化设计，同时对输出信号进行调理和算法补偿修正，弥补传感器缺陷，就有可能在极大降低气象设备成本的同时提高其测量精度，因而有着很强的商用价值。

针对气象行业的应用要求，为获得更精确和更稳定的气压测量值，本发明专利对基于MEMS压阻式传感器的气压测量系统进行了硬件和算法两方面的优化。采用MEMS纳米巨压阻压力传感器阵列式多点平均测量方法，以嵌入式硬件系统为主控芯片进行信号处理，结合算法补偿修正技术，对传感器输出信号进行温度补偿、非线性纠正以及迟滞误差修正，消弱随机误差。

发明内容

发明目的：本发明提供了一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法，为了补偿修正气压测量过程中所产生的迟滞效应，解决零点漂移，灵敏度漂移和温度漂移的问题。

技术方案：为了实现上述目的，本发明采用以下技术方案：

一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置，包括压力传感器阵列，温度传感器，微处理模块，串口通信模块，量子粒子群小波神经网络，显示模块和电源模块；其中，压力传感器阵列和温度传感器连接微处理模块，微处理模块连接串口通信模块和显示模块，量子粒子群小波神经网络移植在微处理模块中。

进一步的，所述压力传感器阵列采用8个相同芯片型号的压力传感器，每一个传感器都能够同时感受到外部压力，组成一个1×8的压力传感器阵列。

进一步的，所述压力传感器为纳米巨压阻压力传感器。

进一步的，所述纳米巨压阻压力传感器由下至上依次设有玻璃衬底、硅底层、绝缘二氧化硅层和硅顶层，所述硅顶层上设置有受力应变薄膜层，所述受力应变薄膜层的四周以受力应变薄膜层分中心均设置一个电极，所述受力应变薄膜层与四个电极之间分别通过3根平行的硅纳米线连接，所述硅底层的底部设有梯形凹槽，形成硅杯，所述硅底层的底部还设置有偏置电极。

进一步的，所述压力传感器阵列和微处理模块之间设置有数据选择器。

进一步的，所述微处理模块采用型号为STM32F429的微控制器；所述温度传感器采用A级PT1000薄膜电阻；所述显示模块采用型号为TFT-LCD液晶显示模块；所述串口通信模块采用RS232串口通信芯片。

进一步的，所述电源模块包括ADuM5401和LTC6655，ADuM5401为装置当中的所有模拟电路提供5V的电压；采用LTC6655为模数转换器、压力传感器阵列以及温度传感器提供基准源电压。

一种基于量子粒子群小波神经网络的阵列式气压测量补偿方法，包括以下步骤：

步骤A：微处理模块启动，发送指令给压力传感器阵列和温度传感器开始进行气压和温度的测量；所述压力传感器阵列将测量气压，n个压力传感器同时测量气压，每一个压力传感器产生的随机误差平均以后产生的总的误差为：n表示构成阵列的压力传感器数量，△表示该阵列测量时总的误差，δ表示单个压力传感器测量时的随机误差；所述温度传感器将进行当前环境温度的实时测量；然后将测量得到的气压和温度的数据传输至微处理模块，微处理模块再将气压和温度数据传送至上位机；

步骤B：上位机根据接收到的气压和温度的数据构建小波神经网络，然后按照量子粒子群的原理对小波神经网络进行优化，同时完成量子粒子群小波神经网络的训练过程，将得到的气压修正补偿公式传输至微处理模块；

步骤C：所述微处理模块接收与移植气压修正补偿公式后，计算得出补偿误差之后的精确气压值；

步骤D：所述微处理模块将补偿修正处理之后的精确气压值传送至显示模块，显示模块显示精确气压值。

进一步的，所述步骤B中小波神经网络的构建及其优化和训练又包括以下步骤：

步骤a、小波神经网络包括输入层-隐层-输出层，根据测量采集到的气压值x₁和温度值x₂，作为小波神经网络的输入信号，y作为小波神经网络的输出值，输出值为气压值；首先选择适合的压力点和温度点进行标定，并记录各个标定点的温度值和气压值，同一个标定点的输入量和输出量具有映射对应关系，得到n组具有上述映射对应关系的测试数据，将其作为测试样本放入数据库中；

步骤b、对样本数据进行归一化的处理，依照Matlab中mapminmax函数进行归一化，具体公式为：

$y=\frac{(y_{max}-y_{min})\×(x-x_{min})}{(x_{max}-x_{min})}+y_{min}$

数据归一化至(-1，1)之间，公式中y_max取1，y_min取-1，x可以是某个参考温度下的压力传感器阵列输出电压值，x_max为该参考温度下，压力传感器阵列输出的最大值，x_min为阵列输出的最小值；按照此公式对压力传感器阵列输出电压，标定压强值和温度值进行归一化处理，最后得到归一化的测试样本；

