CN112683836A - 基于bp神经网络的二氧化碳传感器的标定方法及其系统 - Google Patents
基于bp神经网络的二氧化碳传感器的标定方法及其系统 Download PDFInfo
- Publication number
- CN112683836A CN112683836A CN202110038327.8A CN202110038327A CN112683836A CN 112683836 A CN112683836 A CN 112683836A CN 202110038327 A CN202110038327 A CN 202110038327A CN 112683836 A CN112683836 A CN 112683836A
- Authority
- CN
- China
- Prior art keywords
- neural network
- gas sensor
- acquisition
- carbon dioxide
- candidate
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供基于BP神经网络的二氧化碳传感器的标定方法及其系统,方法包括:获取每个初始气体传感器的第一采集电压;将初始气体传感器的所有第一采集电压分为训练集、验证集和测试集,依次对待测试BP神经网络进行训练、验证和测试,以获取得到初始气体传感器的候选BP神经网络模型;获取待标定气体传感器的第二采集电压;将第二采集电压和与第二采集电压对应的环境温度输入到每个初始气体传感器的候选BP神经网络模型中,得到输出值,计算输出值和对应的二氧化碳浓度之间的差值,并计算所有差值的绝对值之和;将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型。有益效果:提高准确性,并且减少标定成本。
Description
技术领域
本发明涉及气体传感器领域,尤其涉及基于BP神经网络的二氧化碳传感器的标定方法及其系统。
背景技术
红外气体检测技术是一种在环境监测、智能家居、医疗卫生、公众场合空气监测、工业过程控制等方面具有广泛应用的非直接接触式实时气体检测技术。其具有精度高、选择性好、可靠性高、不中毒、不依赖于氧气、受环境干扰因素较小、寿命长等显著优点,因此红外气体检测技术得到了广泛的重视和应用。
现阶段,光学气体检测技术有光干涉技术、光声光谱技术、光离子化技术和非色散红外检测技术,其中,基于特征光谱吸收理论的非色散红外气体传感器的结构最为简单、调校周期长、性能稳定、不易中毒、性噪比高且易于集成,具有巨大的市场前景和商业价值。其基本原理是由于不同的气体分子具有不同的特征吸收谱线,气体分子结构的不同使得分子间的能级也不相同,致使不同的气体分子对红外光的吸收具有频率选择特性,且红外二氧化碳传感器是基于朗伯-比尔定律和气体对光谱的选择性吸收等原理,其特征吸收峰在4.26μm,其吸收关系符合朗伯-比尔吸收定律,即I=I0exp(-KCL),其中I为输出光强度,I0为输入光强度,C为浓度,K为CO2气体的吸收系数,L为气体与光源作用的有效长度。
然而,在利用非色散红外气体传感器对气体浓度进行检测时,由于气体吸收特性即参数K的值容易受到温度的影响,并且温度变化会引起气体浓度、二氧化碳分子活性、光源稳定性等变化,直接根据热释电探测器的输出电压来估算CO2气体浓度往往会造成测量结果的准确性低,不具备投入使用的价值,这时候就需要使用算法对测量结果进行温度补偿修正,使设备能够投入使用。
目前,对于由检测环境压力变化引起的测量误差进行补偿的方法主要是让新生产的传感器节点根据自己的大量样本数据来建立一个准确的模型,然而每个样本数据的产生均需要30-60分钟,其主要原因是在采集样本数据时需要进行配气并等待配气稳定,然而上述现有技术往往需要耗费大量时间、人力和物力。因此,为每个传感器节点根据自己的大量样本数据来单独建立一个数据模型在成本以及其他方面均不太现实。
例如,专利CN106153567A-基于BP神经网络压力补偿的红外气体传感器及检测方法,是一种针对双通道红外气体传感器,设计了基于BP神经网络压力补偿的气体浓度检测方法,为每个新生产的传感器节点根据自己的大量样本数据来单独建立一个数据模型,因此每个新生产的传感器节点需要耗较多的时间、人力、物力来得到一个节点的很多个样本数据来训练BP神经网络。
发明内容
针对现有技术中存在的上述问题,现提供一种基于BP神经网络的二氧化碳传感器的标定方法及其系统。
具体技术方案如下:
一种基于BP神经网络的二氧化碳传感器的标定方法,其中,包括以下步骤:
步骤S1,获取每个初始气体传感器的多个第一采集电压,获取每个第一采集电压的环境温度和/或二氧化碳浓度不同;
步骤S2,创建一待测试BP神经网络,并将初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集,并且依次根据训练集、验证集和测试集对待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
步骤S3,获取待标定气体传感器的多个第二采集电压,获取每个第二采集电压的环境温度和/或二氧化碳浓度不同;
步骤S4,将第二采集电压和与第二采集电压对应的环境温度输入到每个初始气体传感器对应的候选BP神经网络模型中,以得到每个候选BP神经网络模型对应的输出值,计算第二采集电压对应的输出值和每个第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和;
