CN109816094A - 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 - Google Patents
基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 Download PDFInfo
- Publication number
- CN109816094A CN109816094A CN201910003923.5A CN201910003923A CN109816094A CN 109816094 A CN109816094 A CN 109816094A CN 201910003923 A CN201910003923 A CN 201910003923A CN 109816094 A CN109816094 A CN 109816094A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- dissolved oxygen
- layer
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 110
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 90
- 239000001301 oxygen Substances 0.000 title claims abstract description 90
- 230000003287 optical effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000013459 approach Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 241001269238 Data Species 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 10
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 21
- 238000002474 experimental method Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 6
- 238000004448 titration Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000004090 dissolution Methods 0.000 description 5
- 238000010791 quenching Methods 0.000 description 5
- 230000000171 quenching effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- -1 atmospheric pressure Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于环境监测技术领域，涉及光学溶解氧传感器非线性温度补偿方法。基于神经网络L‑M算法的光学溶解氧传感器非线性温度补偿方法，包括以下步骤：采用大量实测标定点样本数据，构建基于L‑M算法的神经网络结构并对其进行网络训练学习；将实验所得的测量数据及环境温度参数，输入完成网络训练学习的神经网络，进行网络运算；神经网络运算的结果进行误差计算，经修正补偿并输出。本发明涉及的神经网络L‑M算法，在解决光学溶解氧传感器非线性温度补偿问题上，具有良好的训练学习效率和补偿修正效果。
Description
技术领域
本发明属于环境监测技术领域，涉及光学溶解氧传感器非线性温度补偿方法。
背景技术
水体溶解氧浓度与空气中氧分压、大气压、水温及水质有密切的关系，是衡量水体水质状况和被污染程度的重要指标，能够有效反映水体多种生物和理化信息，因此水体溶解氧含量的准确测量对于环境监测评估、水产养殖、工业生产等诸多领域都具有重要意义。
现有的溶解氧传感器主要可以分为三大类，即化学型、电化学型和光学型。三类传感器原理不同各有特点，其中基于荧光猝灭原理的光学溶氧传感器，是近年来出现的一种新型溶氧测量方法，具有更优良的性能。其一般选用对溶氧敏感的荧光材料作为传感器膜，通过电路中的光电检测单元接收猝灭的荧光信号，通过特点算法，反演计算出溶氧浓度。
发明人李正宝、高皜等基于之前的研究成果，已获得相关专利授权包括CN201510675270《一种基于荧光猝灭原理的溶解氧测量方法和用途》、CN201520411290《一种海洋光学溶解氧传感器》、CN201720705899《一种光学溶解氧传感器新型标定装置》，研制成功基于荧光猝灭原理的HJY1-1型光学溶解氧传感器，克服了传统溶解氧测量上的不足，可实现原位、连续、快速检测，已被广泛应用于溶解氧的原位监测。
虽然HJY1-1型光学溶解氧传感器已被搭载于各类监测平台，并在出厂前均通过了严格的标定，但是长期原位测量过程中由于应用环境变化、氧敏感膜变质、生物污染及附着等因素的影响，必然会产生数据漂移，其中温度参数的变化，对测量数据的影响尤其剧烈，难以保证监测数据的准确性和可靠性。另外，在综合考虑布放成本及工程施工难度等因素的情况下，频繁将传感器打捞取出并重新进行实验室标定并不现实。