步骤c、经过步骤b归一化的处理，对样本数据进行融合之后，根据数据中输入量和输出量的相互对应的映射关系，构建基于量子粒子群改进的小波神经网络数学模型，包括以下步骤：

设定小波神经网络的输入层为2个节点，隐层为11个节点，输出层为1个节点，所述输出层节点对应数据融合后的气压值的输出；在输入信号序列x_i(i＝1，2)时，隐层的输出计算公式为：

$h\left(j\right)=h_j\[\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-b_j}{a_j}\],j=1,2,\mathrm{....}l$

式中，h(j)为隐层第j个节点输出值；ω_ij为输入层和隐层的接连权值；b_j为小波基函数h_j的平移因子；a_j为小波基函数h_j的伸缩因子；h_j为小波基函数；其中使用的小波基函数为Morlet母小波基函数，其数学表达式为：

$y=cos\left(1.75x\right)e^{-x^2/2}$

小波神经网络的输出层计算公式为：

$y\left(k\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ω}}_{ik}h\left(i\right),k=1,2,...m$

式中，ω_ik为隐层到输出层的连接函数；h(j)为第i个隐层节点输出；l为隐层节点数；m为输出层的节点数，在发明所用的网络中m＝1，即只有一个输出节点；在这个过程中小波神经网络的权值修正算法采用误差-修正算法调整网络权值和小波基函数的参数，从而使得小波神经网络输出值不断逼近目标值，直到迭代结束；

步骤d、小波神经网络修正过程如下：

步骤d1、计算网络输出值的误差：

$e=\underset{k=1}{\overset{m}{\Σ}}{y}_n\left(k\right)-y\left(k\right)$

在此式中，y_n(k)为目标值即标准压力值；y(k)为小波神经网络预测输出；

步骤d2、根据预测误差e重新计算小波神经网络的连接权值，平移及伸缩因子：

${\mathrm{\ω}}_{n,k}^{(i+1)}={\mathrm{\ω}}_{n,k}^i+{\mathrm{\Δ\ω}}_{n,k}^{(i+1)}+k*({\mathrm{\ω}}_{n,k}^i-{\mathrm{\ω}}_{n,k}^{i-1})$

$a_k^{(i+1)}=a_k^i+{\mathrm{\Δa}}_k^{(i+1)}+k*\left(a_k^i-a_k^{(i-1)}\right)$

$b_k^{(i+1)}=b_k^i+{\mathrm{\Δb}}_k^{(i+1)}+k*\left(b_k^i-b_k^{(i-1)}\right)$

式中，k为动量项学习速率。是根据网络预测误差计算得到的：

${\mathrm{\Δ\ω}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂{\mathrm{\ω}}_{n,k}^{\left(i\right)}}$

${\mathrm{\Δa}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂a_{n,k}^{\left(i\right)}}$

${\mathrm{\Δb}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂b_{n,k}^{\left(i\right)}}$

式中，η为学习效率；经过这一步骤之后，重新修正了小波神经网络的连接权值，平移因子和伸缩因子，使网络的预测值不断地接近目标值；

步骤e、小波神经网络的算法训练，包括以下步骤：

步骤e1：网络初始化：随机初始化小波函数的伸缩因子a_k、平移因子b_k，以及网络的连接权值ω_ij，ω_jk，设置网络的学习效率η，动量学习速率k。

步骤e2：样本分类：把实验所用的数据分为训练数据和测试数据，训练数据用于训练网络，测试数据用于测试网络的精度与可行性。

步骤e3：预测输出：把训练数据输入网络，计算网络预测输出并计算网络的输出和目标值的误差e。

步骤e4：权值修真：根据误差e修正连接权值，平移因子和收缩因子，使网络预测值不断的逼近目标值。

步骤e5；判断算法是否结束，若没有结束，返回步骤e3；

步骤f、经由上述步骤所归一化的测试样本确定的阈值和权值的范围，再经过量子粒子群的原理搜索得到优化权值，伸缩因子和平移因子，然后交予小波神经网络中，充分发挥量子粒子群全局搜索能力与小波神经网络简单快速的函数逼近能力；