步骤S5,将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,步骤S2具体包括以下步骤:
步骤S21,创建待测试BP神经网络;
步骤S22,将当前的初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集;
步骤S23,将训练集中的第一采集电压和与第一采集电压对应的环境温度作为输入对待测试BP神经网络进行训练,以得到训练好的待测试BP神经网络;
步骤S24,将验证集中的第一采集电压和与第一采集电压对应的环境温度作为输入对训练好的待测试BP神经网络进行验证,并根据验证结果对训练好的待测试BP神经网络进行校正,以得到校正后的待测试BP神经网络;
步骤S25,将测试集中的第一采集电压和与第一采集电压对应的环境温度作为输入对校正后的待测试BP神经网络进行测试,并将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
步骤S26,将下一初始气体传感器作为当前的初始气体传感器,返回执行步骤S22,直到得到每个初始气体传感器的候选BP神经网络模型。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,创建一待测试BP神经网络具体包括以下步骤:
设定待测试BP神经网络的输入层的神经元个数、隐藏层的神经元个数和输出层的神经元个数,隐藏层的激活函数为双曲正切函数。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,输入层的神经元个数为2;
隐藏层的神经元个数为11;
输出层的神经元个数为1。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,双曲正切函数如下述公式所示:
2/(1+exp(-2x))-1;
其中,x用于表示BP神经网络神经元的接收到的总输入值。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,输出层不使用激活函数。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,步骤S3具体包括以下步骤:
步骤S31,设置第一待标定数量的环境温度和第二待标定数量的二氧化碳浓度;
步骤S32,将环境温度和二氧化碳浓度进行组合,以获取待标定气体传感器的第三待标定数量的第二采集电压;
其中,第三待标定数量是第一待标定数量和第二待标定数量的乘积。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,气体传感器为二氧化碳红外气体传感器。
优选的,基于BP神经网络的二氧化碳传感器的标定方法,其中,初始气体传感器的所有第一采集电压划分的训练集、验证集和测试集的比例为70:15:15。
还包括一种基于BP神经网络的二氧化碳传感器的标定系统,其中,包括:
第一采集电压获取模块,获取每个初始气体传感器的多个第一采集电压,获取每个第一采集电压的环境温度和/或二氧化碳浓度不同;
候选BP神经网络模型获取模块,创建一待测试BP神经网络,并将初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集,并且依次根据训练集、验证集和测试集对待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
第二采集电压获取模块,获取待标定气体传感器的多个第二采集电压,获取每个第二采集电压的环境温度和/或二氧化碳浓度不同;
计算模块,将第二采集电压和与第二采集电压对应的环境温度输入到每个初始气体传感器对应的候选BP神经网络模型中,以得到每个候选BP神经网络模型对应的输出值,计算第二采集电压对应的输出值和每个第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和;
标定BP神经网络模型获取模块,将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型。
上述技术方案具有如下优点或有益效果:通过较大的测量数据去获取每个初始气体传感器对应的候选BP神经网络模型,并且通过计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和,以及将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型,从而在多个候选BP神经网络模型完成对待标定气体传感器的标定,与传统的标定方法相比有更高的准确性;
采用大量数据获取多个候选BP神经网络模型,随后只需要获取新产生的气体传感器(即待标定气体传感器)的少量第二采集电压就可以实现对待标定气体传感器的标定,从而实现了不需要每个新产生的气体传感器(即待标定气体传感器)根据自己的大量样本数据来单独建立一个数据模型,进而减少标定所需要的时间、人力、物力。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明基于BP神经网络的二氧化碳传感器的标定方法的实施例的流程图。
