CN105606499A - 悬浮颗粒物质量浓度实时检测装置及测量方法 - Google Patents

Abstract

本发明公开了一种悬浮颗粒物质量浓度实时检测装置，其特征在于，包括光电传感器、电压幅度甄别器、FPGA多通道采集模块、微处理器模块、液晶显示模块、湿度传感器模块和电源模块，所述光电传感器采集的信号经信号调整电路转换为电压信号传送给电压幅度甄别器，所述电压幅度甄别器依次连接FPGA多通道采集模块和微处理器模块，所述微处理器模块分别连接液晶显示模块、湿度传感器模块；一种采用所述检测装置测量的方法，在完成粒子群算法优化的BP神经网络后将所得权值、阈值以及包含相对湿度的质量浓度计算公式传输至微处理器模块，微处理器模块利用公式对接收到的测量结果进行湿度上的算法补偿，抑制了环境变化对测量结果的影响，优化了测量数据。

Description

悬浮颗粒物质量浓度实时检测装置及测量方法

技术领域

本发明涉及一种对悬浮颗粒物质量浓度实时检测装置及测量方法，特别涉及一种基于粒子群优化BP神经网络算法对湿度环境下测量结果的补偿。

背景技术

大气环境是人们赖以生存和发展的重要条件，而环境中的细颗粒物对人们的健康生活存在着极大的危害。目前基于不同的工作原理对颗粒物的测量方法有多种，主要包括滤膜称重法、光散射法、压电晶体法、β射线吸收法、微量震荡天平法、电荷法。滤膜称重法是我国规定的标准方法，该方法采样仪器繁琐、噪声大，而且不易携带，不适合实时在线监测。光散射法在一定程度上弥补了它的不足，以其速度快、稳定性好、体积小的优点被人们广泛的应用在实时监测中。光散射法与颗粒物的折射率、粒子的形态以及它的成分有关。而大气中的湿度有可能是影响这几个方面的主要因素，如果在一定的湿度环境中测量大气中颗粒物的质量浓度，得到的测量结果应该不理想，会产生一定程度的误差。如果我们想要得到真实的测量结果，就需要消除湿度对质量浓度的影响。而本发明专利我们采用数据融合算法补偿的方法对光散射法在湿度环境下的测量结果进行修正。

发明内容

本发明所要解决的问题是利用粒子群优化BP神经网络算法对湿度影响下的颗粒物的质量浓度进行修正，与标准仪器测量的结果进行对比，以致消除湿度对光散射测量结果的影响。

本发明为解决上述技术问题采用以下技术方案：一种悬浮颗粒物质量浓度实时检测装置，其特征在于，包括光电传感器、电压幅度甄别器、FPGA多通道采集模块、微处理器模块、液晶显示模块、湿度传感器模块和电源模块，所述光电传感器采集的信号经信号调整电路转换为电压信号传送给电压幅度甄别器，所述电压幅度甄别器依次连接FPGA多通道采集模块和微处理器模块，所述微处理器模块分别连接液晶显示模块、湿度传感器模块。

进一步的，所述微处理器模块为STM32F429ZIT6型号的控制器。

进一步的，所述光电传感器为LM型激光尘埃粒子计数器组成的2×2的方阵。

一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，包括以下步骤：

步骤1，开启悬浮颗粒物质量浓度实时检测装置，激光尘埃粒子计数器阵列通过模拟复用开关和信号调理电路连接到电压幅度甄别器，悬浮颗粒物脉冲信号幅度测量结果由FPGA多通道采集模块进行缓冲接收，持续1分钟后将各通道采集的结果汇总传输给微处理器模块，所述微处理器模块得到1分钟内由各个采集通道测量结果形成的电压脉冲幅度分布；

步骤2，滤膜称重法是我国规定的标准测量方法，该方法利用采样器将颗粒物采集到滤膜上，称重滤膜采样前后的质量，根据其质量差求得采集的颗粒物质量，此测量方法得到的是颗粒物的绝对质量浓度。因此本方法采用滤膜称重法得到颗粒物的绝对质量浓度，滤膜称重装置与步骤1中所述的悬浮颗粒物质量浓度实时检测装置放在同一个湿度可控的实验箱中，改变实验箱的湿度，经过多次测量，将收集到的测量系统的测量浓度值与测量时的湿度数据建立BP神经网络。滤膜称重装置与步骤1中所述的悬浮颗粒物质量浓度实时检测装置放在同一个低湿度(相对湿度30％-50％之间)测量环境中进行同时测量，经过多次测量建立起标准质量浓度与上述系统测量的脉冲幅度分布的关系。由于测量系统测量得到的是离散的电压脉冲信号幅度，所以根据颗粒物质量浓度的定义，可以得到利用电压脉冲信号幅度分布和平均质量浓度的反演公式：即

