CN111474217A - 湿度传感器及湿度测试方法 - Google Patents

湿度传感器及湿度测试方法 Download PDF

Info

Publication number
CN111474217A
CN111474217A CN202010329754.7A CN202010329754A CN111474217A CN 111474217 A CN111474217 A CN 111474217A CN 202010329754 A CN202010329754 A CN 202010329754A CN 111474217 A CN111474217 A CN 111474217A
Authority
CN
China
Prior art keywords
humidity
neural network
network model
radial basis
pressure
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
Application number
CN202010329754.7A
Other languages
English (en)
Inventor
孙延娥
方华斌
付博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Microelectronics Inc
Original Assignee
Goertek Microelectronics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Goertek Microelectronics Inc filed Critical Goertek Microelectronics Inc
Priority to CN202010329754.7A priority Critical patent/CN111474217A/zh
Publication of CN111474217A publication Critical patent/CN111474217A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
    • G01N27/225—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity by using hygroscopic materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/226—Construction of measuring vessels; Electrodes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Genetics & Genomics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明提供了一种湿度传感器及湿度测试方法，其中，所述湿度传感器包括基板、压力测试装置以及湿度敏感薄膜，所述压力测试装置设于所述基板上，所述湿度敏感薄膜设于所述压力测试装置上，且所述湿度敏感薄膜与所述压力测试装置之间形成第一封装腔体，以通过所述压力测试装置检测所述第一封装腔体内的当前气压，并根据所述当前气压得到对应的环境湿度值，可以提高湿度传感器检测到的环境湿度信息的准确性。