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的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明包括一种基于BP神经网络的二氧化碳传感器的标定方法,如图1所示,包括以下步骤:
步骤S1,获取每个初始气体传感器的多个第一采集电压,获取每个第一采集电压的环境温度和/或二氧化碳浓度不同;
步骤S2,创建一待测试BP神经网络,并将初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集,并且依次根据训练集、验证集和测试集对待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
步骤S3,获取待标定气体传感器的多个第二采集电压,获取每个第二采集电压的环境温度和/或二氧化碳浓度不同;
步骤S4,将第二采集电压和与第二采集电压对应的环境温度输入到每个初始气体传感器对应的候选BP神经网络模型中,以得到每个候选BP神经网络模型对应的输出值,计算第二采集电压对应的输出值和每个第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和;
步骤S5,将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型。
在上述实施例中,为了完成对红外气体传感器的标定,本实施例通过较大的测量数据去获取每个初始气体传感器对应的候选BP神经网络模型,并且通过计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和,以及将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型,从而在多个候选BP神经网络模型完成对待标定气体传感器的标定,与传统的标定方法相比有更高的准确性。
在上述实施例中,只需要采用大量数据获取多个候选BP神经网络模型,随后只需要获取新产生的气体传感器(即待标定气体传感器)的少量第二采集电压就可以实现对待标定气体传感器的标定,从而实现了不需要每个新产生的气体传感器(即待标定气体传感器)根据自己的大量样本数据来单独建立一个数据模型,进而减少标定所需要的时间、人力、物力。
在上述实施例中,初始气体传感器的数量设置为第一初始数量,第一采集电压的数量可以设置为第二初始数量,其中,任何两个初始气体传感器的第一采集电压的第二初始数量可以不一致,所有初始气体传感器的第一采集电压的第二初始数量可以均一致;
需要说明的是,第一初始数量的取值越大可得到更多的候选BP神经网络,第二初始数量的取值越大可得到越精确的候选BP神经网络模型,但这两个参数越大会耗更多的采集时间,因此第一初始数量和第二初始数量可以根据用户的需求进行自设定。
在上述实施例中,通过在多个候选BP神经网络模型完成对待标定气体传感器的标定,从而提高了气体传感器的准确性和一致性。
作为优选的实施方式,所有初始气体传感器的第一采集电压的第二初始数量可以均一致,此时步骤S1可以具体包括以下步骤:
步骤S11,设置第三初始数量的环境温度和第四初始数量的二氧化碳浓度;
步骤S12,将环境温度和二氧化碳浓度进行组合,以获取初始气体传感器的第二初始数量的第一采集电压;
其中,第二初始数量是第三初始数量和第四初始数量的乘积。
需要说明的是,每个第一采集电压对应于一个初始气体传感器,每个第一采集电压对应于一个环境温度和一个二氧化碳浓度。
进一步地,在上述实施例中,步骤S2具体包括以下步骤:
步骤S21,创建待测试BP神经网络;
步骤S22,将当前的初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集;
步骤S23,将训练集中的第一采集电压和与第一采集电压对应的环境温度作为输入对待测试BP神经网络进行训练,以得到训练好的待测试BP神经网络;
步骤S24,将验证集中的第一采集电压和与第一采集电压对应的环境温度作为输入对训练好的待测试BP神经网络进行验证,并根据验证结果对训练好的待测试BP神经网络进行校正,以得到校正后的待测试BP神经网络;
步骤S25,将测试集中的第一采集电压和与第一采集电压对应的环境温度作为输入对校正后的待测试BP神经网络进行测试,并将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
步骤S26,将下一初始气体传感器作为当前的初始气体传感器,返回执行步骤S22,直到得到每个初始气体传感器的候选BP神经网络模型。
进一步地,在上述实施例中,创建一待测试BP神经网络具体包括以下步骤:
设定待测试BP神经网络的输入层的神经元个数、隐藏层的神经元个数和输出层的神经元个数,隐藏层的激活函数为双曲正切函数。
进一步地,在上述实施例中,输入层的神经元个数为2;
隐藏层的神经元个数为11;
输出层的神经元个数为1。
进一步地,在上述实施例中,双曲正切函数如下述公式所示:
2/(1+exp(-2x))-1;
其中,x用于表示BP神经网络神经元的接收到的总输入值;
需要说明的是,BP神经网络的激活函数是针对单个神经元的操作,单个神经元有多个输入,其总输入是多个输入带权重的总和,激活函数以总输入为x,进行如上述公式所述的双曲正切函数运算后的结果为神经元的输出。
进一步地,在上述实施例中,输出层不使用激活函数
进一步地,在上述实施例中,步骤S3具体包括以下步骤:
步骤S31,设置第一待标定数量的环境温度和第二待标定数量的二氧化碳浓度;
步骤S32,将环境温度和二氧化碳浓度进行组合,以获取待标定气体传感器的第三待标定数量的第二采集电压;
其中,第三待标定数量是第一待标定数量和第二待标定数量的乘积。
进一步地,在上述实施例中,气体传感器为二氧化碳单通道红外气体传感器。
在上述实施例中,红外气体传感器相对其他气体传感器而言响应速度更快,即可以在比较短的时间便开始工作,而且当气体的浓度发生变化时,也能够在短时间内做出响应并达到稳定。
并且单通道红外气体传感器由于只需配置一个滤光片和一个探测器,具有成本低的优点。
进一步地,在上述实施例中,初始气体传感器的所有第一采集电压划分的训练集、验证集和测试集的比例为70:15:15。
进一步地,在上述实施例中,所述第三待标定数量小于所述第二初始数量。
在上述实施例中,获取每个候选BP神经网络模型时均采用大量数据,然而需要获取新产生的气体传感器(即待标定气体传感器)的少量第二采集电压就可以实现对待标定气体传感器的标定,从而实现了不需要每个新产生的气体传感器(即待标定气体传感器)根据自己的大量样本数据来单独建立一个数据模型,进而减少标定所需要的时间、人力、物力。
作为优选的实施方式,初始气体传感器的数量设置为N,第所有初始气体传感器的第一采集电压的第二初始数量可以均一致,并且将第一采集电压的数量可以设置为M,其中,初始气体传感器为没有经过校准的气体传感器;
首先,对每个初始气体传感器采集M个不同环境温度、不同二氧化碳浓度下的第一采集电压(即初始气体传感器输出的电压值);
例如,设置五个环境温度,分别为10度、20度、30度、40度和50度;
并且设置十个二氧化碳浓度,分别为500ppm、1000ppm、1500ppm、2000ppm、2500ppm、3000ppm、3500ppm、4000ppm、4500ppm和5000ppm;
将环境温度和二氧化碳浓度进行组合,以获取待标定气体传感器的五十个第二采集电压。
接着,创建待测试BP神经网络,将当前的初始气体传感器的所有第一采集电压划分为70%的训练集、15%的验证集和15%测试集,将训练集中的第一采集电压和与第一采集电压对应的环境温度作为输入对待测试BP神经网络进行训练,以得到训练好的待测试BP神经网络,将验证集中的第一采集电压和与第一采集电压对应的环境温度作为输入对训练好的待测试BP神经网络进行验证,并根据验证结果对训练好的待测试BP神经网络进行校正,以得到校正后的待测试BP神经网络,将测试集中的第一采集电压和与第一采集电压对应的环境温度作为输入对校正后的待测试BP神经网络进行测试,并将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型,将下一初始气体传感器作为当前的初始气体传感器,重复执行,直到得到N个候选BP神经网络模型;
然后,对一个新生产的待标定气体传感器,设置三个环境温度和每个环境温度下设置两个二氧化碳浓度,以获取待标定气体传感器的六个第二采集电压;
紧接着,对N个上述的候选BP神经网络模型中的每一个分别进行如下操作:将每个第二采集电压对应的环境温度和第二采集电压作为候选BP神经网络模型的输入,得到候选BP神经网络模型的输出值,计算该输出值与该第二采集电压对应的二氧化碳浓度的差值,最终根据这6个差值计算得到它们的绝对值之和;
最后,在N个上述的候选BP神经网络模型中,挑选出绝对值之和最小的候选BP神经网络模型,作为该待标定气体传感器的标定BP神经网络模型,标定BP神经网络模型用于估计二氧化碳浓度。
还包括一种基于BP神经网络的二氧化碳传感器的标定系统,包括:
第一采集电压获取模块,获取每个初始气体传感器的多个第一采集电压,获取每个第一采集电压的环境温度和/或二氧化碳浓度不同;
候选BP神经网络模型获取模块,创建一待测试BP神经网络,并将初始气体传感器的所有第一采集电压划分为训练集、验证集和测试集,并且依次根据训练集、验证集和测试集对待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为初始气体传感器的候选BP神经网络模型;
第二采集电压获取模块,获取待标定气体传感器的多个第二采集电压,获取每个第二采集电压的环境温度和/或二氧化碳浓度不同;
计算模块,将第二采集电压和与第二采集电压对应的环境温度输入到每个初始气体传感器对应的候选BP神经网络模型中,以得到每个候选BP神经网络模型对应的输出值,计算第二采集电压对应的输出值和每个第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个候选BP神经网络模型对应的所有第二采集电压对应的差值的绝对值之和;
标定BP神经网络模型获取模块,将最小的绝对值之和对应的候选BP神经网络模型作为待标定气体传感器的标定BP神经网络模型。
本发明基于BP神经网络的二氧化碳传感器的标定系统的具体实施方式与上述基于BP神经网络的二氧化碳传感器的标定方法各实施例基本相同,在此不再赘述。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,包括以下步骤:
步骤S1,获取每个初始气体传感器的多个第一采集电压,获取每个所述第一采集电压的环境温度和/或二氧化碳浓度不同;