其中，m为系统测量装置的脉冲信号的通道数，N(v_i)为测量颗粒物的离散电压脉冲信号幅度分布，k为比例系数，上式中的之质量浓度反演公式也包含了各通道电压脉冲信号的个数信息N(v_i)和幅度信息v_i，使得被测颗粒物的散射光脉冲信号幅度分布得到了充分的利用，并且还包含反映颗粒物形貌信息的参数β。不难看出，实现高精度的质量浓度的公式标定关键在于确定式中的比例系数k和电压脉冲信号的分维数β。本实验标定利用系统测量装置和滤膜称重法作为标定装置，同时对不同质量浓度的颗粒物进行测量统计。

本实验系统测量装置得到的是颗粒物电压脉冲信号幅度分布N(v_i)，该分布具有脉冲信号通道m＝16,电压幅度范围为[0,2.5V],标定装置测得的质量浓度值C_滤膜；由于在标定实验中只能对某种类型的小样本进行测量标定，而小样本颗粒物的形貌特征是有差异的，因此不同小样本的脉冲信号分维数β值也是有差异的。我们通过多次取样进行标定，提取小样本的共同形貌特征来表示某种类型颗粒物的形貌特征，建立如下方程组得到k和β：

式中的h表示被测颗粒物的小样本数目。经过多次在同等环境中测量实验，最后得到k和β的值分别为：3.014*10^-5mg/m³，0.435。最终可以得到我们需要的计数质量浓度的公式。

步骤3，根据粒子群算法的原理对BP神经网络进行优化并完成其训练学习过程，根据检测装置采集到的浓度值和湿度值以及补偿参数得到补偿后环境质量浓度的测量公式，将得到测量公式传输至微处理器中，测量的结果可以在液晶显示器中显示或者USB接口输出给上位机。并把公式导入到上述的微处理器中，可以得到实际环境的质量浓度。

进一步的，步骤3还包括以下步骤：

步骤3.1:将收集到的浓度值C和湿度值R作为输入量C_k＝(C,R)的参数，设定不同的湿度，同时也得到各个湿度下的滤膜称重法的测量结果，设定不同的湿度值得到多组测量实验值，将系统装置测量结果的样本值存入到数据库中；

步骤3.2:对测试的样本值进行归一化处理，采用湿度为50％时作为标准值，根据归一化得到的不同湿度下的浓度值作为输入量，并最终存入样本数据库中，并且建立三层拓扑结构的BP神经网路；

进一步的，步骤3.2还包括以下步骤：

步骤3.2.1:BP神经网络能学习和存储大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，其实质就是求解误差函数最小值问题。BP神经网络模型拓扑结构包括输入层、隐含层、输出层，设定的BP神经网络的输入层神经元2个，输出层神经元为1个，隐含层神经元为5个；其中输入层和隐含层的激活函数都选取tansig型函数，输出层激活函数选取pureline型函数；输入层与隐含层之间的连接权值为W_ij，隐含层的阈值为θ_j，隐含层与输出层之间的连接权值为W_jq，输出层的阈值为θ_q；i为输入层节数，i＝1,2；j为隐含层节点数，j＝1,2,...,5；q为输出层节点数，q＝1；

Tansig型函数定义为

$\tan sig\left(S_i\right)=\frac{2}{(1+\exp (-2*S_i\left)\right)}-1$

式中，S_i是i个隐含层节点的输入，其中，x_i为不同湿度值和浓度值构成的输入矩阵；

隐含层的输出H_j为：j＝1,2,...5

f函数是隐层激励函数，为S型函数，一般取为(0,1)内连续的取值sigmoid函数，如下：y＝1/(1+e^-x)