Description

湿度传感器及湿度测试方法
技术领域
本发明涉及湿度传感器技术领域，特别涉及一种湿度传感器及湿度测试方法。
背景技术
随着人们对健康问题的日益重视，室内湿度环境检测成为智能家居关注的问题。而室内湿度环境一般采用湿度传感器进行检测，通常湿度传感器都是基于电容式原理，即通过湿度的变化引起湿敏材料的介电常数变化，进而导致电容值改变。
但是，目前的湿度传感器由于湿敏材料性质的限制，无法一直准确获取外界环境的湿度信息。
发明内容
本发明的主要目的是提供一种湿度测试方法、装置和可读存储介质，旨在提高湿度传感器检测到的环境湿度信息的准确性。
为实现上述目的，本发明提供一种湿度传感器，所述湿度传感器包括：
基板；
压力测试装置，所述压力测试装置设于所述基板上；
湿度敏感薄膜，所述湿度敏感薄膜设于所述压力测试装置上，且所述湿度敏感薄膜与所述压力测试装置之间形成第一封装腔体。
进一步地，所述湿度传感器还包括设于所述基板上的壳体，所述壳体与所述基板围合形成第二封装腔体，其中，所述第一封装腔体位于所述第二封装腔体内，且所述壳体上开设有用于连通所述第二封装腔体以及外部环境的开口。
进一步地，所述湿度传感器还包括存储装置，所述存储装置设于所述基板上，且所述存储装置与所述压力测试装置电性连接。
为实现上述目的，本发明还提供了一种湿度测试方法，所述湿度检测方法应用于如上所述的湿度传感器，所述湿度测试方法包括：
获取第一封装腔体内的当前气压，其中，所述第一封装腔体为设于所述湿度传感器内部的湿度敏感薄膜以及压力测试装置之间形成的腔体；
根据湿度与气压的映射关系，获得所述当前气压对应的环境湿度值。
进一步地，所述映射关系为映射关系为映射函数或径向基函数神经网络模型。
进一步地，所述方法还包括获取所述映射关系的步骤，包括：
获取由多个训练样本组成的训练样本集合，其中，每一所述训练样本包括样本环境湿度和与所述样本环境湿度匹配的样本压力；
根据所述训练样本集合，获得所述映射关系。
进一步地，所述映射关系为径向基函数神经网络模型，所述径向基函数神经网络模型中包括扩展常数和输出节点权值，所述根据所述训练样本集合，获得所述映射关系的步骤包括：
将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合；
根据所述扩展常数和所述最优参数值组合对所述径向基函数神经网络模型进行优化，以获得优化后的所述径向基函数神经网络模型。
进一步地，所述将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合的步骤包括：
将所述训练样本集合中的多个训练样本输入至所述径向基函数神经网络模型中，得到输出结果；
将所述输出结果与所述训练样本中对应的样本压力进行比对，获得比对结果；
若所述比对结果满足预设阈值，则以所述比对结果对应的输出结果作为所述扩展常数和所述输出节点权值的最优参数值组合。
本发明提出了一种湿度传感器及湿度测试方法，其中，所述湿度传感器包括基板、压力测试装置以及湿度敏感薄膜，所述压力测试装置设于所述基板上，所述湿度敏感薄膜设于所述压力测试装置上，且所述湿度敏感薄膜与所述压力测试装置之间形成第一封装腔体，以通过所述压力测试装置检测所述第一封装腔体内的当前气压，并根据所述当前气压得到对应的环境湿度值，可以提高湿度传感器检测到的环境湿度信息的准确性。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。
图1为本发明实施例湿度传感器的结构示意图；
图2为本发明实施例湿度敏感薄膜吸收水分后的状态示意图
图3为本发明湿度测试方法步骤的流程示意图；
图4为本发明湿度测试方法细化步骤的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1～2所示，本发明提供一种湿度传感器。
在一实施例中，如图1所示，所述湿度传感器包括基板1、压力测试装置2以及湿度敏感薄膜3，所述压力测试装置2设于所述基板1上，所述湿度敏感薄膜3设于所述压力测试装置2上，且所述湿度敏感薄膜3与所述压力测试装置2之间形成第一封装腔体4。其中，所述压力测试装置2用于检测所述第一封装腔体4内的当前气压，以根据湿度与气压之间的映射关系，获得所述当前气压对应的环境湿度值。
可选地，所述压力测试装置2为MEMS传感器芯片，其中，所述基板1背离上述MEMS传感器芯片的一侧设置有焊盘(图为示)，外部电路板通过所述焊盘与上述MEMS传感器芯片电性连接。
