CN114088890B - 基于深度bp神经网络的自适应温湿度补偿方法及系统 - Google Patents

基于深度bp神经网络的自适应温湿度补偿方法及系统 Download PDF

Info

Publication number
CN114088890B
CN114088890B CN202210076249.5A CN202210076249A CN114088890B CN 114088890 B CN114088890 B CN 114088890B CN 202210076249 A CN202210076249 A CN 202210076249A CN 114088890 B CN114088890 B CN 114088890B
Authority
CN
China
Prior art keywords
layer
neural network
deep
activation function
gas concentration
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.)
Active
Application number
CN202210076249.5A
Other languages
English (en)
Other versions
CN114088890A (zh
Inventor
李娴
王震
颜瑞
李言浩
李哲敏
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.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
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 Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202210076249.5A priority Critical patent/CN114088890B/zh
Publication of CN114088890A publication Critical patent/CN114088890A/zh
Application granted granted Critical
Publication of CN114088890B publication Critical patent/CN114088890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • 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
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
    • G06F3/0445—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means using two or more layers of sensing electrodes, e.g. using two layers of electrodes separated by a dielectric layer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/08—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers from or to individual record carriers, e.g. punched card, memory card, integrated circuit [IC] card or smart card

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Medicinal Chemistry (AREA)
  • Human Computer Interaction (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于深度BP神经网络的自适应温湿度补偿方法及系统，包括：获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值，并将上述信息输入到NO2气体浓度检测模型中以确定当前阶段目标区域的NO2气体浓度值；其中，NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的。本发明具有自学习能力强、自适应能力强、环境适应性强等优点，能够达到精准监测的目的。