因此，为提升光学溶解氧传感器原位监测可靠性和稳定性，减弱数据漂移的影响，延长传感器标定周期，从根本上提升传感器的整体性能，需要解决传感器数据长期实时温度补偿修正的问题。按照温度补偿的机理划分，补偿方式可以分为硬件补偿和软件补偿。硬件补偿是在传感器输出端采用硬件电路方式，来减小温度、自然老化等环境因素的影响，但是并不能完全消除这些因素导致的测量值偏差，反而会增加系统复杂性导致稳定性变差。软件补偿则是在传感器输出测量值计算时，对其进行软件修正，不影响传感器本身结构，可以根据实际情况灵活调节参数，具有优良的移植性和可重复性。
目前，光学溶解氧传感器测量输出值最常采用的方法是最小二乘法进行修正数据曲线的拟合。这意味着，需要将标准值与实测值进行重新拟合，获得拟合修正后的数据曲线，进而推导得到修正因子。显然，对于线性度良好的传感器输出值，该最小二乘法具有不错的效果。但是，随着传感器输出测量值非线性程度增加，最小二乘法拟合将变得不再适用，其拟合曲线的阶数过大会导致过拟合现象，无法准确预测测量值；阶数过小，则没有能力反映实测值。
发明内容
本发明的目的就是针对现有技术中存在的不足，在前期研制的具有自主知识产权的HJY1-1型光学溶解氧传感器的基础上，针对该型溶解氧传感器在示范应用中暴露的长期原位观测数据易漂移的问题，从解决非线性实时温度补偿入手，基于特定神经网络模型，提出了一种基于神经网络L-M算法的光学溶解氧传感器温度补偿方法，并结合光学溶解氧传感器实验室测试实验，验证该方法的有效性和适用性。
本发明解决其技术问题采用的技术方案是：基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，包括以下步骤：
采用大量实测标定点样本数据，构建基于L-M算法的神经网络结构并对其进行网络训练学习；
将实验所得的测量数据及环境温度参数，输入完成网络训练学习的神经网络，进行网络运算；
神经网络运算的结果进行误差计算，经修正补偿并输出。
进一步的，所述的神经网络由输入层、隐含层和输出层三层神经元构成；其中，输入层是整个神经网络的数据输入端，由多个神经元输入节点构成；隐含层是数据运算处理层，分别与输入层和输出层相连接；输出层对隐含层数据处理结果进行输出表示。
所述的网络训练学习过程为：在输入层每个输出神经元通过加权的方式对输入数据进行求和，其运算结果与隐含层设置的阈值相互对比，若两者之间的偏差大于等于预先设定的参数值时，输入层将按照沿着最快减小函数误差的方向修正权值和偏差，如此类推，直至加权融合的结果与设定阈值之间的偏差小于预先设定的参数，完成网络训练学习。
进一步的，所述输入层中输出神经元节点的函数模型设定如下：
其中，a为输入层的输出神经元节点输出值；wi表示第i个神经元节点的权值；bj是隐含层设置的相应阈值。
隐含层传递函数设定如下：
其中，f(x)为S型函数，在定义域内连续可导，作为传递函数其值域为(0,1)。
进一步的，所述的输入层修正权值和偏差的迭代公式为：
xq+1＝xq-aqεq
其中，xq+1表征神经网络前向运算中迭代得到的权值和误差；xq表示当前神经网络前向运算的权值和误差；aq为当前神经网络的训练学习速率；εq为神经网络的隐含层设定函数的梯度向量。
进一步的，所述的aq参数取值范围为(0.15～0.45)之间。
进一步的，步骤2中神经网络运算的前向传播公式设定如下：
其中，NNij为神经网络前向输出值；O(i-1)q表示输出层特定神经元节点网络输出；W(i-1)qj表示相应的连接权值；下标q用来表示神经网络前向运算中的当前参数，与迭代公式中的下标q含义相同。
其神经网络输出公式设定为：
其中，Oij表示神经网络输出层第i个神经元节点的实际输出值；NNij为神经网络前向输出值；eij神经网络输出层第i个神经元节点的网络输出误差。
神经网络误差传播公式设定为：
其中，Err表示神经网络输出误差的平方和，dij表示神经网络输出层第i个神经元节点补偿修正网络的理想输出值，而Oij表示神经网络输出层第i个神经元节点的实际输出值；ε2q反应网络隐含层梯度向量信息。
本发明涉及的神经网络L-M算法，在解决光学溶解氧传感器非线性温度补偿问题上，具有良好的训练学习效率和补偿修正效果。
附图说明
图1光学溶解氧传感器温度补偿原理图；
图2本发明的神经网络结构图；
图3是本发明的方法中网络训练学习流程图；
图4本发明的神经网络L-M算法训练效果图；
图5是验证实验中温度设定为30.05℃时5组不同溶解氧百分比浓度样本相对误差分布；
图6是验证实验中溶解氧浓度设定为92％时，5组不同温度点样本数据相对误差分布。
具体实施方式
下面结合实施例和附图对本发明的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法作详细的阐述，并结合本申请人具有自主知识产权的光学溶解氧传感器对采用本发明的方法得出的补偿数据进行验证。
本发明的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，具体包括以下步骤：
一、构建神经网络结构
本发明利用神经网络极强的输入-输出非线性映射能力，对光学溶解氧传感器输出进行温度补偿，如图1所示。以大量实测标定点样本数据为依据，设计基于L-M算法的神经网络结构，进行网络训练学习，使网络逐步调节层间的连接权，逼近反非线性函数，实现按非线性温度特性输出光学溶解氧传感器的测量结果。