进一步地，由于所述湿度敏感薄膜3具有亲水性，即所述湿度敏感薄膜3可以吸收水分，而根据所述湿度敏感薄膜3的特性，所述湿度敏感薄膜3在吸收水分后，所述湿度敏感薄膜3会朝向所述第一封装腔体4的方向凹陷(如图2所示)，此时，所述第一封装腔体4的体积V变小，根据公式PV＝nRT(其中，n为气体物质的量，R为常数)可知，在气体质量以及温度不变的情况下，如果气体的体积V减小，那么气压P会增加；即本实施例在所述第一封装腔体4的体积发生形变时，通过所述压力测试装置2检测所述第一封装腔体4内的当前气压，以通过湿度与气压之间的映射关系，获得所述当前气压对应的环境湿度值，从而避免传统湿度传感器由于湿敏材料性质的限制导致无法准确获取外界环境的湿度信息的情况。
具体地，由于不同环境湿度下的水分子含量均不相同，导致不同环境湿度下的所述湿度敏感薄膜3的形变状态以及所述第一封装腔体4内部的气压P也不相同，即本实施例可以根据压力传感器数值P和环境湿度值H之间存在的映射关系，获得所述当前气压对应的环境湿度值。
进一步地，所述映射关系为映射函数或径向基函数神经网络模型，本实施例通过将检测到的当前气压输入至映射函数或径向基函数神经网络模型中，即可获得所述当前气压对应的环境湿度值。
具体地，所述映射关系为映射函数，比如，在环境湿度为H时，所述压力测试装置2检测到的数值P，即所述映射关系可以描述为H＝f(P，C)，通过将样本(H，P)输入到公式H＝f(P，C)中可以计算得到系数C，进而得到确定的公式H＝f(P，C)。其中，样本(H，P)为所述压力测试装置2在多组已知的不同环境湿度H的情况下检测到的多组气压数值P。上述映射函数包括一元一次方程、一元二次方程等，在此并无限定。
或者，所述映射关系为径向基函数神经网络模型，即将上述获得的多组样本(H，P)输入到径向基函数神经网络模型中，训练学习径向基函数神经网络模型的待定参数：扩展常数σ和输出节点权值w，以获得这两个参数的最优解(σ，w)，进而输出优化的径向基函数神经网络模型。本实施例中，将所述当前气压输入至上述映射函数或优化后的径向基函数神经网络模型中，以获得所述当前气压对应的环境湿度值，即通过所述压力检测装置2检测到所述第一封装腔体4的当前气压计算得到对应的环境湿度值，可以提高湿度传感器检测到的环境湿度信息的准确性。
在本发明的实施例中，所述湿度传感器包括基板1、压力测试装置2以及湿度敏感薄膜3，所述压力测试装置2设于所述基板1上，所述湿度敏感薄膜3设于所述压力测试装置2上，且所述湿度敏感薄膜3与所述压力测试装置2之间形成第一封装腔体4，以通过所述压力测试装置2检测所述第一封装腔体4内的当前气压，并根据所述当前气压得到对应的环境湿度值，可以提高湿度传感器检测到的环境湿度信息的准确性。
进一步地，所述湿度传感器还包括设于所述基板1上的壳体5，所述壳体5与所述基板1围合形成第二封装腔体6，其中，所述第一封装腔体4位于所述第二封装腔体6内。即所述湿度敏感薄膜3与所述压力测试装置2均设于所述第二封装腔体6内，以防止所述湿度敏感薄膜3与所述压力测试装置2与外界环境直接接触，造成所述湿度敏感薄膜3与所述压力测试装置2的损伤。
进一步地，为了能够使在不同的环境湿度下所述湿度敏感薄膜3发生形变，本实施例在所述壳体5的顶部设有开口7，以使所述第二封装腔体6的内部空间与外部环境连通，即所述湿度敏感薄膜3可以在外部环境湿度下发生形变。
进一步地，所述湿度传感器还包括存储装置8，所述存储装置8设于所述基板1上，且所述存储装置8与所述压力测试装置2电性连接，其中，所述存储装置8用于存储上述映射函数或优化后的径向基函数神经网络模型，以使在所述压力测试装置2检测到所述第一封装腔体4的当前气压后，可以调用所述存储装置8存储额映射函数或优化后的径向基函数神经网络模型，从而获取当前气压对应的环境湿度值。
基于上述实施例，本发明还提供一种湿度测试方法。
参照图3，图3为本发明湿度测试方法第一实施例的流程示意图。
本实施例提出一种湿度测试方法，该湿度测试方法包括：
S10、获取第一封装腔体内的当前气压，其中，所述第一封装腔体为设于所述湿度传感器内部的湿度敏感薄膜以及压力测试装置之间形成的腔体；
S20、根据湿度与气压的映射关系，获得所述当前气压对应的环境湿度值。
在本实施例，所述湿度测试方法基于上述实施例的湿度传感器，如图1所示，所述湿度传感器包括基板1、压力测试装置2以及湿度敏感薄膜3，所述压力测试装置2设于所述基板1上，所述湿度敏感薄膜3设于所述压力测试装置2上，且所述湿度敏感薄膜3与所述压力测试装置2之间形成第一封装腔体4。
在S10中，获取压力测试装置检测到的第一封装腔体的当前气压。其中，所述压力测试装置可以为MEMS传感器芯片，以获取所述第一封装腔体的当前气压。