BP神经网络的预测输出为：

ΔC＝w_jqH_j+θ_q

由此可计算网络预测误差:

e＝C_滤膜-ΔC

步骤3.2.2:Pureline型函数是线性函数，其中自变量为隐含层节点的输出，因变量是输出层节点的输出。即得到相对湿度的质量浓度公式：

ΔC＝pureline[w_j1tansig(w_i1*C+w_i1*R+θ_j)+θ_q]。

步骤3.3:以上述步骤所述的BP神经网络作为算法模型，以步骤3中所述测试样本中的输入量为BP神经网络的输入变量、以对应的滤膜称重法的测量结果作为预测模型；

步骤3.4:对所建立的BP神经网络模型中的权值和阈值进行初始化，使得BP神经网络模型具有最基本的可预测条件；

步骤3.5:从测量装置测得的数据中调取输入量C_k，作为BP神经网络最基本的预测输入变量，可以得到与输入变量映射对应的BP神经网络预测输出模型的数据组；

步骤3.6:进一步的根据粒子群算法的原理对BP神经网络进行优化，可以得到优化后的权值和阈值。

粒子群算法(PSO)基于群体的根据对环境的适应度将群体中的个体移动到较好的区域，不是对个体使用演化算子，而是将每个个体看作D维搜索空间中的一个没有体积的粒子。在搜索空间中，粒子以一定的速度和方向飞行，通过群体间的信息共享和个体自身经验的总结来不断修正个体的行为策略，从而使整个逐渐“飞行”到最佳区域。

PSO是基于群体智能的进化算法技术，此算法采用实数求解，而且需要调整的参数少、易于实现，是一种通用的全局搜索算法。首先PSO初始化为一群随机粒子群，每个粒子代表极值优化问题的潜在最优解，通过迭代找到网络所需的最优解，每次迭代通过追随个体极值和全局极值来更新自己在解空间位置与飞翔速度。位置和速度的更新方程表示为：

$V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(G_{id}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+{\mathrm{rV}}_{id}^{k+1}$

式中：粒子i在第d维搜索到到的个体极值为所有粒子在第d维搜索到的全局极值为这里的G只有一个。

和分别表示粒子i在第k次迭代中第d维的速度和位置。

ω是保持原来速度的系数，所以叫做惯性权重。

c₁是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。

c₂是粒子跟踪群体最优值的权重系数，它表示粒子对整体知识的认识，所以叫做“社会知识”。

r₁，r₂是[0,1]区间内均匀分布的随机数。

r是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子，通常设置为1。

这里我们使用的基于PSO-BP神经网络湿度补偿算法，将BP神经网络与PSO算法结合就是把PSO算法的全局能力和BP神经网络的局部快速搜能力较好的结合起来，以避免网络陷入局部极小来提高网络的训练速度。BP网络训练的关键就是权值和阈值的更新过程，PSO搜索过程主要是不同维数上速度和位置的更新，PSO中的粒子位置对应着BP神经网络中一组待优化的权值阈值，通过找到最优粒子位置得到最优的网络结构。然后通过这个神经网络结构进行湿度补偿，使得神经网络的预测输出值与样本期望输出值的误差绝对值之和达到最小，适应度函数取为： $fitness=\frac{1}{\frac{1}{2}\underset{k=1}{\overset{M}{\Σ}}{\[p\left(t\right)-d\left(t\right)\]}^2+1}$

其中，M为学习样本数，p(t)为网络的实际输出，d(t)为滤波称重的结果。

用粒子群优化的权值和阈值作为BP神经网络的初始权值和阈值，然后对BP神经网络进行训练，并最终得到理想的输出结果。

进一步的，步骤3.6还包括以下步骤：

步骤3.6.1:对输入数据进行归一化处理，初始化BP网络结构，设定输入层、隐含层、输出层的神经元个数，初始化粒子群及每个粒子速度；

步骤3.6.2:计算每个粒子的适应度：先计算每个输出值及其均方误差，再计算出所有样本的均方差，计算出该粒子的适应度；

步骤3.6.3:比较适应度，确定每个粒子的个体极值点和全局最优极值点，更新每个粒子的位置和速度，判断更新后的速度和位置是否在限定的范围内；

步骤3.6.4:将PSO优化好的权值和阈值作为BP网络的初始权值和阈值对网络进行训练，带入测量数据进行仿真。

所述的上述算法处理可以得到湿度的补偿参数，根据检测装置采集到的浓度值和湿度值以及补偿参数可以得到补偿后环境质量浓度的测量公式。并把公式导入到上述的微处理器中，可以得到实际环境的质量浓度。