二、光学溶解氧传感器温度补偿模型
通过对水体溶解氧溶解特性的研究，发现温度对于光学溶解氧传感器测量值的输出特性具有很强的非线性。因此，本发明涉及的方法利用神经网络的逼近特性对非线性函数关系进行不断映射，并据此建立逆向函数模型，确保网络输出的修正后的测量值与真值误差在一定范围内，实现对光学溶解氧传感器的温度补偿，提高测量准确性和稳定性。
针对光学溶解氧传感器测量过程，将传感器输出的溶解氧浓度值受温度的影响定义为如下函数：I＝f(Ir,T)
其中，I为光学溶解氧传感器测量输出值；Ir为溶解氧参数；T为温度参数。
进而，可求得逆模型函数如下：
Ir＝μf-1(I,T)
其中，μ为常数。特别地，由于传感器系统是在信号放大处理之后再进行温度输出补偿的校正工作，常数μ通常取1。
上式中I与T为输出Ir的单调函数。Ir为光学溶解氧传感器的期望测量输出值，即水体溶解氧浓度标准值；T为光学溶解氧传感器氧敏感膜所处测量环境的环境参量。
对于神经网络结构而言，将参量Ir和T视作神经网络的输入端，而将I视作网络结构的输出端。因此，通过自适应神经网络运算处理后的输出量I就是消除了测量环境温度参数干扰之后的目标测量值。
三、BP神经网络及L-M算法
根据实验室研究发现，BP神经网络特有的结构和优良的的非线性逼近能力，特别适用于光学溶解氧传感器的的输出-输入关系逆向建模。
本发明涉及的BP神经网络由输入层、隐含层和输出层三层神经元构成。其中，输入层是整个神经网络的数据输入端，由多个输入神经元节点构成；隐含层是数据运算处理层，分别与输入层和输出层相连接；输出层的作用是对隐含层数据处理结果进行输出表示，BP神经网络结构如图2所示。
本发明涉及的神经网络算法，在输入层每个输出神经元通过加权的方式进行求和，初权参照试验情况而定。其运算结果与隐含层设置的阈值相互对比，若两者之间的偏差大于等于预先设定的参数值时，输入层将按照一定逻辑调整每个链接神经元的权值继续进行运算，如此类推，直至加权融合的结果与设定阈值之间的偏差小于预先设定的参数，达成网络训练的目标，如图3所示。
本发明涉及的神经网络算法，输入层输出神经元节点的函数模型设定如下：
其中，a为输入层的输出神经元节点输出值；wi表示第i个神经元节点的权值，或者第i个神经元节点输出层与隐含层权值(该参数视应用环节有不同含义)；bj是隐含层设置的相应阈值。
本发明涉及的神经网路算法，隐含层传递函数设定如下：
其中，f(x)为S型函数，在定义域内连续可导，作为传递函数其值域为(0,1)。
本发明设计的神经网络算法是按照沿着最快减小函数误差的方向，即梯度的逆方向，修正权值和偏差，其迭代公式设定如下：
xq+1＝xq-aqεq
其中，xq+1表征神经网络前向运算中迭代得到的权值和误差；xq表示当前神经网络前向运算的权值和误差；aq为当前神经网络的训练学习速率；εq为神经网络的隐含层设定函数的梯度向量。
在神经网络迭代运算过程中，xq是随着训练学习次数即迭代运算的次数的增加而时刻变化的，并且变化趋势是向预先设定的值收敛。εq作用是控制神经网络逼近的方向，而aq影响控制逼近的速度。具体地，当aq参数值过小时，会导致出现极值，网络局部收敛，系统鲁棒性变差、抗干扰能力下降；而当aq参数过大时，则会导致超调出现，网络在收敛点来回震荡，无法完成收敛过程。因此，在进行神经网络训练过程中，选取合适的训练速率参数，对于整个网络的性能优劣至关重要。
本文涉及的神经网络，合适的aq参数取值范围为(0.15～0.45)之间。
本文涉及的神经网络，其前向传播公式设定如下：
其神经网络输出公式设定为：
神经网络误差传播公式设定为：
其中，Err表示网络输出误差平方和；eij表示第i个神经元节点网络输出误差；dij表示第i个神经元节点网络理想输出；Oij表示第i个神经元节点网络实际输出，与Oij含义相同；ε2q反应网络隐含层梯度向量信息。
本发明涉及的神经网络L-M反向传播算法，主要依托于标准数值优化来提升迭代运算的收敛速度，在解决传感器实时温度补偿修正问题时，相比于传统神经网络算法，不采用均方误差转而采用平方误差进行迭代计算，显著加快了神经网络训练学习和收敛的速度。
实验验证：
1、样本获取
在之前授权专利CN201510675270《一种基于荧光猝灭原理的溶解氧测量方法和用途》、CN201520411290《一种海洋光学溶解氧传感器》、CN201720705899《一种光学溶解氧传感器新型标定装置》的研究基础上，利用自主研发的HJY1-1型光学溶解氧传感器和实验标定装置，进行宽温度区间的溶解氧标定实验，通过记录不同取样点的水体环境环境温度、传感器示值、溶解氧浓度取样滴定标准值。
为本发明提出的基于神经网络L-M算法的溶解氧温度补偿方法，提供网络训练学习所需的足够训练样本。样本获取方法，是通过恒温水槽改变水体环境温度T，在不用溶解氧标准浓度下测量记录传感器的实测值，以此样本集作为设计神经网络的输入和输出，最后经过获得样本集训练的神经网络来实现HJY1-1型光学溶解氧传感器的非线性温度补偿校正。
本发明的方法验证实验的训练样本是运用光学溶解氧传感器实验室标定实验获得的，训练样本获取的测量条件如下表所示：