进一步地，由于第一封装腔体为设于所述湿度传感器内部的湿度敏感薄膜以及压力测试装置之间形成的腔体，且所述湿度敏感薄膜具有亲水性，即所述湿度敏感薄膜可以吸收水分，而根据所述湿度敏感薄膜的特性，所述湿度敏感薄膜在吸收水分后，所述湿度敏感薄膜会朝向所述第一封装腔体的方向凹陷(如图2所示)，此时，所述第一封装腔体的体积V变小，根据公式PV＝nRT(其中，n为气体物质的量，R为常数)可知，在气体质量以及温度不变的情况下，如果气体的体积V减小，那么气压P会增加；即本实施例在所述第一封装腔体的体积发生形变时，获取所述压力测试装置检测所述第一封装腔体4内的当前气压，以通过湿度与气压之间的映射关系，获得所述当前气压对应的环境湿度值，从而避免传统湿度传感器由于湿敏材料性质的限制导致无法准确获取外界环境的湿度信息的情况。
进一步地，所述映射关系为映射函数或径向基函数(Radial Basis Function，RBF)神经网络模型。比如，将湿度与气压的映射关系可以映射函数H＝f(P，C)，其中，f表示湿度表达式，H代表环境湿度，P为环境湿度H下的压力值。通过映射函数确定湿度值，能够实现更高的精准度。或者，湿度与气压的映射关系通过机器学习的方式获取，并且通过径向基函数神经网络模型描述该映射关系。
具体地，RBF神经网络的运算速度快，具有较强的非线性映射能力和最佳逼近性能。通常来说，RBF神经网络的输入层到隐含层不需要权值连接，隐含层激活函数采用的是非线性的径向基函数，输出层采用的是线性的函数。径向基函数具有在微小局部范围内产生有效的非零响应的局部特性，可以在学习过程中获得高效化。RBF神经网络学习过程中只需要调整隐含层径向基函数中的参数及隐含层到输出层的连接权值，网络结构简单、算法简便，被广泛应用于函数逼近、时间序列预测、语音识别、自动控制、信号预测、信号处理等领域。
即本实施例可以通过将检测到的当前气压输入至映射函数或径向基函数神经网络模型中，即可获得所述当前气压对应的环境湿度值。基于此，所述湿度测试方法还包括获取所述映射关系的步骤。具体地，如图4所示，所述获取所述映射关系的步骤包括：
S11、获取由多个训练样本组成的训练样本集合，其中，每一所述训练样本包括样本环境湿度和与所述样本环境湿度匹配的样本压力；
S12、根据所述训练样本集合，获得所述映射关系。
例如，在已知湿度值为H1、H2、H3......Hn的环境条件下，通过压力测试装置分别采集上述环境条件下的气压值P1、P2、P3......Pn，这样就得到了相配对的样本环境湿度(H1、H2、H3......Hn)和样本压力(P1、P2、P3......Pn)，这一对数据就构成了一个训练样本，即组成的训练样本集合为(H1、H2、H3......Hn，P1、P2、P3......Pn)。
在一个例子中，通过机器学习的方式获取映射关系，该映射关系通过映射函数H＝f(P，C)来表示。通过根据训练样本集合，训练设定的湿度表达式，即映射函数H＝f(P，C)中的待定参数C的最优参数值组合，得到湿度表达式，也就得到了得到映射函数。
在一个例子中，湿度和气压的映射关系采用RBF神经网络模型表达。RBF网络的隐节点数等于输入样本数，隐节点的激活函数为径向基函数，并将所有输入样本设为径向基函数的中心，各径向基函数取统一的扩展常数。
在一实施例中，在所述映射关系为径向基函数神经网络模型时，由于所述径向基函数神经网络模型中包括扩展常数和输出节点权值，则需要对径向基函数神经网络模型进行优化，即本实施例中所述根据所述训练样本集合，获得所述映射关系的步骤包括：
将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合；
根据所述扩展常数和所述最优参数值组合对所述径向基函数神经网络模型进行优化，以获得优化后的所述径向基函数神经网络模型。
具体地，本实施例中的RBF神经网络模型为正则化RBF神经网络模型。正则化RBF网络具有以下特点：正则化RBF网络是一种通用逼近器，只有要足够的节点，它可以以任意精度逼近紧集上的任意多元连续函数；正则化RBF具有最佳逼近特性，即任给一个未知的非线性函数，总可以找到一组权值使得正则化网络对于其逼近优于其他可能的选择。
进一步地，在采用正则化RBF神经网络时，正则化RBF神经网络具有两个待定参数为扩展常数和输出节点权值，记为(σ，w)，其中，σ代表RBF神经网络的扩展常数，w代表RBF神经网络的输出节点权值(可以为矩阵或者向量)，只需对这两类参数进行寻优。