所述的检测装置可以测量不同湿度下的质量浓度的值，并且可以在液晶上显示测量结果及此时环境的湿度。

进一步的，所述FPGA多通道采集模块选用的电压比较器是LM339。

进一步的，所述的FPGA多通道采集模块采集的数据由FPGA实现的计数器进行计算,其FPGA型号为EP2C5Q208C8。

进一步的，所述的液晶显示模块使用的是TFTLCD。

进一步的，所述的湿度传感器型号AM2320。

进一步的，所述的温湿度箱是C80恒温恒湿实验箱。

本发明采用以上计数方案与现有技术相比，具有以下技术效果：

(1)硬件上利用尘埃粒子计数器组成的方阵，采用的是阵列式多点平均测量方法，这种测量方法可以在某种程度上消除由于传感器个体本身的不足带来的测量的误差，减少了传感器芯片而产生的随机误差。

(2)由FPGA实现的分通道计数器，避免了分立元器件设计时的体积过大，易受干扰的影响，具有体积小、速度快、研发周期短的优点。

(3)软件上采用基于粒子群算法优化的BP神经网络对测量结果进行湿度上的补偿，抑制了环境变化对测量结果的影响，优化了测量数据。

附图说明

图1本发明的系统测量装置图；

图2本发明的阵列式传感器；

图3本发明的BP神经网络拓扑结构；

图4本发明的方法流程图；

图5本发明的PSO优化后的预测误差与BP的预测误差。

图6本发明的PSO-BP神经网络预测值的输出与函数的期望输出；

图7本发明的函数运行的迭代次数。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种悬浮颗粒物质量浓度实时检测装置，其特征在于，包括光电传感器1、电压幅度甄别器3、FPGA多通道采集模块4、微处理器模块5、液晶显示模块6、湿度传感器模块7和电源模块，所述光电传感器采集1的信号经信号调整电路2转换为电压信号传送给电压幅度甄别器3，所述电压幅度甄别器3依次连接FPGA多通道采集模块4和微处理器模块5，所述微处理器模块5分别连接液晶显示模块6、湿度传感器模块7，所述微处理器模块5为STM32F429ZIT6型号的控制器。

如图2所示，本实验装置使用的是阵列式传感器，为LM光电传感器组成的2×2的方阵，所述的传感器是LM型激光尘埃粒子计数器采样量检测的最小粒径为0.3um，以规定流量采样样本，采样粒子在一定的流速下，随采样气流依次通过光敏区，在照明光束作用下产生散射光，一定范围内的散射光通量本收集并且投射到光电探测器，并且转换为光电流信号，最终转换为电压信号直接传送给电压幅度甄别器。

一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，包括以下步骤：

步骤1，开启悬浮颗粒物质量浓度实时检测装置，激光尘埃粒子计数器阵列通过模拟复用开关和信号调理电路连接到电压幅度甄别器，悬浮颗粒物脉冲信号幅度测量结果由FPGA多通道采集模块进行缓冲接收，将1分钟内各通道采集的结果汇总传输给微处理器模块，所述微处理器模块得到由各个采集通道测量结果形成的电压脉冲幅度分布；

步骤2，本方法采用滤膜称重法得到颗粒物的绝对质量浓度，上电对整个系统进行初始化，确保整个系统能够正常工作，滤膜称重装置与步骤1中所述的悬浮颗粒物质量浓度实时检测装置放在同一个低湿度测量环境中进行同时测量，经过多次测量，建立平均质量浓度与步骤1测量的脉冲幅度分布的关系，由于测量系统测量得到的是离散的电压脉冲信号幅度，所以根据颗粒物质量浓度的定义，可以得到利用电压脉冲信号幅度分布和平均质量浓度的反演公式：即 $C=\underset{i=1}{\overset{m}{\Σ}}N\left(v_i\right)\frac{\mathrm{\π}}{6}\mathrm{\ρ}{\left({\mathrm{Av}}_i\right)}^{\mathrm{\β}}=k\underset{i=1}{\overset{m}{\Σ}}N\left(v_i\right)v_i^{\mathrm{\β}}$