步骤g、经过步骤a-f，此时的小波神经网络已经完成了训练过程，得到了小波神经网络输入层与隐层的连接权值ω₁，隐层与输出层的连接权值ω₂，平移因子b和伸缩因子a，将上述得到的权值，平移因子和伸缩因子组成已知的小波神经网络，将得到的气压修正补偿的公式传输至微处理模块。

进一步的，所述步骤f中量子粒子群优化小波神经网络，包括以下步骤：

步骤f1：随机产生初始的粒子群，将小波函数的伸缩因子a_k、平移因子b_k，以及网络的连接权值ω_ij，ω_jk编码成实数码串表示的个体，组成一个四维向量，随机产生初始粒子群，同时初始化P_i,P_g；

步骤f2：把每一组向量映射为网络的一组参数值，组成小波神经网络；

步骤f3：输入样本进行训练，计算每一个网络在训练集上产生的均方误差：

$E\left(X_p\right)=\frac{1}{2n}\underset{p=1}{\overset{n}{\Σ}}\underset{k=0}{\overset{c}{\Σ}}{\[y_{k,p}\left(X_p\right)-d_{k,p}\]}^2$

其中y_k,p是训练样本p在k输出端的网络实际输出，d_k,p为相应的给定输出；

步骤f4：对每一个个体进行评价，计算适应值，并确定P_i,P_g，适应度值大于0.9则为最优。

步骤f5：算法的终止条件有两种选择，一种是目标函数的值小于给定的ε→0时算法终止，另一种是规定当前算法的迭代次数大于某一个整数时停止；判断是否满足算法终止的条件，如果满足进行步骤f7，不满足的话进行步骤f6；

小波神经网络使用的误差反向传播的算法，设定迭代次数500次，目标误差平方和为0.0001；若迭代500次以后达不到适应度值大于0.9的情况，则重新使用量子粒子群继续搜索；

步骤f6：根据粒子群计算模型产生新的个体粒子，然后回到步骤f2重新开始；

步骤f7：输出一组参数作为优化后的结果，算法结束。

有益效果：

(1)本发明采用的压力传感器是一种基于纳米尺度巨压阻特性的纳米巨压阻压力传感器，所述纳米巨压阻压力传感器通过硅底层的偏置电极施加偏置电压来调制硅纳米线的导电沟道，通过耗尽甚至夹断方式获取巨压阻特性。纳米巨压阻压力传感器可以调制硅纳米线的巨压阻特性，采用的技术具有高灵敏度、高分辨率、低噪声的优点，和传统的压力传感器相比，大大的减少了迟滞误差和重复性误差对测量结果的干扰，并且可以做到在高温的环境下正常的工作。

(2)本发明使用8个纳米巨压阻压力传感器组成阵列，使用多点平均测量的方式，有效地消除了由于传感器个体本身的缺陷带来的测量误差和减少了由于传感器芯片蠕变而产生的随机误差或重复性误差，显著减少了年漂的影响，将每一个单元可能带来随机误差平均以后的总误差为：

(3)本发明采用了基于量子粒子群优化的小波神经网络对测量到的气压信号进行了迟滞误差的补偿，温漂和非线性补偿，减少了误差，增强了有效信号，使得测量气压更加精确，满足了气象测量的要求。

(4)本发明采用意法半导体公司的STM32F429作为系统的微处理模块，组成了一个更为精确的气压测量装置。

附图说明

图1是本发明硬件的结构示意图；

图2是本发明纳米巨压阻压力传感器的俯视图；

图3是本发明纳米巨压阻压力传感器的剖视图；

图4是本发明补偿方法的流程图；

图5是本发明小波神经网络的拓补结构示意图；

图6是本发明基于量子粒子群改进小波神经网络的流程图；

图7是本发明在-15～45℃温度区间内的实测的输出压力值；

图8是本发明经过基于量子粒子群优化的小波神经网络修正后的迟滞误差补偿；

图9是本发明在不同温度下经过补偿之后的迟滞误差；

其中：1-玻璃衬底、2-硅底层、3-绝缘二氧化硅层、4-硅顶层、5-受力应变薄膜层、6-电极、7-硅纳米线、8-梯形凹槽、9-偏置电极。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

如图1所示，本发明是一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置，包括了测量气压的纳米巨压阻压力传感器阵列，温度传感器，微处理模块，串口通信模块，基于量子粒子群算法优化的小波神经网络，并且还有为整个装置提供电源的电源模块。

如图1所示，所述的电源模块采用ADuM5401为装置当中的所有模拟电路提供了5V的电压。采用LTC6655为模数转换器，压力传感器阵列和温度传感器提供基准源电压。