在一个例子中，通过遗传算法寻找正则化RBF神经网络的扩展常数和输出节点权值的最优参数值组合。遗传算法(Genetic Algorithm，GA)是一种以生物进化和遗传变异为理论基础的搜索算法。在自然界中，只有适应环境好的个体才能存活，个体通过遗传将好的性状特点传递给下代。而在遗传过程中，群体通过进化逐渐产生适应性优良的个体以适应环境变化，生物群体得到不断的发展和完善。遗传算法模拟生物的进化和遗传机制，通过采用选择(复制)、交叉(重组)、变异(突变)等遗传操作，衍生出种群中下一代的个体，直到获得符合要求的种群。
在一个例子中，上述遗传算法包括以下步骤：
建立初始种群，所述初始种群中的每一个体对应于所述湿度表达式的待定参数的一种参数值组合；
对所述初始种群进行选择、交叉和变异，得到新一代种群；
对所述新一代种群继续进行选择、交叉和变异，直到所述新一代种群的个体适应度满足预设条件或者进化代数达到预设代数，则获取所述新一代种群中的个体对应的所述参数值组合作为所述最优参数值组合。
具体地，下面以一个例子说明通过遗传算法寻找正则化RBF神经网络的扩展常数和输出节点权值的最优参数值组合过程。首先建立待定参数的初始种群，例如通过随机取值的方式获得初始种群中的个体A、个体B和个体C，其中个体A对应的参数值组合是(0.2，w1)，个体B对应的参数值组合是(0.15，w2)，个体C对应的参数值组合是(0.1，w3)。将上述参数值组合转换成二进制串编码的形式，即将参数优化问题转化为基因编码的形式。将初始待定参数输入初始正则化RBF网络模型。将扩展常数的寻优范围设置为(0，1)，输出节点权值的寻优范围设置为(0.1，0.2)。
将适应度函数设置为：h(γ，C)＝accuracy。其中，accuracy为训练样本集上的验证准确率。将训练样本进行归一化处理，并输入正则化RBF网络模型中，得到输出结果。
根据输出结果对初代种群进行适应度评价，将样本环境湿度的输出结果与相配对的样本压力进行比较确定输出结果是否准确，计算出每一个体的验证准确率。例如：个体A的验证准确率为0.5，个体B的验证准确率为0.6，个体C的验证准确率为0.7。从初始种群中选出适应度最优个体，即验证准确率满足预设阈值时，将满足预设阈值的个体作为适应度最优个体，这里，个体C作为本次的适应度最优个体。
进一步地，将个体C的验证准确率与目标准确率进行比较，目标准确率例如是0.85，则个体C的验证准确率不满足精度要求，需要通过进化寻找最优参数值组合。
在进化时，首先根据初始种群中个体的适应度值确定个体的选择概率，通过例如基于赌轮法的选择算子进行选择操作，得到用于复制的个体。在进化中采用最优保存策略，即对上一代的适应度最优个体进行保留。
在复制过程中，交叉概率的取值例如为[0.3，0.4]，变异概率的取值例如为0.03。复制时对上一代的适应度最优个体C进行保留。假设个体A和个体B在复制时发生了基因交叉，交叉后得到了个体A’和个体B’，个体A’对应的参数值组合是(0.15，w1)，个体B’对应的参数值组合是(0.2，w2)。
对新一代种群的个体适应度进行计算，得出个体A’的验证准确率为0.9，个体B’的验证准确率为0.8，个体C的验证准确率为0.7。此时适应度最优个体为A’，其验证准确率满足精度要求，因此个体A’对应的参数值组合(0.25，20)即为最优参数值组合。
可以理解的是，如果进化中最优个体的精度一直没有满足要求，当进化的代数达到预设值例如为10代时停止进化，并认为此时的最个体对应的参数值组合为最优优参数值组合。此时，获取到最优参数值组合，也就得到最优的RBF神经网络模型。
进一步地，在获取到最优的RBF神经网络模型后，存储至与所述压力测试装置电性连接的存储装置中，其中，存储装置可以为ASIC芯片。
本实施例中的湿度测试方法，通过测量第一封装腔体的当前气压并输入映射关系中，能够准确得出环境湿度值，进而更加准确地检测出环境的湿度。
基于上述的遗传算法，本实施例通过遗传算法寻找正则化RBF神经网络的扩展常数和输出节点权值的最优参数值组合，即所述将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合的步骤包括：
将所述训练样本集合中的多个训练样本输入至所述径向基函数神经网络模型中，得到输出结果；
将所述输出结果与所述训练样本中对应的样本压力进行比对，获得比对结果；
若所述比对结果满足预设阈值，则以所述比对结果对应的输出结果作为所述扩展常数和所述输出节点权值的最优参数值组合。