其中，m为系统测量装置的脉冲信号的通道数，N(v_i)为测量颗粒物的离散电压脉冲信号幅度分布，k为比例系数，β为颗粒物形貌信息参数；

上式中的之质量浓度反演公式也包含了各通道电压脉冲信号的个数信息N(v_i)和幅度信息v_i，使得被测颗粒物的散射光脉冲信号幅度分布得到了充分的利用，并且还包含反映颗粒物形貌信息的参数β。不难看出，实现高精度的质量浓度的公式标定关键在于确定式中的比例系数k和电压脉冲信号的分维数β。本实验标定利用系统测量装置和滤膜称重法作为标定装置，同时对不同质量浓度的颗粒物进行测量统计。本实验系统测量装置得到的是颗粒物电压脉冲信号幅度分布N(v_i)，该分布具有脉冲信号通道m＝16,电压幅度范围为[0,2.5V],标定装置测得的质量浓度值C_滤膜；由于在标定实验中只能对某种类型的小样本进行测量标定，而小样本颗粒物的形貌特征是有差异的，因此不同小样本的脉冲信号分维数β值也是有差异的。我们通过多次取样进行标定，提取小样本的共同形貌特征来表示某种类型颗粒物的形貌特征，建立如下方程组得到k和β：

式中的h表示被测颗粒物的小样本数目。经过多次在同等环境中测量实验，最后得到k和β的值分别为：3.014*10^-5mg/m³，0.435。

步骤3，将悬浮颗粒物质量浓度实时检测装置与滤膜称重法的装置，放在湿度可控的实验箱中，改变与提高实验箱的湿度，得到相同环境的测量值并且记录不同的时刻的测量结果，将收集到的测量系统的测量浓度值与测量时的湿度数据建立BP神经网络，根据粒子群算法的原理对BP神经网络进行优化并完成其训练学习过程，将得到的湿度补偿后的浓度计算公式传输至微处理器中。

进一步的，步骤3还包括以下步骤：

步骤3.1:将收集到的浓度值C和湿度值R作为输入量C_k＝(C,R)的参数，设定不同的湿度，同时也得到各个湿度下的滤膜称重法的测量结果，设定不同的湿度值得到多组测量实验值，将系统装置测量结果的样本值存入到数据库中；

步骤3.2:对测试的样本值进行归一化处理，采用湿度为50％时作为标准值，根据归一化得到的不同湿度下的浓度值作为输入量，并最终存入样本数据库中，并且建立三层拓扑结构的BP神经网路；

进一步的，步骤3.2还包括以下步骤：

步骤3.2.1:BP神经网络能学习和存储大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，其实质就是求解误差函数最小值问题。BP神经网络模型拓扑结构包括输入层、隐含层、输出层，设定的BP神经网络的输入层神经元2个，输出层神经元为1个，隐含层神经元为5个，实验建立的网络拓扑结构如图3所示；质量浓度值和湿度值作为输入量，其中输入层和隐含层的激活函数都选取tansig型函数，输出层激活函数选取pureline型函数；输入层与隐含层之间的连接权值为W_ij，隐含层的阈值为θ_j，隐含层与输出层之间的连接权值为W_jq，输出层的阈值为θ_q；i为输入层节数，i＝1,2；j为隐含层节点数，j＝1,2,...,5；q为输出层节点数，q＝1；

Tansig型函数定义为

$\tan sig\left(S_i\right)=\frac{2}{(1+\exp (-2*S_i\left)\right)}-1$

式中，S_i是i个隐含层节点的输入，其中，x_i为不同湿度值和浓度值构成的输入矩阵；

隐含层的输出H_j为：j＝1,2,...5

f函数是隐层激励函数，为S型函数，一般取为(0,1)内连续的取值sigmoid函数，如下：y＝1/(1+e^-x)

BP神经网络的预测输出为：

ΔC＝w_jqH_j+θ_q

由此可计算网络预测误差:

e＝C_滤膜-ΔC

步骤3.2.2:Pureline型函数是线性函数，其中自变量为隐含层节点的输出，因变量是输出层节点的输出。即得到相对湿度的质量浓度公式：

ΔC＝pureline[w_j1tansig(w_i1*C+w_i1*R+θ_j)+θ_q]。

步骤3.3:以上述步骤所述的BP神经网络作为算法模型，以步骤4种中所述测试样本中的输入量为BP神经网络的输入变量、以对应的滤膜称重法的测量结果作为预测模型；

步骤3.4:对所建立的BP神经网络模型中的权值和阈值进行初始化，使得BP神经网络模型具有最基本的可预测条件；

步骤3.5:从测量装置测得的数据中调取输入量C_k，作为BP神经网络最基本的预测输入变量，可以得到与输入变量映射对应的BP神经网络预测输出模型的数据组；

步骤3.6:进一步的根据粒子群算法的原理对BP神经网络进行优化，可以得到优化后的权值和阈值。

粒子群算法(PSO)基于群体的根据对环境的适应度将群体中的个体移动到较好的区域，不是对个体使用演化算子，而是将每个个体看作D维搜索空间中的一个没有体积的粒子。在搜索空间中，粒子以一定的速度和方向飞行，通过群体间的信息共享和个体自身经验的总结来不断修正个体的行为策略，从而使整个逐渐“飞行”到最佳区域。