步骤S2,创建一待测试BP神经网络,并将所述初始气体传感器的所有所述第一采集电压划分为训练集、验证集和测试集,并且依次根据所述训练集、所述验证集和所述测试集对所述待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为所述初始气体传感器的候选BP神经网络模型;
步骤S3,获取待标定气体传感器的多个第二采集电压,获取每个所述第二采集电压的环境温度和/或二氧化碳浓度不同;
步骤S4,将所述第二采集电压和与所述第二采集电压对应的环境温度输入到每个所述初始气体传感器对应的候选BP神经网络模型中,以得到每个所述候选BP神经网络模型对应的输出值,计算所述第二采集电压对应的所述输出值和每个所述第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个所述候选BP神经网络模型对应的所有所述第二采集电压对应的差值的绝对值之和;
步骤S5,将最小的绝对值之和对应的所述候选BP神经网络模型作为所述待标定气体传感器的标定BP神经网络模型。
2.如权利要求1所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21,创建所述待测试BP神经网络;
步骤S22,将当前的所述初始气体传感器的所有所述第一采集电压划分为所述训练集、所述验证集和所述测试集;
步骤S23,将所述训练集中的所述第一采集电压和与所述第一采集电压对应的环境温度作为输入对所述待测试BP神经网络进行训练,以得到训练好的所述待测试BP神经网络;
步骤S24,将所述验证集中的所述第一采集电压和与所述第一采集电压对应的环境温度作为输入对训练好的所述待测试BP神经网络进行验证,并根据验证结果对训练好的所述待测试BP神经网络进行校正,以得到校正后的所述待测试BP神经网络;
步骤S25,将所述测试集中的所述第一采集电压和与所述第一采集电压对应的环境温度作为输入对校正后的所述待测试BP神经网络进行测试,并将通过测试的所述待测试BP神经网络作为所述初始气体传感器的候选BP神经网络模型;
步骤S26,将下一所述初始气体传感器作为当前的所述初始气体传感器,返回执行步骤S22,直到得到每个所述初始气体传感器的所述候选BP神经网络模型。
3.如权利要求1所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述创建一待测试BP神经网络具体包括以下步骤:
设定待测试BP神经网络的输入层的神经元个数、隐藏层的神经元个数和输出层的神经元个数,所述隐藏层的激活函数为双曲正切函数。
4.如权利要求3所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述输入层的神经元个数为2;
所述隐藏层的神经元个数为11;
所述输出层的神经元个数为1。
5.如权利要求3所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述双曲正切函数如下述公式所示:
2/(1+exp(-2x))-1;
其中,x用于表示所述BP神经网络神经元的接收到的总输入值。
6.如权利要求3所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述输出层不使用激活函数。
7.如权利要求1所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述步骤S3具体包括以下步骤:
步骤S31,设置第一待标定数量的环境温度和第二待标定数量的二氧化碳浓度;
步骤S32,将环境温度和二氧化碳浓度进行组合,以获取待标定气体传感器的第三待标定数量的所述第二采集电压;
其中,所述第三待标定数量是所述第一待标定数量和所述第二待标定数量的乘积。
8.如权利要求1所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述气体传感器为二氧化碳红外气体传感器。
9.如权利要求1所述的基于BP神经网络的二氧化碳传感器的标定方法,其特征在于,所述初始气体传感器的所有所述第一采集电压划分的所述训练集、所述验证集和所述测试集的比例为70:15:15。
10.一种基于BP神经网络的二氧化碳传感器的标定系统,其特征在于,包括:
第一采集电压获取模块,获取每个初始气体传感器的多个第一采集电压,获取每个所述第一采集电压的环境温度和/或二氧化碳浓度不同;
候选BP神经网络模型获取模块,创建一待测试BP神经网络,并将所述初始气体传感器的所有所述第一采集电压划分为训练集、验证集和测试集,并且依次根据所述训练集、所述验证集和所述测试集对所述待测试BP神经网络进行训练、验证和测试,以将通过测试的待测试BP神经网络作为所述初始气体传感器的候选BP神经网络模型;
第二采集电压获取模块,获取待标定气体传感器的多个第二采集电压,获取每个所述第二采集电压的环境温度和/或二氧化碳浓度不同;
计算模块,将所述第二采集电压和与所述第二采集电压对应的环境温度输入到每个所述初始气体传感器对应的候选BP神经网络模型中,以得到每个所述候选BP神经网络模型对应的输出值,计算所述第二采集电压对应的所述输出值和每个所述第二采集电压对应的二氧化碳浓度之间的差值,并计算得到每个所述候选BP神经网络模型对应的所有所述第二采集电压对应的差值的绝对值之和;