Description

基于深度BP神经网络的自适应温湿度补偿方法及系统
技术领域
本发明涉及气体传感技术领域，特别是涉及一种基于深度BP神经网络的自适应温湿度补偿方法及系统。
背景技术
在工农业生产中，大量的NO2排放造成了严重的氮污染问题，对NO2进行准确检测，是预防氮污染，促进生态环境可持续发展的重要举措。然而，在复杂环境中，温度和湿度的不断变化对NO2传感器的精度造成了一定影响。因此，建立温湿度补偿模型是降低温湿度对气敏元件的影响，从而实现对污染气体进行精准监测的有效途径。
常用的气体传感器补偿算法多为硬件补偿法、线性回归拟合算法、非线性回归拟合算法、机器学习算法。其中，硬件补偿法完全依赖于传感器硬件本身的性能，泛化能力差；线性回归拟合算法对非线性数据的拟合度不足，预测精度较低，不适合对温湿度进行补偿；非线性回归算法和机器学习算法的泛化能力较差，学习能力较弱，补偿误差较大，同时在复杂的温湿度环境下，缺乏自适应能力和自学习能力。
发明内容
针对现有软件补偿技术的泛化能力、自学习能力、自适应能力均不强的现状，本发明提供了一种基于深度BP神经网络的自适应温湿度补偿方法及系统，具有自学习能力强、自适应能力强、环境适应性强等优点，达到精准监测的目的。
为实现上述目的，本发明提供了如下方案：
一种基于深度BP神经网络的自适应温湿度补偿方法，包括：
获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值；
将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值；
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值。
可选的，所述将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值，具体包括：
对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理；
将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
可选的，所述NO2气体浓度检测模型的确定过程为：
构建深度BP神经网络模型；所述深度BP神经网络模型为14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层；
构建样本数据，并对所述样本数据进行批标准化处理；
将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
可选的，所述输入层连接第一线性层的输入端；所述第一线性层的输出端连接第一Softplus激活函数层的输入端，所述第一Softplus激活函数层的输出端连接第二线性层的输入端；所述第二线性层的输出端连接第二Softplus激活函数层的输入端，所述第二Softplus激活函数层的输出端连接第三线性层的输入端；所述第三线性层的输出端连接第三Softplus激活函数层的输入端，所述第三Softplus激活函数层的输出端连接第四线性层的输入端；所述第四线性层的输出端连接第四Softplus激活函数层的输入端，所述第四Softplus激活函数层的输出端连接第五线性层的输入端；所述第五线性层的输出端连接第五Softplus激活函数层的输入端，所述第五Softplus激活函数层的输出端连接第六线性层的输入端；所述第六线性层的输出端连接所述ReLu激活函数层的输入端，所述ReLu激活函数层的输出端连接所述输出层。
可选的，所述将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型，具体包括：
采用Mini-batch算法，对训练集中的批标准化处理后的样本数据进行处理，形成多个Mini-batch；
将每一个Mini-batch依次输入至深度BP神经网络模型中，以对深度BP神经网络模型进行训练；
利用测试集中的批标准化处理后的样本数据验证训练后的深度BP神经网络模型的预测精准度；
将目标深度BP神经网络模型的权重系数保留，进而得到NO2气体浓度检测模型；所述目标深度BP神经网络模型为预测精准度符合预设值的深度BP神经网络模型。
可选的，所述将每一个Mini-batch依次输入至深度BP神经网络模型中，以对深度BP神经网络模型进行训练，具体包括：
将每一个Mini-batch依次输入至深度BP神经网络模型中，并采用随机梯度下降算法对深度BP神经网络模型进行训练。
可选的，所述深度BP神经网络模型的函数为MSE损失函数。
一种基于深度BP神经网络的自适应温湿度补偿系统，包括：
信息获取模块，用于获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值；
气体浓度值确定模块，用于将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值；
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值。
可选的，所述气体浓度值确定模块，具体包括：
预处理单元，用于对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理；
气体浓度值确定单元，用于将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
可选的，所述NO2气体浓度检测模型的确定过程为：
构建深度BP神经网络模型；所述深度BP神经网络模型为14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层；
构建样本数据，并对所述样本数据进行批标准化处理；