PSO是基于群体智能的进化算法技术，此算法采用实数求解，而且需要调整的参数少、易于实现，是一种通用的全局搜索算法。首先PSO初始化为一群随机粒子群，每个粒子代表极值优化问题的潜在最优解，通过迭代找到网络所需的最优解，每次迭代通过追随个体极值和全局极值来更新自己在解空间位置与飞翔速度。位置和速度的更新方程表示为：

$V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(G_{id}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+{\mathrm{rV}}_{id}^{k+1}$

式中：粒子i在第d维搜索到到的个体极值为所有粒子在第d维搜索到的全局极值为这里的G只有一个。

和分别表示粒子i在第k次迭代中第d维的速度和位置。

ω是保持原来速度的系数，所以叫做惯性权重。

c₁是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。

c₂是粒子跟踪群体最优值的权重系数，它表示粒子对整体知识的认识，所以叫做“社会知识”。

r₁，r₂是[0,1]区间内均匀分布的随机数。

r是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子，通常设置为1。

这里我们使用的基于PSO-BP神经网络湿度补偿算法，将BP神经网络与PSO算法结合就是把PSO算法的全局能力和BP神经网络的局部快速搜能力较好的结合起来，以避免网络陷入局部极小来提高网络的训练速度。BP网络训练的关键就是权值和阈值的更新过程，PSO搜索过程主要是不同维数上速度和位置的更新，PSO中的粒子位置对应着BP神经网络中一组待优化的权值阈值，通过找到最优粒子位置得到最优的网络结构。然后通过这个神经网络结构进行湿度补偿，使得神经网络的预测输出值与样本期望输出值的误差绝对值之和达到最小，适应度函数取为： $\mathrm{fitness}=\frac{1}{\frac{1}{2}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{[p\left(t\right)-d\left(t\right)]}^2+1}$

其中，M为学习样本数，p(t)为网络的实际输出，d(t)为滤膜称重的结果。用粒子群优化的权值和阈值作为BP神经网络的初始权值和阈值，然后对BP神经网络进行训练，并最终得到理想的输出结果。实现方法的具体流程图如图4所示：首先设定神经网络的相关参数，对BP神经算法进行初始化，把测量装置测得的数据进行标准化的处理，作为测量样本的输入值，同一环境条件下的滤膜称重法的结果作为标准值，由此建立起PSO-BP神经网络，然后寻找PSO对应的BP神经网络中的权值和阈值，代入公式得到修正后的环境质量浓度的计算公式，最后经过反复多次测量对计算公式进行验证，若测量结果与标准值相近，则验证结束；若不能满足则有系统从新寻找合适的权值和阈值。

进一步的，步骤3.6还包括以下步骤：

步骤3.6.1:对输入数据进行归一化处理，初始化BP网络结构，设定输入层、隐含层、输出层的神经元个数，初始化粒子群及每个粒子速度；

步骤3.6.2:计算每个粒子的适应度：先计算每个输出值及其均方误差，再计算出所有样本的均方差，计算出该粒子的适应度；

步骤3.6.3:比较适应度，确定每个粒子的个体极值点和全局最优极值点，更新每个粒子的位置和速度，判断更新后的速度和位置是否在限定的范围内；

步骤3.6.4:将PSO优化好的权值和阈值作为BP网络的初始权值和阈值对网络进行训练，可以得到湿度的补偿参数，根据系统测量装置采集到的浓度值和湿度值以及补偿参数可以得到补偿后环境质量浓度的测量公式，并把公式导入到上述的微处理器中，带入测量数据进行仿真，可以得到实际环境的质量浓度。此时得到PSO优化后的BP神经网络，可以与没有优化的BP神经网络进行对比，如图5所示，曲线二表示BP神经网络的误差曲线，曲线一是PSO-BP神经网络的误差曲线，可以明显看出PSO-BP神经网络的补偿精度高于传统的BP神经网络。并把优化后得到的结果作为最终的实现模型，得到的计算质量浓度的公式，把上述的公式写入到微控制器中，此时的测量结果将是补偿后的环境质量浓度值。