水体环境是通过恒温标定水槽实现，溶解氧浓度调节范围为(0～120)％或(0～16)mg/L，温度调节范围(-10～50)℃，传感器溶解氧浓度输出值是通过HJY1-1型光学溶解氧传感器读取，标准水体溶解氧浓度值依据国标碘量法(GB7489-87)取样滴定获得。为了减小实验随机误差，每个测量点位处每隔2分钟读取一次数据，共读取10次，10次读取数据的平均值作为该点的未修正值，共测得50组未修正输出值，将这50组数据分为三类，第一类共40组，作为训练神经网络的训练样本，来对本发明涉及的神经网络进行训练；第二类共5组，这5组的温度值是固定的，溶解氧浓度值是不同的，用来验证神经网络在固定温度下不同溶解氧浓度条件下的补偿校正效果；第三类共5组，在这5组中水体溶解氧浓度值是固定的，温度可变，用来验证神经网络算法在温度变化的情况下对同一溶解氧浓度的补偿修正效果。
表1是实验得到的训练样本集，其中T为恒温水槽水体环境温度，Ir为水体标准溶解氧浓度值，由碘量法经过取样滴定测得，I为待校准湿度传感器实测湿度，训练过程中，样本选取按照[TIIr]进行，输入训练集为[TI]，用来作为神经网络的输入层的输入数据，输出训练集为[Ir]。
表1神经网络训练样本表
2、神经网络训练学习
本发明涉及的神经网络确定的网络结构为：输入层2个节点、隐含层67个节点，输出层1个节点。其神经网络拓扑可以表示为net＝(2,7,1)。根据神经网络输入输出数据特性，选取隐含层传递函数为Tansig函数，选取输出层线性激励函数为Purelin函数，此种情况下，神经网络的网络收敛性和误差性能表现最优。
选用40组溶解氧标定实验数据作为神经网络训练样本；选用温度为30.05℃的5组实验数据(传感器实测溶解氧浓度和水体标准溶解氧浓度)以及水体标准溶解氧浓度为92％的5组实验样本作为验证样本。
对完成训练学习的神经网络使用以上验证样本对其进行性能分析，并做误差统计。网络训练的具体步骤如下：
1)初始化神经网络的各神经元节点的权值和阈值；
2)对40组用于训练的样本进行归一化，经过处理后的值应分布于(-1,1)之间；
3)按照顺序，向神经网络输入经过归一化处理的40组样本；
4)根据预先设定的期望误差，运用MATLAB调用NNTool工具箱对网络进行训练，并自动获得神经网络模型的输出标准偏差值。直至满足预先设定值，网络停止迭代，训练完成。
训练结果情况，如图4所示。
由图5训练效果可见，本发明设计的神经网络L-M算法训练次数为35次，mse为9.4535e-08不但在收敛速度和收敛精度上具有良好的性能，而且在快速收敛过程中的阻尼特性优异，其波动性较小、鲁棒性较高，具有较强的抗干扰能力，非常适合解决传感器输出补偿的问题。
4.3实验结果分析
完成本发明的神经网络L-M算法训练学习之后，根据选取的5组固定温度点的样本数据和5组固定溶解氧浓度点的样本数据，进行补偿效果的验证和评价。
(1)固定温度情况下，不同溶解氧浓度样本数据补偿效果验证情况
表2.温度固定为30.05℃时5组不同溶解氧浓度点实验样本数据非线性补偿效果
(2)固定溶解氧浓度情况下，不同温度情况下样本数据补偿效果验证情况
表3.溶解氧浓度固定为92％时，5组不同温度点实验样本数据非线性补偿效果
综合上述算法效果验证两种情况，可以看出，经过本发明设计的基于神经网络L-M算法的非线性温度补偿修正方法的补偿后，光学溶解氧传感器测量输出的精确度远高于补偿前。与国标碘量法的滴定结果相比，补偿后的输出更加接近于溶解氧浓度标准值，相对误差均可以控制在±2％以内，效果明显。
综上所述，本发明设计的补偿方法较为准确的实现了光学溶解氧传感器的非线性补偿校正，测量准确度显著提高，使得传感器能够满足复杂水体环境下的长期连续观测需求，达到了预期效果。同时，本发明设计的基于神经网络L-M算法的传感器非线性补偿方法为解决传感器的漂移和校准，提供了新的方向和思路。
Claims (10)
1.基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：包括以下步骤：
采用大量实测标定点样本数据，构建基于L-M算法的神经网络结构并对其进行网络训练学习；
将实验所得的测量数据及环境温度参数，输入完成网络训练学习的神经网络，进行网络运算；
神经网络运算的结果进行误差计算，经修正补偿并输出。
2.根据权利要求1所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：所述的神经网络由输入层、隐含层和输出层三层神经元构成；其中，输入层是整个神经网络的数据输入端，由多个神经元输入节点构成；隐含层是数据运算处理层，分别与输入层和输出层相连接；输出层对隐含层数据处理结果进行输出表示。
3.根据权利要求2所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：所述的网络训练学习过程为：在输入层每个输出神经元通过加权的方式对输入数据进行求和，其运算结果与隐含层设置的阈值相互对比，若两者之间的偏差大于等于预先设定的参数值时，输入层将按照沿着最快减小函数误差的方向修正权值和偏差，如此类推，直至加权融合的结果与设定阈值之间的偏差小于预先设定的参数，完成网络训练学习。
4.根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：所述输入层中输出神经元节点的函数模型设定如下：
其中，a为输入层的输出神经元节点输出值；wi表示第i个神经元节点的权值；bj是隐含层设置的相应阈值。