比如，将上述训练样本集合(H1、H2、H3......Hn，P1、P2、P3......Pn)中的训练样本(H1，P1)、(H2，P2)、(H3，P3)输入至所述径向基函数神经网络模型，得到输出结果；并将上述输出结果与所述训练样本中对应的样本压力进行一一比对，获得比对结果，其中，比对结果为验证准确率，而训练样本(H1，P1)、(H2，P2)、(H3，P3)的验证准确率分别为0.5、0.6以及0.7。
可选地，预设阈值为0.7，即训练样本(H3，P3)对应的验证准确率满足预设阈值，此时，以所述比对结果对应的输出结果作为所述扩展常数和所述输出节点权值的最优参数值组合，比如，训练样本(H3，P3)对应的所述扩展常数和所述输出节点权值为(0.1，w3)即为径向基函数神经网络模型的所述扩展常数和所述输出节点权值的最优参数值组合。
在本发明的实施例中，所述湿度测试方法包括获取第一封装腔体内的当前气压，其中，所述第一封装腔体为设于所述湿度传感器内部的湿度敏感薄膜以及压力测试装置之间形成的腔体，并根据湿度与气压的映射关系，获得所述当前气压对应的环境湿度值，以通过所述压力测试装置检测所述第一封装腔体内的当前气压，并根据所述当前气压得到对应的环境湿度值，可以提高湿度传感器检测到的环境湿度信息的准确性。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，云端服务器，或者网络设备等)执行本发明各个实施例的方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种湿度传感器，其特征在于，所述湿度传感器包括：
基板；
压力测试装置，所述压力测试装置设于所述基板上；
湿度敏感薄膜，所述湿度敏感薄膜设于所述压力测试装置上，且所述湿度敏感薄膜与所述压力测试装置之间形成第一封装腔体。
2.如权利要求1所述的湿度传感器，其特征在于，所述湿度传感器还包括设于所述基板上的壳体，所述壳体与所述基板围合形成第二封装腔体，其中，所述第一封装腔体位于所述第二封装腔体内，且所述壳体上开设有用于连通所述第二封装腔体以及外部环境的开口。
3.如权利要求1所述的湿度传感器，其特征在于，所述湿度传感器还包括存储装置，所述存储装置设于所述基板上，且所述存储装置与所述压力测试装置电性连接。
4.一种湿度测试方法，其特征在于，所述湿度检测方法应用于如权利要求1-3任一项所述的湿度传感器，所述湿度测试方法包括：
获取第一封装腔体内的当前气压，其中，所述第一封装腔体为设于所述湿度传感器内部的湿度敏感薄膜以及压力测试装置之间形成的腔体；
根据湿度与气压的映射关系，获得所述当前气压对应的环境湿度值。
5.如权利要求4所述的湿度测试方法，其特征在于，所述映射关系为映射关系为映射函数或径向基函数神经网络模型。
6.如权利要求4或5所述的湿度测试方法，其特征在于，所述方法还包括获取所述映射关系的步骤，包括：
获取由多个训练样本组成的训练样本集合，其中，每一所述训练样本包括样本环境湿度和与所述样本环境湿度匹配的样本压力；
根据所述训练样本集合，获得所述映射关系。
7.如权利要求6所述的湿度测试方法，其特征在于，所述映射关系为径向基函数神经网络模型，所述径向基函数神经网络模型中包括扩展常数和输出节点权值，所述根据所述训练样本集合，获得所述映射关系的步骤包括：
将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合；
根据所述扩展常数和所述最优参数值组合对所述径向基函数神经网络模型进行优化，以获得优化后的所述径向基函数神经网络模型。
8.如权利要求7所述的湿度测试方法，其特征在于，所述将所述训练样本集合输入至所述径向基函数神经网络模型中，以获得所述扩展常数和所述输出节点权值的最优参数值组合的步骤包括：
将所述训练样本集合中的多个训练样本输入至所述径向基函数神经网络模型中，得到输出结果；
将所述输出结果与所述训练样本中对应的样本压力进行比对，获得比对结果；
若所述比对结果满足预设阈值，则以所述比对结果对应的输出结果作为所述扩展常数和所述输出节点权值的最优参数值组合。
CN202010329754.7A 2020-04-23 2020-04-23 湿度传感器及湿度测试方法 Pending CN111474217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329754.7A CN111474217A (zh) 2020-04-23 2020-04-23 湿度传感器及湿度测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329754.7A CN111474217A (zh) 2020-04-23 2020-04-23 湿度传感器及湿度测试方法