标定BP神经网络模型获取模块,将最小的绝对值之和对应的所述候选BP神经网络模型作为所述待标定气体传感器的标定BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038327.8A CN112683836B (zh) | 2021-01-12 | 2021-01-12 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038327.8A CN112683836B (zh) | 2021-01-12 | 2021-01-12 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112683836A true CN112683836A (zh) | 2021-04-20 |
CN112683836B CN112683836B (zh) | 2022-11-01 |
Family
ID=75457614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110038327.8A Active CN112683836B (zh) | 2021-01-12 | 2021-01-12 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683836B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087131A (zh) * | 2023-04-11 | 2023-05-09 | 南京科力赛克安防科技有限公司 | 一种紫外差分气体分析仪的数据处理方法及系统 |
WO2024069919A1 (ja) * | 2022-09-30 | 2024-04-04 | Tdk株式会社 | 機械学習器及び二酸化炭素濃度測定装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352907A (zh) * | 2015-11-27 | 2016-02-24 | 南京信息工程大学 | 基于径向基网络温度补偿的红外气体传感器及检测方法 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 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 |
CN109946424A (zh) * | 2019-03-08 | 2019-06-28 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的气体标定分类方法及系统 |
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 |
WO2020018069A1 (en) * | 2018-07-16 | 2020-01-23 | Halliburton Energy Services, Inc. | Optical sensor adaptive calibration |
CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
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 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
-
2021
- 2021-01-12 CN CN202110038327.8A patent/CN112683836B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352907A (zh) * | 2015-11-27 | 2016-02-24 | 南京信息工程大学 | 基于径向基网络温度补偿的红外气体传感器及检测方法 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
WO2020018069A1 (en) * | 2018-07-16 | 2020-01-23 | Halliburton Energy Services, Inc. | Optical sensor adaptive calibration |
CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 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 |
CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
CN109946424A (zh) * | 2019-03-08 | 2019-06-28 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的气体标定分类方法及系统 |
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 |
CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
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 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024069919A1 (ja) * | 2022-09-30 | 2024-04-04 | Tdk株式会社 | 機械学習器及び二酸化炭素濃度測定装置 |