5.根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：隐含层传递函数设定如下：
其中，f(x)为S型函数，在定义域内连续可导，作为传递函数其值域为(0,1)。
6.根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：所述的输入层修正权值和偏差的迭代公式为：
xq+1＝xq-aqεq
其中，xq+1表征神经网络前向运算中迭代得到的权值和误差；xq表示当前神经网络前向运算的权值和误差；aq为当前神经网络的训练学习速率；εq为神经网络的隐含层设定函数的梯度向量。
7.根据权利要求6所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：所述的aq参数取值范围为(0.15～0.45)之间。
8.根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：步骤2中神经网络运算的前向传播公式设定如下：
其中，NNij为神经网络前向输出值；O(i-1)q表示输出层特定神经元节点网络输出；W(i-1)qj表示相应的连接权值。
9.根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：步骤(3)中神经网络输出公式设定为：
其中，Oij表示神经网络输出层第i个神经元节点的实际输出值；NNij为神经网络前向输出值；eij神经网络输出层第i个神经元节点的网络输出误差。
10.根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿方法，其特征在于：步骤(3)中神经网络误差传播公式设定为：
其中，Err表示神经网络输出误差的平方和，dij表示神经网络输出层第i个神经元节点补偿修正网络的理想输出值，而Oij表示神经网络输出层第i个神经元节点的实际输出值；ε2q反应网络隐含层梯度向量信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910003923.5A CN109816094A (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910003923.5A CN109816094A (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816094A true CN109816094A (zh) | 2019-05-28 |
Family
ID=66603809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910003923.5A Pending CN109816094A (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816094A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
| CN111047073A (zh) * | 2019-11-14 | 2020-04-21 | 佛山科学技术学院 | 一种基于神经网络的水产养殖水质预测方法及系统 |
| CN111239355A (zh) * | 2020-01-22 | 2020-06-05 | 东北大学秦皇岛分校 | 一种基于机器学习反馈补偿优化的溶解氧检测仪 |
| CN111337463A (zh) * | 2020-02-25 | 2020-06-26 | 山东省科学院海洋仪器仪表研究所 | 基于机器学习的光学溶解氧传感器的标定方法 |
| CN112683836A (zh) * | 2021-01-12 | 2021-04-20 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
| CN113515043A (zh) * | 2021-06-18 | 2021-10-19 | 上海源矩技术有限公司 | 一种基于bp神经网络的干熄焦烧损率实时计算方法 |
| CN113589862A (zh) * | 2021-06-24 | 2021-11-02 | 苏州环美生物医疗科技有限公司 | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
| CN113758520A (zh) * | 2021-08-18 | 2021-12-07 | 贵州众创仪云科技有限公司 | 一种基于神经网络的物联网实验室环境监控方法及系统 |
| CN113916849A (zh) * | 2021-09-10 | 2022-01-11 | 山东省科学院海洋仪器仪表研究所 | 一种光学溶解氧传感器校准方法及校准装置 |
| CN117607376A (zh) * | 2023-11-07 | 2024-02-27 | 英锐斯(江苏)环保科技有限公司 | 一种用于生态环境的检测服务系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
| CN104992225A (zh) * | 2015-06-19 | 2015-10-21 | 南京航空航天大学 | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 |
| CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
| CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
| CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
| CN108896193A (zh) * | 2018-07-12 | 2018-11-27 | 黑龙江科技大学 | 一种变电站高压开关柜的温度监测预警系统及方法 |
-
2019
- 2019-01-03 CN CN201910003923.5A patent/CN109816094A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
| CN104992225A (zh) * | 2015-06-19 | 2015-10-21 | 南京航空航天大学 | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 |
| CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
| CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
| CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
| CN108896193A (zh) * | 2018-07-12 | 2018-11-27 | 黑龙江科技大学 | 一种变电站高压开关柜的温度监测预警系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| Z. FAN等: "BP Neural Network Modeling of Infrared Methane Detector for Temperature Compensation", 《2007 8TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT AND INSTRUMENTS》, 31 December 2007 (2007-12-31), pages 123 - 126 * |
| 伍川辉等: "基于PSO-LM-BP神经网络的压力传感器温度补偿方法", 《仪表技术与传感器》 * |
| 伍川辉等: "基于PSO-LM-BP神经网络的压力传感器温度补偿方法", 《仪表技术与传感器》, no. 2, 28 February 2018 (2018-02-28), pages 1 - 2 * |
| 盛炳乾等: "《工业过程测量与控制》", 中国轻工业出版社, pages: 100 - 102 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
| CN110441374B (zh) * | 2019-08-08 | 2021-12-07 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
| CN111047073A (zh) * | 2019-11-14 | 2020-04-21 | 佛山科学技术学院 | 一种基于神经网络的水产养殖水质预测方法及系统 |
| CN111047073B (zh) * | 2019-11-14 | 2023-04-25 | 佛山科学技术学院 | 一种基于神经网络的水产养殖水质预测方法及系统 |
| CN111239355A (zh) * | 2020-01-22 | 2020-06-05 | 东北大学秦皇岛分校 | 一种基于机器学习反馈补偿优化的溶解氧检测仪 |
| CN111337463B (zh) * | 2020-02-25 | 2023-01-17 | 山东省科学院海洋仪器仪表研究所 | 基于机器学习的光学溶解氧传感器的标定方法 |
| CN111337463A (zh) * | 2020-02-25 | 2020-06-26 | 山东省科学院海洋仪器仪表研究所 | 基于机器学习的光学溶解氧传感器的标定方法 |
| CN112683836A (zh) * | 2021-01-12 | 2021-04-20 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
| CN112683836B (zh) * | 2021-01-12 | 2022-11-01 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
| CN113515043A (zh) * | 2021-06-18 | 2021-10-19 | 上海源矩技术有限公司 | 一种基于bp神经网络的干熄焦烧损率实时计算方法 |
| CN113515043B (zh) * | 2021-06-18 | 2024-04-19 | 上海源矩技术有限公司 | 一种基于bp神经网络的干熄焦烧损率实时计算方法 |