如图2和3所示，采用的是基于纳米尺度巨压阻特性的纳米巨压阻压力传感器，这是一款高精度高灵敏低噪声，可以在高温环境下工作的纳米硅压阻式压力传感器。本发明采用8个纳米巨压阻压力传感器组成阵列，采用多点平均测量的方式。利用n个纳米巨压阻压力传感器单元同时感受被测量，将每一个纳米巨压阻压力传感器单元可能带来随机误差平均以后的总误差为：这样可以有效的消除由于纳米巨压阻压力传感器本身的带来的测量误差和减少了由于传感器芯片蠕变而产生的随机误差或者重复性误差。

如图4所示的是基于量子粒子群的小波神经网络的阵列式气压测量补偿方法，具体步骤如下：

步骤A：装置通电之后，整个硬件系统开始初始化，包含时钟初始化、端口初始化、液晶显示初始化、串口初始化、初始化以及关闭看门狗。

步骤B：微处理器给压力传感器阵列和温度传感器PT1000发送启动信号，传感器开始进行气压和温度的测量，并通过外置的AD7794转换器将未补偿的气压和温度值转换成数值信号后传输至STM32F429微控制器；微控制器将接收到的气压和温度数据传送至上位机中；

步骤C：所述的上位机接收到气压和温度数据建立小波神经网络，按照量子粒子群的原理，对小波神经网络进行优化同时完成训练学习过程，将得到的气压修正补偿的公式传输给微处理器，可以计算得出补偿误差之后的精确气压值。

所述步骤B中小波神经网络的构建及其优化和训练又包括以下步骤：

步骤a：小波神经网络包括输入层-隐层-输出层，根据测量采集到的气压值x₁和温度值x₂，作为小波神经网络的输入信号，y作为小波神经网络的输出值，输出值为气压值。首先选择适合的压力点和温度点进行标定，记录各个标定点的温度值和气压值，同一个标定点的输入量和输出量具有映射对应关系，这样一来我们可以得到n组具有上述映射对应关系的测试数据，将其作为测试样本放入数据库中。

步骤b：接下来对样本的数据进行归一化的处理，依照Matlab中mapminmax函数进行归一化，具体公式为：

$y=\frac{(y_{max}-y_{min})\×(x-x_{min})}{(x_{max}-x_{min})}+y_{min}$

数据归一化至(-1,1)之间，公式中y_max取1，y_min取-1，x可以是某个参考温度下的压力传感器阵列输出电压值，x_max为该参考温度下，压力传感器阵列输出的最大值，x_min为阵列输出的最小值。按照这个公式对压力传感器阵列输出电压，标定压强值，温度值进行归一化处理，最后得到归一化的测试样本。

步骤c：经过上述归一化的处理，对样本数据进行融合之后，根据数据中输入量和输出量的相互对应的映射关系，建立基于量子粒子群改进的小波神经网络数学模型，具体的内容如下：

如图5所示，设定小波神经网络的输入层为2个节点，隐层为11个节点，输出层为1个节点(对应数据融合后的气压值的输出)。在输入信号序列x_i(i＝1，2)时，隐层的输出计算公式为：

$h\left(j\right)=h_j\[\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-b_j}{a_j}\],j=1,2,\mathrm{....}l$

式中，h(j)为隐层第j个节点输出值；ω_ij为输入层和隐层的接连权值；b_j为小波基函数h_j的平移因子；a_j为小波基函数h_j的伸缩因子；h_j为小波基函数。其中使用的小波基函数为Morlet母小波基函数，其数学表达式为：

$y=cos\left(1.75x\right)e^{-x^2/2}$

小波神经网络的输出层计算公式为：

$y\left(k\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ω}}_{ik}h\left(i\right),k=1,2,...m$

式中，ω_ik为隐层到输出层的连接函数；h(j)为第i个隐层节点输出；l为隐层节点数；m为输出层的节点数，在发明所用的网络中m＝1，即只有一个输出节点。在这个过程中小波神经网络的权值修正算法采用误差-修正算法调整网络权值和小波基函数的参数，从而使得小波神经网络输出值不断逼近目标值，直到迭代结束。

步骤d：小波神经网络修正过程如下：

步骤d1：计算网络输出值的误差：

$e=\underset{k=1}{\overset{m}{\Σ}}{y}_n\left(k\right)-y\left(k\right)$

在此式中，y_n(k)为目标值即标准压力值；y(k)为小波神经网络预测输出。

步骤d2：根据预测误差e重新计算小波神经网络的连接权值，平移及伸缩因子：

${\mathrm{\ω}}_{n,k}^{(i+1)}={\mathrm{\ω}}_{n,k}^i+{\mathrm{\Δ\ω}}_{n,k}^{(i+1)}+k*({\mathrm{\ω}}_{n,k}^i-{\mathrm{\ω}}_{n,k}^{i-1})$

$a_k^{(i+1)}=a_k^i+{\mathrm{\Δa}}_k^{(i+1)}+k*\left(a_k^i-a_k^{(i-1)}\right)$

$b_k^{(i+1)}=b_k^i+{\mathrm{\Δb}}_k^{(i+1)}+k*\left(b_k^i-b_k^{(i-1)}\right)$

式中，k为动量项学习速率。是根据网络预测误差计算得到的：

${\mathrm{\Δ\ω}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂{\mathrm{\ω}}_{n,k}^{\left(i\right)}}$

${\mathrm{\Δa}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂a_{n,k}^{\left(i\right)}}$

${\mathrm{\Δb}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂b_{n,k}^{\left(i\right)}}$

上式中，η为学习效率。经过这一步骤之后，重新修正了小波神经网络的连接权值，平移因子和伸缩因子，是网络的预测值不断地接近目标值。

步骤e：经由上述步骤所归一化的测试样本确定阈值和权值的范围，如图5所示，下面经过量子粒子群的原理搜索到优化权值，伸缩因子和平移因子，然后交予小波神经网络中，充分发挥量子粒子群全局搜索能力与小波神经网络简单快速的函数逼近能力，具体步骤如下：

步骤e1：随机产生初始的粒子群，将小波函数的伸缩因子a_k、平移因子b_k，以及网络的连接权值ω_ij，ω_jk编码成实数码穿表示的个体，组成一个四维向量，随机产生初始粒子群，同时初始化P_i,P_g；

步骤e2：把每一组向量映射为网络的一组参数值，组成小波神经网络；

步骤e3：输入样本进行训练，计算每一个网络在训练集上产生的均方误差:

$E\left(X_p\right)=\frac{1}{2n}\underset{p=1}{\overset{n}{\Σ}}\underset{k=0}{\overset{c}{\Σ}}{\[y_{k,p}\left(X_p\right)-d_{k,p}\]}^2$

其中y_k,p是训练样本p在k输出端的网络实际输出，d_k,p为相应的给定输出；

步骤e4：对每一个个体进行评价，计算适应值，并确定P_i,P_g，适应度值大于0.9则为最优。

步骤e5：算法的终止条件有两种选择，一种是目标函数的值小于给定的ε→0时算法终止，另外可以规定当前算法的迭代次数大于某一个整数时停止。判断是否满足算法终止的条件，如果满足进行步骤e7，不满足的话进行步骤e6。

小波神经网络使用的误差反向传播的算法，设定迭代次数500次，目标误差平方和为0.0001。同时也可能出现迭代500次以后可能也达不到适应度值大于0.9的情况，如果碰见了这种情况，那我们需要重新使用量子粒子群继续搜索。

步骤e6：根据粒子群计算模型产生新的个体粒子，然后进行步骤e2；

步骤e7：输出一组参数作为优化后的结果，算法结束。

步骤f：经过上述的步骤，此时的小波神经网络已经完成了训练过程，得到了小波神经网络输入层与隐层的连接权值ω₁，隐层与输出层的连接权值ω₂，平移因子b和伸缩因子a，将上述的到的权值，平移因子和伸缩因子组成已知的小波神经网络，将得到的气压修正补偿的的公式传输至所述的微处理模块之中。

步骤D：所述微处理模块接收到气压修正补偿公式后，计算得出补偿误差之后的精确气压值；

步骤E：所述微处理模块将补偿修正处理之后的精确气压值传送至显示模块，显示模块显示精确气压值。

实施例

采用量子粒子群优化的小波神经网络的算法进行传感器信号修正补偿之前，首先要对气压传感器进行数据标定，得到各个温度下的压力传感器输出的数据。使用C180冷镜式露点仪温控箱，为传感器提供不同的温度环境，其温度可以从-40℃调整到180℃，整个温控箱内，温度差别为±2℃。使用福禄克(Fluke)PPC-4型压力发生器，为压力传感器提供可靠稳定的压力。压力传感器的量程为500～1100hPa，选取标定温度范围为-20～50℃。首先选取适合的压力点和温度点进行标定，实验选取压力每隔100hPa，温度每隔10℃进行标定，这样可以获得更多的数据量和传感器的信息。标定时，第一步应恒定一个温度点，在这一温度点下，逐步施加压力，从500hPa至1100hPa。待压力发生器发生气压稳定以后，由RS232总线传输到PC机上读取此时的PT1000温度传感器和纳米巨压阻压力传感器阵列输出的电压信号。上述的标定称作正行程标定，如果从高压标定至低气压，则称作反行程标定，进行标定时应按照统一的标定行程进行，以避免引入迟滞误差。