将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的温湿度补偿算法，采用深度BP神经网络模型作为算法的基础架构，其预测精度高，泛化能力强，同时拥有自学习能力和环境适应性，进而达到精准监测的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于深度BP神经网络的自适应温湿度补偿方法的流程示意图；
图2为本发明深度BP神经网络模型的结构图；
图3为本发明Mini-batch算法原理图；
图4为本发明Mini-batch算法效果对比图；
图5为本发明训练过程中的部分曲线图；图5(a)MSE损失函数下降曲线图，图5(b)测试集的NO2浓度预测结果示意图；
图6为本发明一种基于深度BP神经网络的自适应温湿度补偿系统的结构示意图。
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做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。
本发明针对NO2气敏元件或者NO2传感器在温湿度不断变化的环境中存在的测量误差问题，提供一种基于深度BP神经网络的自适应温湿度补偿方法及系统，具有自学习能力强、自适应能力强、环境适应性强等优点，进而达到精准监测的目的。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参见图1，本实施例提供的一种基于深度BP神经网络的自适应温湿度补偿方法，包括以下步骤。
步骤101：获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值。
步骤102：将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值。
本实施例所需的样本数据是基于PdS薄膜的NO2传感器和商用NO2传感器所获得的。
作为一种优选地具体实施方式，本实施例所述的步骤102具体包括：
首先对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理；然后将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
下面详细介绍下NO2气体浓度检测模型的确定过程。
所述NO2气体浓度检测模型的确定过程为：
步骤A：构建深度BP神经网络模型。
经过超参数搜索，将深度BP神经网络模型设计为如图2所示的14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层。为了将网络的输出值映射为正数，将ReLu激活函数层设为输出层的前一层。具体为：
所述输入层连接第一线性层的输入端；所述第一线性层的输出端连接第一Softplus激活函数层的输入端，所述第一Softplus激活函数层的输出端连接第二线性层的输入端；所述第二线性层的输出端连接第二Softplus激活函数层的输入端，所述第二Softplus激活函数层的输出端连接第三线性层的输入端；所述第三线性层的输出端连接第三Softplus激活函数层的输入端，所述第三Softplus激活函数层的输出端连接第四线性层的输入端；所述第四线性层的输出端连接第四Softplus激活函数层的输入端，所述第四Softplus激活函数层的输出端连接第五线性层的输入端；所述第五线性层的输出端连接第五Softplus激活函数层的输入端，所述第五Softplus激活函数层的输出端连接第六线性层的输入端；所述第六线性层的输出端连接所述ReLu激活函数层的输入端，所述ReLu激活函数层的输出端连接所述输出层。
每条连接线代表一个权重系数，训练前该深度BP神经网络模型的权重系数均为随机数，训练后该深度BP神经网络模型的权重系数为适合温湿度补偿的最优权重。
步骤B：构建样本数据，并对所述样本数据进行批标准化处理。
为了使深度BP神经网络模型的训练收敛速度更快，深度BP神经网络模型的精度更高，本实施例将样本数据进行批标准化处理，其处理公式如下。
Figure 357678DEST_PATH_IMAGE001
（1）；
其中，
Figure 743660DEST_PATH_IMAGE002
是批标准化处理后的样本数据，x是样本数据，
Figure 851293DEST_PATH_IMAGE003
是当前特征的均值，
Figure 43240DEST_PATH_IMAGE004
是当前特征的方差。
进一步地，步骤B具体包括：
构建样本数据，并对所述样本数据进行划分，分别为训练集（参见表1）和测试集（参见表2）。
对训练集中的样本数据和测试集中的样本数据均进行批标准化处理。
表1 训练集原始样本数据表
样本标号 温度(℃) 湿度(%RH) 传感器的响应电阻(Ω) 真实NO<sub>2</sub>浓度(ppm)
1 10 20 1600837 0
2 10 30 1804991.75 0
3 10 40 1937398.5 0
4 10 60 2369037.5 0
5 10 70 2684324.25 0
6 10 80 3340348.75 0
7 10 90 3876466 0
8 10 20 603307.188 2
9 10 30 568628.812 2
10 10 40 575417.563 2
11 10 50 593179.937 2
12 10 60 666894.687 2
13 10 70 1261112 2
14 10 80 1541232.25 2
15 10 90 1711152.75 2
16 10 20 526590.937 4
17 10 30 524002.312 4
18 10 40 529552.563 4
19 10 50 560962.438 4
20 10 60 595629.875 4
21 10 70 673886.313 4
22 10 80 1171750.38 4
23 10 90 1480341.5 4
24 10 20 394947.906 6
25 10 40 398154.687 6