下面以结合实例对本发明进行进一步的说明：

将实验装置放在学校的可控实验室中进行多次测量，通过调节不同的湿度，用测量装置系统和滤膜称重法装置进行多次测量；再通过烟尘改变环境的质量浓度，用同样的装置进行多次测量；在此环境中改变环境的湿度，再一次进行多次测量；每次测量都记录当时的湿度值与环境质量浓度值。

分别将测量系统装置的湿度和质量浓度值作为测量样本的输入量C_k，将同一时刻滤膜称重法装置测量的结果作为测量样本的输出量C_滤膜，由此可以得出相应的权值和阈值为：

$\begin{array}{cccc}{w}_{i1}=\left[\begin{array}{c}0.2688\\ -0.9287\\ 0.2821\\ 0.9330\\ 1.0122\\ -0.0886\\ -0.0935\\ -1.4841\\ 0.4247\\ 0.1628\end{array}\right]& w_{j1}=\left[\begin{array}{c}-1.3513\\ -0.0699\\ 0.0444\\ 0.2638\\ -0.0280\end{array}\right]& {\mathrm{\θ}}_j=\left[\begin{array}{c}-0.0487\\ -1.389\\ -2.5508\\ 0.5218\\ 0.9517\end{array}\right]& {\mathrm{\θ}}_q=-0.1169\end{array}$

将所得的权值和阈值以及计算公式ΔC＝purelin{w_j1tansig(C*w_i1+R*w_i1+θ_j)+θ_q}导入到STM32F429ZIT6的微控制器中。

将本发明装置放在环境中测量，通过多次测量并记下当前环境的湿度和测量的环境质量浓度值。把测量结果带入到上述的公式中，并与标准的装置作对比，如图6所示，曲线一代表PSO-BP神经网络的计算结果的值，曲线二代表标准测量装置的测量结果，可以明显的看出曲线一的点几乎覆盖了曲线二的星号，说明经过算法对湿度的补偿可以得到环境质量浓度的真实值。从图7可以看出，到了150代的时候适应度值达到了最低值，也就是说经过PSO算法训练到150代已经收敛到最佳的权值和阈值。

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种悬浮颗粒物质量浓度实时检测装置，其特征在于，包括光电传感器、电压幅度甄别器、FPGA多通道采集模块、微处理器模块、液晶显示模块、湿度传感器模块和电源模块，所述光电传感器采集的信号经信号调整电路转换为电压信号传送给电压幅度甄别器，所述电压幅度甄别器依次连接FPGA多通道采集模块和微处理器模块，所述微处理器模块分别连接液晶显示模块、湿度传感器模块。

2.根据权利要求1所述的悬浮颗粒物质量浓度实时检测装置，其特征在于，所述微处理器模块为STM32F429ZIT6型号的控制器。

3.根据权利要求1所述的悬浮颗粒物质量浓度实时检测装置，其特征在于，所述光电传感器为LM型激光尘埃粒子计数器组成的2×2的方阵。

4.一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，包括以下步骤：

步骤1，开启悬浮颗粒物质量浓度实时检测装置，激光尘埃粒子计数器阵列通过模拟复用开关和信号调理电路连接到电压幅度甄别器，悬浮颗粒物脉冲信号幅度测量结果由FPGA多通道采集模块进行缓冲接收，将各通道采集的结果汇总传输给微处理器模块，所述微处理器模块得到由各个采集通道测量结果形成的电压脉冲幅度分布；

步骤2，本方法采用滤膜称重法得到颗粒物的绝对质量浓度，滤膜称重装置与步骤1中所述的悬浮颗粒物质量浓度实时检测装置放在同一个湿度可控的实验箱中，改变实验箱的湿度，经过多次测量，将收集到的测量系统的测量浓度值与测量时的湿度数据建立BP神经网络。

步骤3，根据粒子群算法的原理对BP神经网络进行优化并完成其训练学习过程，得到湿度的补偿参数，根据检测装置采集到的浓度值和湿度值以及补偿参数得到补偿后环境质量浓度的测量公式，将得到测量公式传输至微处理器中，测量的结果可以在液晶显示器中显示或者USB接口输出给上位机。并把公式导入到上述的微处理器中，可以得到实际环境的质量浓度。

5.根据权利要求4所述的一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，步骤3还包括以下步骤：

步骤3.1:将收集到的浓度值C和湿度值R作为输入量C_k＝(C,R)的参数，设定不同的湿度，同时也得到各个湿度下的滤膜称重法的测量结果，设定不同的湿度值得到多组测量实验值，将系统装置测量结果的样本值存入到数据库中；