将获得的气压值温度值和传感器阵列的平均输出电压值作为测试样本，建立基于量子粒子群改进的小波神经网络数学模型，进行对样本数据的融合。按照上述步骤C的过程，我们可以得到小波神经网络输入层与隐层的连接权值ω₁，隐层与输出层的连接权值ω₂，平移因子b和伸缩因子a：

${\mathrm{\ω}}_1=\left\{\begin{array}{c}-0.5418,0.3111\\ -0.7912,-0.2433\\ -0.1834,0.917\\ -0.2621,-0.0879\\ -0.5472,-0.5814\\ 0.3150,-0.0868\\ 0.1624,1.0157\\ 0.5720,-0.1455\\ 0.9523,0.3345\\ -0.2505,-0.1335\\ -0.8609,-0.2076\end{array}\right\},{\mathrm{\ω}}_2=\left\{\begin{array}{c}-0.6975\\ -0.0059\\ 0.8203\\ 1.0531\\ 0.0818\\ -0.6628\\ -0.3666\\ -0.6697\\ 0.0085\\ 0.8586\\ -0.5682\end{array}\right\},b=\left\{\begin{array}{c}-0.5461\\ 0.2255\\ 0.3202\\ 0.7667\\ 0.7817\\ 0.8635\\ 0.7047\\ -0.3864\\ 0.1007\\ -0.1628\\ -0.7141\end{array}\right\},a=\left\{\begin{array}{c}-0.4335\\ 0.2264\\ -0.2599\\ 0.7606\\ 0.7855\\ 0.7656\\ 0.7280\\ -0.3396\\ 0.1018\\ -0.0374\\ -5022\end{array}\right\}$

根据上述得到的连接权值，平移因子和伸缩因子，误差补偿公式存入微处理器中。在经过写有算法的嵌入式系统运算，可以得到数据融合以后的输出压力值，如图7对比福禄克压力发生器发生的标准气压值，实际情况下，本发明的最大的误差为0.4hPa。所以，传感器阵列经过算法融合后性能得到很大的改善，精度得到了明显的提高，基本上满足气象测量的要求。图8给出了量子粒子群小波神经网络和阵列式测量方法对机械迟滞误差的修正效果，可看出修正后的机械迟滞误差减小了一个数量级。如图9所示，迟滞误差的温度效应也得到了很好的抑制，在-20～50℃的温度范围内，迟滞误差基本控制在0.3hPa左右，上述测试验证结果表明本发明专利提出的基于量子粒子群小波神经网络的阵列式气压测量补偿方法精确有效。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：包括压力传感器阵列，温度传感器，微处理模块，串口通信模块，量子粒子群小波神经网络，显示模块和电源模块；其中，压力传感器阵列和温度传感器连接微处理模块，微处理模块连接串口通信模块和显示模块，量子粒子群小波神经网络移植在微处理模块中。

2.根据权利要求1所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述压力传感器阵列采用8个相同芯片型号的压力传感器，每一个传感器都能够同时感受到外部压力，组成一个1×8的压力传感器阵列。

3.根据权利要求2所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述压力传感器为纳米巨压阻压力传感器。

4.根据权利要求3所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述纳米巨压阻压力传感器由下至上依次设有玻璃衬底、硅底层、绝缘二氧化硅层和硅顶层，所述硅顶层上设置有受力应变薄膜层，所述受力应变薄膜层的四周以受力应变薄膜层分中心均设置一个电极，所述受力应变薄膜层与四个电极之间分别通过3根平行的硅纳米线连接，所述硅底层的底部设有梯形凹槽，形成硅杯，所述硅底层的底部还设置有偏置电极。

5.根据权利要求1所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述压力传感器阵列和微处理模块之间设置有数据选择器。

6.根据权利要求1所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述微处理模块采用型号为STM32F429的微控制器；所述温度传感器采用A级PT1000薄膜电阻；所述显示模块采用型号为TFT-LCD液晶显示模块；所述串口通信模块采用RS232串口通信芯片。