| CN113589862A (zh) * | 2021-06-24 | 2021-11-02 | 苏州环美生物医疗科技有限公司 | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
| CN113758520A (zh) * | 2021-08-18 | 2021-12-07 | 贵州众创仪云科技有限公司 | 一种基于神经网络的物联网实验室环境监控方法及系统 |
| CN113916849A (zh) * | 2021-09-10 | 2022-01-11 | 山东省科学院海洋仪器仪表研究所 | 一种光学溶解氧传感器校准方法及校准装置 |
| CN117607376A (zh) * | 2023-11-07 | 2024-02-27 | 英锐斯(江苏)环保科技有限公司 | 一种用于生态环境的检测服务系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816094A (zh) | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 | |
| US5554273A (en) | Neural network compensation for sensors | |
| CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
| CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
| CN111414658A (zh) | 一种岩体力学参数反分析方法 | |
| CN107063509A (zh) | 一种基于神经网络的热敏温度计校准方法 | |
| CN110296833A (zh) | 一种面向液压缸综合测试台的软测量方法及系统 | |
| CN110059803A (zh) | 一种基于ga-bp的光纤位移传感器的温度补偿方法 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN111337463B (zh) | 基于机器学习的光学溶解氧传感器的标定方法 | |
| CN114912364B (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
| CN113609749A (zh) | 适用于多场景的基于磁场信号的电流计算方法 | |
| KR102281488B1 (ko) | 데이터 보정 기술을 적용한 화력발전소의 연료 발열량 보정 방법 | |
| CN113642249A (zh) | 陀螺仪零偏误差补偿方法 | |
| CN112528418A (zh) | 一种无基准条件下半实物仿真试验的评估系统 | |
| CN112528417B (zh) | 一种飞行器半实物仿真的评估方法 | |
| Nguyen et al. | Deep learning models for predicting co2 flux employing multivariate time series | |
| CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
| Zhang et al. | New method for calibrating optical dissolved oxygen sensors in seawater based on an intelligent learning algorithm | |
| Zhang et al. | Calibration method of multi-parameter compensation for optical dissolved oxygen sensor in seawater based on machine learning algorithm | |
| Bredenhann et al. | Application of artificial neural networks in the back-calculation of flexible pavement layer moduli from deflection measurements | |
| CN113820062A (zh) | 六维力传感器的温度补偿方法 | |
| Wang et al. | Nonlinear correction of pressure sensor based on depth neural network | |
| Liu et al. | Research on error correction model of surface acoustic wave yarn tension transducer based on DOA–SVR model | |
| Yu et al. | Dynamic Sampling Policy for In Situ and Online Measurements Data Fusion in a Policy Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
| RJ01 | Rejection of invention patent application after publication |