26 10 50 431763.188 6
27 10 60 475230.875 6
28 10 70 529695.5 6
29 10 80 594463.375 6
30 10 90 604085.875 6
31 10 20 301927.281 8
32 10 30 300326.656 8
33 10 40 310998.75 8
34 10 50 342214.469 8
35 10 60 370386.25 8
36 10 70 434376.062 8
37 10 80 460240.313 8
38 10 90 506072.91 8
39 10 20 253827.266 10
40 10 30 253231.828 10
41 10 40 263943.156 10
42 10 50 289765.563 10
43 10 60 326957.875 10
44 10 70 344395.969 10
45 10 80 419253.906 10
46 10 90 454416.719 10
47 20 20 2116210.5 0
48 20 30 2456731.75 0
49 20 40 2665861.25 0
50 20 50 3092741.25 0
51 20 60 4122504.75 0
52 20 80 4908603.5 0
53 20 90 6114901 0
54 20 20 533426.875 2
55 20 30 556722.25 2
56 20 40 598484.688 2
57 20 50 673980.938 2
58 20 60 1511349.38 2
59 20 70 1853652.38 2
60 20 80 2165005.5 2
61 20 90 2836291.5 2
62 20 20 462870.844 4
63 20 30 467760.625 4
64 20 50 544143.125 4
65 20 60 676197.25 4
66 20 70 1336029.38 4
67 20 80 1520130.88 4
68 20 90 1959407.88 4
69 20 20 374054.719 6
70 20 30 387093.375 6
71 20 50 450399 6
72 20 60 534272.937 6
73 20 70 604414.688 6
74 20 80 1124230.12 6
75 20 90 1333354.38 6
76 20 20 313049.875 8
77 20 30 325929.844 8
78 20 40 337281.25 8
79 20 50 391054.531 8
80 20 60 469887.531 8
81 20 70 535526.5 8
82 20 80 589760.375 8
83 20 90 692597.313 8
84 20 20 278307.719 10
85 20 30 292425.188 10
86 20 40 321619.062 10
87 20 50 357347.562 10
88 20 60 421154.75 10
89 20 70 461580.844 10
90 20 80 530438.813 10
91 20 90 609362 10
92 30 30 5324552.5 0
93 30 50 6807714 0
94 30 60 8388093 0
95 30 70 10174800 0
96 30 80 12578900 0
97 30 90 12023500 0
98 30 20 1646474.25 2
99 30 30 1624026.37 2
100 30 40 1562793.25 2
101 30 50 1737379.63 2
102 30 60 2415088.5 2
103 30 70 3327866.75 2
104 30 80 4099470 2
105 30 90 3960386.25 2
106 30 20 1259239.75 4
107 30 30 1181955.37 4
108 30 40 1105568.38 4
109 30 50 1262237.12 4
110 30 60 1648043 4
111 30 70 2162861.75 4
112 30 80 2526691 4
113 30 90 2547797 4
114 30 20 587904.75 6
115 30 40 563377.563 6
116 30 50 642205.188 6
117 30 60 1175590.5 6
118 30 70 1502193.5 6
119 30 80 1662379.63 6
120 30 90 1852679.75 6
121 30 20 465510.969 8
122 30 30 466491.5 8
123 30 40 514416.625 8
124 30 50 559108.562 8
125 30 60 662007.678 8
126 30 70 1159033.5 8
127 30 80 1257466.87 8
128 30 90 1438560 8
129 30 20 418045.438 10
130 30 30 422645.844 10
131 30 40 451440.406 10
132 30 60 600288.25 10
133 30 70 730894.062 10
134 30 80 770908.313 10
135 30 90 1250192.37 10
136 40 20 12218200 0
137 40 40 21328600 0
138 40 50 29554300 0
139 40 60 35143400 0
140 40 80 45098200 0
141 40 90 52031600 0
142 40 20 2522073.75 2
143 40 30 2879341.5 2
144 40 40 3524528 2
145 40 50 5092851.5 2
146 40 60 7262128.5 2
147 40 70 8848709 2
148 40 80 9790275 2
149 40 90 13695200 2
150 40 20 1744739 4
151 40 40 2374938.75 4
152 40 50 3357542.5 4
153 40 60 4725779 4
154 40 70 5768141.5 4
155 40 90 9168653 4
156 40 20 1359411.75 6
157 40 30 1550118.5 6
158 40 40 1860246.38 6
159 40 50 2502642.75 6
160 40 60 3331016.75 6
161 40 70 4268078 6
162 40 80 4699684 6
163 40 90 6741278.5 6
164 40 20 1185186.38 8
165 40 30 1304658.88 8
166 40 50 2075445.62 8
167 40 60 2692019.25 8
168 40 70 3470177.25 8
169 40 80 3696076 8
170 40 90 5201926.5 8
171 40 20 688300.125 10
172 40 30 1208066.25 10
173 40 40 1463830.88 10
174 40 50 1871265.25 10
175 40 60 2299116.25 10
176 40 70 2958402.75 10
177 40 80 3441000.75 10
178 40 90 5008772.5 10
179 50 20 50225600 0
180 50 30 74523000 0
181 50 40 69913200 0
182 50 50 108817000 0
183 50 60 106086000 0
184 50 70 89809600 0
185 50 80 93575000 0
186 50 90 110153000 0
187 50 20 11325300 2
188 50 30 21120600 2
189 50 40 21854400 2
190 50 50 25675600 2
191 50 60 23408100 2
192 50 70 26252100 2
193 50 80 23788800 2
194 50 90 27113100 2
195 50 20 7953039 4
196 50 30 13062000 4
197 50 40 11496700 4
198 50 50 15857900 4
199 50 60 16142400 4
200 50 70 17571600 4
201 50 80 16783400 4
202 50 90 20009300 4
203 50 20 5366496.5 6
204 50 30 7235066 6
205 50 40 5420849.5 6
206 50 50 12727200 6
207 50 60 13562200 6
208 50 70 11987600 6
209 50 80 12302100 6
210 50 90 15146000 6
211 50 20 4261310 8
212 50 30 4642702.5 8
213 50 40 4572366.5 8
214 50 50 10034100 8
215 50 60 9956323 8
216 50 70 9643195 8
217 50 80 9971166 8
218 50 90 11997900 8
219 50 20 3793564.75 10
220 50 30 3800245.5 10
221 50 40 4400165 10
222 50 50 7797404 10
223 50 60 8374134.5 10
224 50 70 8509612 10
225 50 80 8974882 10
步骤C：将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
其中，步骤C进一步包括：
步骤C1：采用Mini-batch算法，对训练集中的批标准化处理后的样本数据进行处理，形成多个Mini-batch。
一个示例：为了平衡算法复杂度与计算性能，使用Mini-batch算法对批标准化处理后的样本数据进行批量化处理。如图3所示，首先将所述训练集中的预处理后的样本数据的顺序打乱，然后以每6个样本（即预处理后的样本数据）为一组形成一个Mini-batch。
步骤C2：将每一个Mini-batch（含6个样本）依次输入至深度BP神经网络模型中，以对深度BP神经网络模型进行训练。
一个示例：将每个Mini-batch（含6个样本）依次输入至深度BP神经网络模型中，并采用SGD（随机梯度下降）算法对深度BP神经网络模型进行训练。
MSE损失函数定义为
Figure 185508DEST_PATH_IMAGE005
（2）；
其中，
Figure 601446DEST_PATH_IMAGE006
为单个样本的预测浓度，
Figure 71742DEST_PATH_IMAGE007
为对应
Figure 864117DEST_PATH_IMAGE006
的真实浓度，batch_size为Mini-batch算法的参数（设置为6）。
为了防止过拟合，减少测试集的泛化误差，对MSE损失函数进行L 2 正则化。设置学习率为0.01，使用Adamax优化器执行BP算法，对以下MSE损失函数（经过L 2 正则化后的函数）进行全局寻优，从而对网络的权重
Figure 860892DEST_PATH_IMAGE008
进行更新。
Figure 323097DEST_PATH_IMAGE009
（3）；
其中，
Figure 405323DEST_PATH_IMAGE010
是惩罚系数，
Figure 939072DEST_PATH_IMAGE011
是惩罚系数。
当网络权重更新为适合温湿度补偿的最优权重时，结束训练。
步骤C3：利用测试集中的批标准化处理后的样本数据验证训练后的深度BP神经网络模型的预测精准度，并将目标深度BP神经网络模型的权重系数保留，进而得到NO2气体浓度检测模型；所述目标深度BP神经网络模型为预测精准度符合预设值的深度BP神经网络模型。
一个示例为：只需将测试集中15个测试样本（温度值、湿度值、响应电阻值）分别输入至训练后的深度BP神经网络模型，即可输出这15个测试样本所对应的预测NO2浓度
Figure 790354DEST_PATH_IMAGE006
。
表2 测试集原始样本数据及算法预测浓度表
Figure 689040DEST_PATH_IMAGE012
可以看出，经过该NO2气体浓度检测模型的温湿度补偿，预测NO2浓度
Figure 258561DEST_PATH_IMAGE006
与真实NO2浓度
Figure 127160DEST_PATH_IMAGE007
的差距极小。此时，MSE损失函数
Figure 973893DEST_PATH_IMAGE013
达到了全局最小值0.0087，温湿度对气敏元件的影响得以降低，从而实现了温湿度补偿。
图4为Mini-batch算法效果对比图，分别展示了BGD算法、SGD算法、SGD算法分别结合Mini-batch算法后，MSE损失函数的寻优效果与训练时间。从图4可以看出，随着训练轮数的增加，SGD算法结合Mini-batch算法的训练效果最优，经过1000轮训练便可使MSE损失函数降到1.104左右，SGD算法的寻优效果与之相接近。相比之下，BGD算法的MSE损失函数寻优效果并不理想。图4中的插图还对比了三种算法所需要的训练时间，可以看出，SGD算法的所需的训练时间最长，BGD算法所需要的训练时间最短，SGD算法结合Mini-batch算法所需的训练时间仅少量增加。因此，Mini-batch算法在保证MSE损失函数寻优效果的基础上，充分利用了CPU或GPU的并行计算能力，加快了训练速度。
图5(a)为训练集和测试集在损失函数寻优过程中的MSE值的变化曲线，第21586轮训练中，测试集的MSE损失函数达到了全局最小值0.0087。图5(b)为当MSE达到全局最优时，将测试集输入至模型所得到的浓度预测结果与已知标准浓度的对比。由柱状图可以看出，预测值和标准值的差异很小，因此，该算法的预测精准度较高。
实施例二
为实现上述目的，本发明还提供了一种基于深度BP神经网络的自适应温湿度补偿系统，如图6所示，包括：
信息获取模块601，用于获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值。
气体浓度值确定模块602，用于将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值。
所述NO2气体浓度检测模型的确定过程为：
构建深度BP神经网络模型；所述深度BP神经网络模型为14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层；构建样本数据，并对所述样本数据进行批标准化处理；将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
进一步地，所述气体浓度值确定模块602，具体包括：
预处理单元，用于对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理。
气体浓度值确定单元，用于将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
本发明所提供的温湿度补偿算法，采用深度BP神经网络模型作为算法的基础架构，其预测精度高，泛化能力强，同时拥有自学习能力和环境适应性。采用批标准化算法对训练数据进行前处理，加快了算法的收敛速度，提高了模型的预测精度。采用Softplus激活函数作为网络隐藏层的激活函数，避免了“梯度消失”问题。采用Mini-batch算法对SGD（随机梯度下降算法）所需要的样本数据进行批量处理，在保证MSE损失函数寻优效果的基础上，充分利用了CPU或GPU的并行计算能力，加快了训练速度。此外，采用Adamax优化器执行BP算法，极大地提高了算法的全局寻优能力和模型的稳定性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，包括：
获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值；
将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值；
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值；
所述深度BP神经网络模型为14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层；
所述输入层连接第一线性层的输入端；所述第一线性层的输出端连接第一Softplus激活函数层的输入端，所述第一Softplus激活函数层的输出端连接第二线性层的输入端；所述第二线性层的输出端连接第二Softplus激活函数层的输入端，所述第二Softplus激活函数层的输出端连接第三线性层的输入端；所述第三线性层的输出端连接第三Softplus激活函数层的输入端，所述第三Softplus激活函数层的输出端连接第四线性层的输入端；所述第四线性层的输出端连接第四Softplus激活函数层的输入端，所述第四Softplus激活函数层的输出端连接第五线性层的输入端；所述第五线性层的输出端连接第五Softplus激活函数层的输入端，所述第五Softplus激活函数层的输出端连接第六线性层的输入端；所述第六线性层的输出端连接所述ReLu激活函数层的输入端，所述ReLu激活函数层的输出端连接所述输出层。
2.根据权利要求1所述的一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，所述将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值，具体包括：
对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理；
将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
3.根据权利要求1所述的一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，所述NO2气体浓度检测模型的确定过程为：
构建深度BP神经网络模型；
构建样本数据，并对所述样本数据进行批标准化处理；
将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
4.根据权利要求3所述的一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，所述将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型，具体包括：
采用Mini-batch算法，对训练集中的批标准化处理后的样本数据进行处理，形成多个Mini-batch；
将每一个Mini-batch依次输入至深度BP神经网络模型中，以对深度BP神经网络模型进行训练；
利用测试集中的批标准化处理后的样本数据验证训练后的深度BP神经网络模型的预测精准度；
将目标深度BP神经网络模型的权重系数保留，进而得到NO2气体浓度检测模型；所述目标深度BP神经网络模型为预测精准度符合预设值的深度BP神经网络模型。
5.根据权利要求4所述的一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，所述将每一个Mini-batch依次输入至深度BP神经网络模型中，以对深度BP神经网络模型进行训练，具体包括：
将每一个Mini-batch依次输入至深度BP神经网络模型中，并采用随机梯度下降算法对深度BP神经网络模型进行训练。
6.根据权利要求5所述的一种基于深度BP神经网络的自适应温湿度补偿方法，其特征在于，所述深度BP神经网络模型的函数为MSE损失函数。
7.一种基于深度BP神经网络的自适应温湿度补偿系统，其特征在于，包括：
信息获取模块，用于获取当前阶段目标区域的环境信息和NO2传感器响应电阻；所述环境信息包括温度值和湿度值；
气体浓度值确定模块，用于将当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值；
其中，所述NO2气体浓度检测模型是根据深度BP神经网络模型和样本数据确定的；所述样本数据包括输入数据和标签数据；所述输入数据包括样本温度值、样本湿度值和样本NO2传感器响应电阻；所述标签数据为样本NO2气体浓度值；
所述深度BP神经网络模型为14层深度全连接神经网络，其中，6层为线性层，5层为Softplus激活函数层，1层为ReLu激活函数层，1层为输入层，1层为输出层；
所述输入层连接第一线性层的输入端；所述第一线性层的输出端连接第一Softplus激活函数层的输入端，所述第一Softplus激活函数层的输出端连接第二线性层的输入端；所述第二线性层的输出端连接第二Softplus激活函数层的输入端，所述第二Softplus激活函数层的输出端连接第三线性层的输入端；所述第三线性层的输出端连接第三Softplus激活函数层的输入端，所述第三Softplus激活函数层的输出端连接第四线性层的输入端；所述第四线性层的输出端连接第四Softplus激活函数层的输入端，所述第四Softplus激活函数层的输出端连接第五线性层的输入端；所述第五线性层的输出端连接第五Softplus激活函数层的输入端，所述第五Softplus激活函数层的输出端连接第六线性层的输入端；所述第六线性层的输出端连接所述ReLu激活函数层的输入端，所述ReLu激活函数层的输出端连接所述输出层。
8.根据权利要求7所述的一种基于深度BP神经网络的自适应温湿度补偿系统，其特征在于，所述气体浓度值确定模块，具体包括：
预处理单元，用于对当前阶段目标区域的所述环境信息和所述NO2传感器响应电阻进行批标准化处理；
气体浓度值确定单元，用于将批标准化处理后的环境信息和批标准化处理后的传感器响应电阻输入到NO2气体浓度检测模型中，以确定当前阶段目标区域的NO2气体浓度值。
9.根据权利要求7所述的一种基于深度BP神经网络的自适应温湿度补偿系统，其特征在于，所述NO2气体浓度检测模型的确定过程为：
构建深度BP神经网络模型；
构建样本数据，并对所述样本数据进行批标准化处理；
将批标准化处理后的样本数据对所述深度BP神经网络模型进行训练，得到NO2气体浓度检测模型。
CN202210076249.5A 2022-01-24 2022-01-24 基于深度bp神经网络的自适应温湿度补偿方法及系统 Active CN114088890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076249.5A CN114088890B (zh) 2022-01-24 2022-01-24 基于深度bp神经网络的自适应温湿度补偿方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076249.5A CN114088890B (zh) 2022-01-24 2022-01-24 基于深度bp神经网络的自适应温湿度补偿方法及系统