7.根据权利要求1所述的基于量子粒子群小波神经网络的阵列式气压测量补偿装置，其特征在于：所述电源模块包括ADuM5401和LTC6655，ADuM5401为装置当中的所有模拟电路提供5V的电压；采用LTC6655为模数转换器、压力传感器阵列以及温度传感器提供基准源电压。

8.一种基于量子粒子群小波神经网络的阵列式气压测量补偿方法，其特征在于，包括以下步骤：

步骤A：微处理模块启动，发送指令给压力传感器阵列和温度传感器开始进行气压和温度的测量；所述压力传感器阵列将测量气压，n个压力传感器同时测量气压，每一个压力传感器产生的随机误差平均以后产生的总的误差为：n表示构成阵列的压力传感器数量，△表示该阵列测量时总的误差，δ表示单个压力传感器测量时的随机误差；所述温度传感器将进行当前环境温度的实时测量；然后将测量得到的气压和温度的数据传输至微处理模块，微处理模块再将气压和温度数据传送至上位机；

步骤B：上位机根据接收到的气压和温度的数据构建小波神经网络，然后按照量子粒子群的原理对小波神经网络进行优化，同时完成量子粒子群小波神经网络的训练过程，将得到的气压修正补偿公式传输至微处理模块；

步骤C：所述微处理模块接收与移植气压修正补偿公式后，计算得出补偿误差之后的精确气压值；

步骤D：所述微处理模块将补偿修正处理之后的精确气压值传送至显示模块，显示模块显示精确气压值。

9.根据权利要求8所述的基于量子粒子群小波神经网络的阵列式气压测量补偿方法，其特征在于，所述步骤B中小波神经网络的构建及其优化和训练又包括以下步骤：

步骤a、小波神经网络包括输入层-隐层-输出层，根据测量采集到的气压值x₁和温度值x₂，作为小波神经网络的输入信号，y作为小波神经网络的输出值，输出值为气压值；首先选择适合的压力点和温度点进行标定，并记录各个标定点的温度值和气压值，同一个标定点的输入量和输出量具有映射对应关系，得到n组具有上述映射对应关系的测试数据，将其作为测试样本放入数据库中；

步骤b、对样本数据进行归一化的处理，依照Matlab中mapminmax函数进行归一化，具体公式为：

$y=\frac{(y_{max}-y_{min})\×(x-x_{min})}{(x_{max}-x_{min})}+y_{min}$

数据归一化至(-1，1)之间，公式中y_max取1，y_min取-1，x可以是某个参考温度下的压力传感器阵列输出电压值，x_max为该参考温度下，压力传感器阵列输出的最大值，x_min为阵列输出的最小值；按照此公式对压力传感器阵列输出电压，标定压强值和温度值进行归一化处理，最后得到归一化的测试样本；

步骤c、经过步骤b归一化的处理，对样本数据进行融合之后，根据数据中输入量和输出量的相互对应的映射关系，构建基于量子粒子群改进的小波神经网络数学模型，包括以下步骤：

设定小波神经网络的输入层为2个节点，隐层为11个节点，输出层为1个节点，所述输出层节点对应数据融合后的气压值的输出；在输入信号序列x_i(i＝1，2)时，隐层的输出计算公式为：

$h\left(j\right)=h_j\[\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_{ij}{x}_i-b_j}{a_j}\],j=1,2,\mathrm{....}l$

式中，h(j)为隐层第j个节点输出值；ω_ij为输入层和隐层的接连权值；b_j为小波基函数h_j的平移因子；a_j为小波基函数h_j的伸缩因子；h_j为小波基函数；其中使用的小波基函数为Morlet母小波基函数，其数学表达式为：

$y=cos\left(1.75x\right)e^{-x^2/2}$

小波神经网络的输出层计算公式为：

$y\left(k\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ω}}_{ik}h\left(i\right),k=1,2,...m$

式中，ω_ik为隐层到输出层的连接函数；h(j)为第i个隐层节点输出；l为隐层节点数；m为输出层的节点数，在发明所用的网络中m＝1，即只有一个输出节点；在这个过程中小波神经网络的权值修正算法采用误差-修正算法调整网络权值和小波基函数的参数，从而使得小波神经网络输出值不断逼近目标值，直到迭代结束；