Publications (1)

Publication Number Publication Date
CN111474217A true CN111474217A (zh) 2020-07-31

Family

ID=71761708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329754.7A Pending CN111474217A (zh) 2020-04-23 2020-04-23 湿度传感器及湿度测试方法

Country Status (1)

Country Link
CN (1) CN111474217A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612305A (zh) * 2020-12-04 2021-04-06 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116019A (zh) * 2015-08-25 2015-12-02 东南大学 一种电感式mems湿度传感器及其制备方法
CN107734089A (zh) * 2017-09-29 2018-02-23 努比亚技术有限公司 压力触控屏及具有该压力触控屏的移动终端
CN207133226U (zh) * 2017-07-31 2018-03-23 成都信息工程大学 一种高稳定性低湿度检测的qcm湿度传感器
CN110338796A (zh) * 2019-06-26 2019-10-18 歌尔股份有限公司 呼吸检测方法、装置及可穿戴设备
CN110554793A (zh) * 2018-06-04 2019-12-10 华为技术有限公司 终端设备和压力触控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116019A (zh) * 2015-08-25 2015-12-02 东南大学 一种电感式mems湿度传感器及其制备方法
CN207133226U (zh) * 2017-07-31 2018-03-23 成都信息工程大学 一种高稳定性低湿度检测的qcm湿度传感器
CN107734089A (zh) * 2017-09-29 2018-02-23 努比亚技术有限公司 压力触控屏及具有该压力触控屏的移动终端
CN110554793A (zh) * 2018-06-04 2019-12-10 华为技术有限公司 终端设备和压力触控方法
CN110338796A (zh) * 2019-06-26 2019-10-18 歌尔股份有限公司 呼吸检测方法、装置及可穿戴设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612305A (zh) * 2020-12-04 2021-04-06 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统
CN112612305B (zh) * 2020-12-04 2022-04-08 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统

Similar Documents

Publication Publication Date Title
CN109408389B (zh) 一种基于深度学习的代码缺陷检测方法及装置
Tudu et al. Electronic nose for black tea quality evaluation by an incremental RBF network
JPH05189401A (ja) データ分類方法および装置
JP5403621B2 (ja) 匂い識別方法
JPWO2006073081A1 (ja) 識別用データ学習システム、学習装置、識別装置及び学習方法
US10386379B1 (en) Chemical sensing system
CN111340132B (zh) 一种基于da-svm的机器嗅觉模式识别方法
CN111474217A (zh) 湿度传感器及湿度测试方法
CN111460441A (zh) 一种基于批归一化卷积神经网络的网络入侵检测方法
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN112485652B (zh) 基于改进正余弦算法的模拟电路单故障诊断方法
CN112326882B (zh) 空气质量传感器处理方法和装置
CN113987188B (zh) 一种短文本分类方法、装置及电子设备
CN113341079B (zh) 一种基于电子鼻的气味识别方法、系统及报警系统
CN107036716B (zh) 一种自校准红外热电堆温度传感器及自校准方法
CN115788793A (zh) 全局监控预警方法及其系统
CN115497576A (zh) 基于图神经网络的聚合物性质预测方法和系统
JP2023026785A (ja) 匂い識別システム
CN115795385A (zh) 用于检测异常的系统以及设置该用于检测异常的系统的阈值的方法
CN112966762A (zh) 一种野生动物检测方法、装置、存储介质及电子设备
CN112834578A (zh) 异味检测方法、可移动家用设备及计算机可读存储介质
CN111400715A (zh) 分类引擎诊断方法、装置及计算机可读存储介质
CN117030944A (zh) 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质
Rauf et al. Malaysian food recognition and calories estimation using CNN with TensorFlow
KR20240061552A (ko) 사물 인터넷 시스템에서 적응형 이상 점수 임계 값에 기반하는 이상 탐지를 위한 장치 및 방법

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 103, 396 Songling Road, Laoshan District, Qingdao City, Shandong Province 266100

Applicant after: Geer Microelectronics Co.,Ltd.

Address before: Room 103, 396 Songling Road, Laoshan District, Qingdao City, Shandong Province 266100

Applicant before: Goer Microelectronics Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200731