步骤3.2:对测试的样本值进行归一化处理，采用湿度为50％时作为标准值，根据归一化得到的不同湿度下的浓度值作为输入量，并最终存入样本数据库中，并且建立三层拓扑结构的BP神经网路；

步骤3.3:以上述步骤所述的BP神经网络作为算法模型，以步骤3种中所述测试样本中的输入量为BP神经网络的输入变量、以对应的滤膜称重法的测量结果作为预测模型；

步骤3.4:对所建立的BP神经网络模型中的权值和阈值进行初始化，使得BP神经网络模型具有最基本的可预测条件；

步骤3.5:从测量装置测得的数据中调取输入量C_k，作为BP神经网络最基本的预测输入变量，可以得到与输入变量映射对应的BP神经网络预测输出模型的数据组；

步骤3.6:进一步的根据粒子群算法的原理对BP神经网络进行优化，可以得到优化后的权值和阈值。

6.根据权利要求5所述的一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，步骤3.2还包括以下步骤：

步骤3.2.1:BP神经网络模型拓扑结构包括输入层、隐含层、输出层，设定的BP神经网络的输入层神经元2个，输出层神经元为1个，隐含层神经元为5个；其中输入层和隐含层的激活函数都选取tansig型函数，输出层激活函数选取pureline型函数；输入层与隐含层之间的连接权值为W_ij，隐含层的阈值为θ_j，隐含层与输出层之间的连接权值为W_jq，输出层的阈值为θ_q；i为输入层节数，i＝1,2；j为隐含层节点数，j＝1,2,...,5；q为输出层节点数，q＝1；

Tansig型函数定义为

$\tan sig\left(S_i\right)=\frac{2}{(1+\exp (-2*S_i\left)\right)}-1$

式中，S_i是i个隐含层节点的输入，其中，x_i为不同湿度值和浓度值构成的输入矩阵；

隐含层的输出H_j为： $H_j=f(\underset{i=1}{\overset{2}{\Σ}}{w}_{ij}{x}_j+{\mathrm{\θ}}_j),j=1,2,...5$

f函数是隐层激励函数，为S型函数，一般取为(0,1)内连续的取值sigmoid函数，如下：y＝1/(1+e^-x)

BP神经网络的预测输出为：

ΔC＝w_jqH_j+θ_q

由此可计算网络预测误差:

e＝C_滤膜-ΔC

步骤3.2.2:Pureline型函数是线性函数，其中自变量为隐含层节点的输出，因变量是输出层节点的输出。即得到相对湿度的质量浓度公式：

ΔC＝pureline[w_j1tansig(w_i1*C+w_i1*R+θ_j)+θ_q]。

7.根据权利要求5所述的一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，步骤3.6还包括以下步骤：

步骤3.6.1:对输入数据进行归一化处理，初始化BP网络结构，设定输入层、隐含层、输出层的神经元个数，初始化粒子群及每个粒子速度；

步骤3.6.2:计算每个粒子的适应度：先计算每个输出值及其均方误差，再计算出所有样本的均方差，计算出该粒子的适应度；

步骤3.6.3:比较适应度，确定每个粒子的个体极值点和全局最优极值点，更新每个粒子的位置和速度，判断更新后的速度和位置是否在限定的范围内；

步骤3.6.4:将PSO优化好的权值和阈值作为BP网络的初始权值和阈值对网络进行训练，带入测量数据进行仿真。

8.根据权利要求1所述的一种悬浮颗粒物质量浓度实时检测装置的测量方法，其特征在于，本实验系统测量装置得到的是颗粒物电压脉冲信号幅度分布N(v_i)，该分布具有脉冲信号通道m＝16,电压幅度范围为[0,2.5V],标定装置测得的质量浓度值C_滤膜；由于在标定实验中只能对某种类型的小样本进行测量标定，而小样本颗粒物的形貌特征是有差异的，因此不同小样本的脉冲信号分维数β值也是有差异的。我们通过多次取样进行标定，提取小样本的共同形貌特征来表示某种类型颗粒物的形貌特征，建立如下方程组得到k和β：

式中的h表示被测颗粒物的小样本数目，经过多次在同等环境中测量实验，最后得到k和β的值分别为：3.014*10^-5mg/m³，0.435。