Publications (2)

Publication Number Publication Date
CN114088890A CN114088890A (zh) 2022-02-25
CN114088890B true CN114088890B (zh) 2022-04-19

Family

ID=80309161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076249.5A Active CN114088890B (zh) 2022-01-24 2022-01-24 基于深度bp神经网络的自适应温湿度补偿方法及系统

Country Status (1)

Country Link
CN (1) CN114088890B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216938B (zh) * 2022-02-23 2022-06-24 浙江正泰仪器仪表有限责任公司 一种气体浓度检测补偿方法及装置
TWI812051B (zh) * 2022-03-08 2023-08-11 國立臺灣師範大學 有機氣體濃度預測方法
CN116754641B (zh) * 2023-08-23 2023-11-14 湖北工业大学 一种氢气浓度检测装置及方法
CN117147631A (zh) * 2023-10-30 2023-12-01 南京沃唐光电科技有限公司 一种基于区域环境分析的气体智能检测预警方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021188354A1 (en) * 2020-03-14 2021-09-23 DataRobot, Inc. Automated and adaptive design and training of neural networks
CN111812181A (zh) * 2020-07-21 2020-10-23 艾感科技(广东)有限公司 一种气体传感器的远程校准方法及系统
CN112182961B (zh) * 2020-09-23 2023-01-31 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112507277A (zh) * 2020-10-28 2021-03-16 绍兴精宸智能科技有限公司 一种基于电信号的快速振幅预测算法
CN113702317B (zh) * 2021-08-30 2023-10-27 中国农业科学院农业信息研究所 一种流域面源污染组分传感器、监测系统及方法

Also Published As

Publication number Publication date
CN114088890A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN114088890B (zh) 基于深度bp神经网络的自适应温湿度补偿方法及系统
CN107247989B (zh) 一种实时的计算机视觉处理方法及装置
CN105891422B (zh) 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
CN108399201B (zh) 一种基于循环神经网络的Web用户访问路径预测方法
CN109799269B (zh) 基于动态特征重要度的电子鼻气体传感器阵列优化方法
CN105913079B (zh) 基于目标域迁移极限学习的电子鼻异构数据识别方法
TW200630834A (en) Method and device using intelligent theory to evaluate permeability of heat pipe
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN113422761A (zh) 基于对抗学习的恶意社交用户检测方法
CN112580539A (zh) 基于psvm-lstm的电子鼻信号长期漂移抑制方法
CN113030197A (zh) 一种气体传感器漂移补偿方法
CN107526294B (zh) 一种热场温度-硅单晶直径非线性时滞系统智能辨识方法
CN117421562A (zh) 海洋溶解氧含量时空分布预测方法、系统、介质及设备
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
CN116842323A (zh) 一种供水管线运行数据异常检测方法
CN116662982A (zh) 基于关联欺诈感知的欺诈行为检测方法及装置
CN115221520A (zh) 一种基于开集识别的工控网络未知攻击检测方法
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN113837085A (zh) 基于领域自适应卷积神经网络的电子鼻漂移补偿方法
CN113159114A (zh) 一种基于nir数据中应用的高维数据降维交叉验证分析方法
CN108960406A (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
CN118690792B (zh) 一种基于特性正则化堆叠自编码器的多输出软测量方法
CN115294382A (zh) 一种对有限训练样本进行结构多损伤智能识别方法

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