步骤d、小波神经网络修正过程如下：

步骤d1、计算网络输出值的误差：

$e=\underset{k=1}{\overset{m}{\Σ}}{y}_n\left(k\right)-y\left(k\right)$

在此式中，y_n(k)为目标值即标准压力值；y(k)为小波神经网络预测输出；

步骤d2、根据预测误差e重新计算小波神经网络的连接权值，平移及伸缩因子：

${\mathrm{\ω}}_{n,k}^{(i+1)}={\mathrm{\ω}}_{n,k}^i+{\mathrm{\Δ\ω}}_{n,k}^{(i+1)}+k*({\mathrm{\ω}}_{n,k}^i-{\mathrm{\ω}}_{n,k}^{i-1})$

$a_k^{(i+1)}=a_k^i+{\mathrm{\Δa}}_k^{(i+1)}+k*(a_k^i-a_k^{(i-1)})$

$b_k^{(i+1)}=b_k^i+{\mathrm{\Δb}}_k^{(i+1)}+k*(b_k^i-b_k^{(i-1)})$

式中，k为动量项学习速率。是根据网络预测误差计算得到的：

${\mathrm{\Δ\ω}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂{\mathrm{\ω}}_{n,k}^{\left(i\right)}}$

${\mathrm{\Δa}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂a_{n,k}^{\left(i\right)}}$

${\mathrm{\Δb}}_{n,k}^{(i+1)}=-\mathrm{\η}\frac{\∂e}{\∂b_{n,k}^{\left(i\right)}}$

式中，η为学习效率；经过这一步骤之后，重新修正了小波神经网络的连接权值，平移因子和伸缩因子，使网络的预测值不断地接近目标值；

步骤e、小波神经网络的算法训练，包括以下步骤：

步骤e1：网络初始化：随机初始化小波函数的伸缩因子a_k、平移因子b_k，以及网络的连接权值ω_ij，ω_jk，设置网络的学习效率η，动量学习速率k。

步骤e2：样本分类：把实验所用的数据分为训练数据和测试数据，训练数据用于训练网络，测试数据用于测试网络的精度与可行性。

步骤e3：预测输出：把训练数据输入网络，计算网络预测输出并计算网络的输出和目标值的误差e。

步骤e4：权值修真：根据误差e修正连接权值，平移因子和收缩因子，使网络预测值不断的逼近目标值。

步骤e5；判断算法是否结束，若没有结束，返回步骤e3；

步骤f、经由上述步骤所归一化的测试样本确定的阈值和权值的范围，再经过量子粒子群的原理搜索得到优化权值，伸缩因子和平移因子，然后交予小波神经网络中，充分发挥量子粒子群全局搜索能力与小波神经网络简单快速的函数逼近能力；

步骤g、经过步骤a-f，此时的小波神经网络已经完成了训练过程，得到了小波神经网络输入层与隐层的连接权值ω₁，隐层与输出层的连接权值ω₂，平移因子b和伸缩因子a，将上述得到的权值，平移因子和伸缩因子组成已知的小波神经网络，将得到的气压修正补偿的公式传输至微处理模块。

10.根据权利要求9所述的基于量子粒子群小波神经网络的阵列式气压测量补偿方法，其特征在于：所述步骤f中量子粒子群优化小波神经网络，包括以下步骤：

步骤f1：随机产生初始的粒子群，将小波函数的伸缩因子a_k、平移因子b_k，以及网络的连接权值ω_ij，ω_jk编码成实数码串表示的个体，组成一个四维向量，随机产生初始粒子群，同时初始化P_i,P_g；

步骤f2：把每一组向量映射为网络的一组参数值，组成小波神经网络；

步骤f3：输入样本进行训练，计算每一个网络在训练集上产生的均方误差：

$E\left(X_p\right)=\frac{1}{2n}\underset{p=1}{\overset{n}{\Σ}}\underset{k=0}{\overset{c}{\Σ}}{\[y_{k,p}\left(X_p\right)-d_{k,p}\]}^2$

其中y_k,p是训练样本p在k输出端的网络实际输出，d_k,p为相应的给定输出；

步骤f4：对每一个个体进行评价，计算适应值，并确定P_i,P_g，适应度值大于0.9。

步骤f5：算法的终止条件有两种选择，一种是目标函数的值小于给定的ε→0时算法终止，另一种是规定当前算法的迭代次数大于某一个整数时停止；判断是否满足算法终止的条件，如果满足进行步骤f7，不满足的话进行步骤f6；

小波神经网络使用的误差反向传播的算法，设定迭代次数500次，目标误差平方和为0.0001；若迭代500次以后达不到适应度值大于0.9的情况，则重新使用量子粒子群继续搜索；

步骤f6：根据粒子群计算模型产生新的个体粒子，然后回到步骤f2重新开始；

步骤f7：输出一组参数作为优化后的结果，算法结束。