CN116087131A (zh) * | 2023-04-11 | 2023-05-09 | 南京科力赛克安防科技有限公司 | 一种紫外差分气体分析仪的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112683836B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cross et al. | Use of electrochemical sensors for measurement of air pollution: correcting interference response and validating measurements | |
Spinelle et al. | Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2 | |
CN112683836B (zh) | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 | |
Spinelle et al. | Field calibration of a cluster of low-cost available sensors for air quality monitoring. Part A: Ozone and nitrogen dioxide | |
CN102183468B (zh) | 多组分气体分析的干扰修正与浓度反演方法 | |
CN108287141A (zh) | 一种基于光谱法的多组分气体浓度分析方法 | |
CN109709267B (zh) | 一种基于电子鼻的烟叶醇化品质评价方法及系统 | |
CN104897599A (zh) | 用于检测物质的方法和装置 | |
CN109781809B (zh) | 一种甲醛浓度人工智能测算方法 | |
Wang et al. | Back propagation neural network model for temperature and humidity compensation of a non dispersive infrared methane sensor | |
CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
CN111007035A (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
Tang et al. | On-line multi-component alkane mixture quantitative analysis using Fourier transform infrared spectrometer | |
CN111458395A (zh) | 一种改变q值的卡尔曼滤波方法、装置及可读存储介质 | |
ZA202400184B (en) | Method for quickly determining fermentation stage and characteristic aroma of soy sauce based on hs-ptr-tof-ms | |
CN103558182A (zh) | 一种用于激光气体在线分析仪确定气体浓度的方法 | |
Kim et al. | ML-based humidity and temperature calibration system for heterogeneous MOx sensor array in ppm-level BTEX monitoring | |
CN113758891B (zh) | 混合气体组分浓度计算方法、装置、设备及存储介质 | |
EP3892985A1 (en) | System and computer-implemented method for extrapolating calibration spectra | |
WO2022049378A1 (en) | Automated sensor calibration device | |
CN110455902B (zh) | 一种环境检测多标样快速校准的方法 | |
Rivera Martinez et al. | Reconstruction of high-frequency methane atmospheric concentration peaks from measurements using metal oxide low-cost sensors | |
CN112903617A (zh) | 基于曲面拟合的二氧化碳气体传感器的标定方法及其系统 | |
Murugan et al. | ELENA: A low-cost portable electronic nose for alcohol characterization | |
CN114002303B (zh) | 冷链物流中气体感知的校准方法及多源感知装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |