CN114964571A - 基于改进灰狼算法的压力传感器温度补偿方法 - Google Patents

基于改进灰狼算法的压力传感器温度补偿方法 Download PDF

Info

Publication number
CN114964571A
CN114964571A CN202210580326.0A CN202210580326A CN114964571A CN 114964571 A CN114964571 A CN 114964571A CN 202210580326 A CN202210580326 A CN 202210580326A CN 114964571 A CN114964571 A CN 114964571A
Authority
CN
China
Prior art keywords
wolf
pressure sensor
improved
formula
gwo
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
CN202210580326.0A
Other languages
English (en)
Inventor
李健
王新叶
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.)
Changzhou University
Original Assignee
Changzhou University
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 Changzhou University filed Critical Changzhou University
Priority to CN202210580326.0A priority Critical patent/CN114964571A/zh
Publication of CN114964571A publication Critical patent/CN114964571A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/18—Measuring force or stress, in general using properties of piezo-resistive materials, i.e. materials of which the ohmic resistance varies according to changes in magnitude or direction of force applied to the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L27/00—Testing or calibrating of apparatus for measuring fluid pressure
    • G01L27/002—Calibrating, i.e. establishing true relation between transducer output value and value to be measured, zeroing, linearising or span error determination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L9/00—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means
    • G01L9/02—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means by making use of variations in ohmic resistance, e.g. of potentiometers, electric circuits therefor, e.g. bridges, amplifiers or signal conditioning
    • G01L9/06—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means by making use of variations in ohmic resistance, e.g. of potentiometers, electric circuits therefor, e.g. bridges, amplifiers or signal conditioning of piezo-resistive devices
    • G01L9/065—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means by making use of variations in ohmic resistance, e.g. of potentiometers, electric circuits therefor, e.g. bridges, amplifiers or signal conditioning of piezo-resistive devices with temperature compensating means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种基于改进灰狼算法的压力传感器温度补偿方法，包括构建数据集，所述数据集包括多组数据，每组所述数据包括压力环境及温度条件下压阻式压力传感器输出的经归一化处理后的电压值；构建最小二乘支持向量机模型，采用改进灰狼算法优化最小二乘支持向量机模型，得到GWO‑LSSVM模型；其中，所述改进灰狼算法使用Logistic混沌映射和反向学习初始化参数，其收敛因子a采用分段式非线性衰减；使用所述数据集对所述GWO‑LSSVM模型进行训练，并保存训练结果；将压阻式压力传感器输出的电压值归一化，然后将该电压值对应的温度条件及归一化后的电压值输入至训练好的GWO‑LSSVM模型，将GWO‑LSSVM模型输出的结果反归一化即得到补偿后的输出电压。本发明具有较好的补偿精度。

Description

基于改进灰狼算法的压力传感器温度补偿方法
技术领域
本发明涉及压阻式压力传感器温度补偿方法，尤其涉及一种基于改进灰狼算法的传感器温度补偿方法。
背景技术
硅压阻式传感器采用硅的压阻效应制成，具有成本低、体积小、稳定性好等显著优点，在压力传感器中被广泛应用，也是目前发展最成熟的。压阻式压力传感器测量的原理是通过半导体的压阻效应。传感器压力输出受到硅和封装介质被温度影响产生漂移，提高传感器性能的重点在于传感器的温度补偿。
硬件补偿和软件补偿是压阻式传感器温度补偿的两种主要方法，硬件补偿主要的缺点有调试困难、低精度、高成本、通用性差等，不利于工程应用，现有的软件补偿也存在精度低的问题，难以达到使用需求。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于改进灰狼算法的压力传感器温度补偿方法，它具有较好的补偿精度。
为了解决上述技术问题，本发明的技术方案是：一种基于改进灰狼算法的压力传感器温度补偿方法，包括：
构建数据集，所述数据集包括多组数据，每组所述数据包括压力环境及温度条件下压阻式压力传感器输出的电压值，所述电压值为经过归一化处理后的电压值；
构建最小二乘支持向量机模型，采用改进灰狼算法优化最小二乘支持向量机模型，得到GWO-LSSVM模型；其中，所述改进灰狼算法使用Logistic混沌映射和反向学习初始化参数，其收敛因子a采用分段式非线性衰减；
使用所述数据集对所述GWO-LSSVM模型进行训练，并保存训练结果；
将压阻式压力传感器输出的电压值归一化，然后将该电压值对应的温度条件及归一化后的电压值输入至训练好的GWO-LSSVM模型，将GWO-LSSVM模型输出的结果反归一化即得到补偿后的输出电压。
进一步，所述采用改进灰狼算法优化最小二乘支持向量机模型，包括：
采用改进灰狼算法优化最小二乘支持向量机模型的核函数参数δ和惩罚因子E。
进一步，所述采用改进灰狼算法优化最小二乘支持向量机模型的核函数参数δ和惩罚因子E，包括：
步骤A：使用Logistic混沌映射和反向学习初始化参数，灰狼种群数量设定为N，迭代次数设定为T，灰狼种群位置被随机初始化；
步骤B：在各个种群中遍历所有灰狼个体，计算每个灰狼的适应度函数值，按照适应度函数值从大到小进行排序，挑选排在前三名的灰狼，分别作为父代种群中的α，β，δ狼；
步骤C：开始迭代，设置迭代次数t＝1，设置收敛因子a、系数向量A、系数向量C、混沌映射参数q和惩罚因子E，并且每迭代一次之后更新直到迭代结束，通过适应度函数量化每个灰狼个体；
步骤D：计算当前群体的平均适应度函数值，对适应度函数值优于所述平均适应值的灰狼个体，进行柯西变异，否则进行随机扰动；
步骤E：运用灰狼算法在整个可行域内搜索，不断地更新α，β，δ狼以及猎物的位置，直到满足终止条件后停止迭代，得到并优化核函数参数δ和惩罚因子E。
进一步，所述使用Logistic混沌映射和反向学习初始化参数，包括：
所述Logistic混沌映射的数学表达式为：
Yn+1＝qYn(1-Yn) (1)
式(1)中：Yn∈[0,1]为在n维上的混沌变量，n＝1，2…；q∈[0,4]为Logistic混沌映射参数,当q＝4时进入完全混沌状态；
首先初始化一个n维混沌序列，用式(1)进行一个M-1次迭代，M代表种群规模，得到M-1个混沌序列，将每个混沌序列映射到灰狼位置解空间，最终得到M个灰狼的初始种群，其数学表达式为：
xn＝1+yn(un-1) (2)
式(2)中，un是灰狼第n维的解空间大小，在服务组合问题中表示第n个服务类的候选服务规模；
通过式(2)求出N个初始解xn，然后将这N个初始解计算出当前个体的反向解，即：
x’n＝v[ub(k)+lb(k)]-xn (3)
式(3)中，v为0到1之间的随机数，ub(k)为xn的取值上界，lb(k)为xn的取值下界。
进一步，所述收敛因子a采用分段式非线性衰减的计算公式为：
Figure BDA0003663527190000031
其中：t为当前迭代次数；tmax是最大迭代次数。
进一步，所述柯西变异基于柯西概率密度函数，柯西概率密度函数公式为：
Figure BDA0003663527190000032
式(5)中，x0是位置参数，γ是一个大于0的随机变量，x是一个实数。
标准柯西分布的分布函数如式(6)所示：
Figure BDA0003663527190000033
灰狼个体经柯西变异后的新个体为：
Figure BDA0003663527190000034
基于贪婪策略的柯西变异个体更新为：
Figure BDA0003663527190000035
进一步，灰狼个体经随机扰动后的新个体为：
Figure BDA0003663527190000036
式(9)中，lb和ub分别为灰狼个体位置的下界和上界；r3为[0,1]的随机变量；
基于贪婪策略的随机扰动个体更新为：
Figure BDA0003663527190000037
进一步，所述不断地更新α，β，δ狼以及猎物的位置，包括：
采用适应度加权更新位置不断更新α，β，δ狼以及猎物的位置，所述适应度加权更新位置的公式为：
Figure BDA0003663527190000041
Figure BDA0003663527190000042
Figure BDA0003663527190000043
f＝fα+fβ+fδ (11)
式(11)，ni为训练样本个数，
Figure BDA0003663527190000044
为第q个训练样本中第i个个体的位置所对应权值下的真实输出，
Figure BDA0003663527190000045
为第q个训练样本中第i个个体的位置所对应权值下的预测输出；minRi为目标函数，fi为第i个个体的适应度函数值，fα、fβ、fδ为前三匹狼的适应度函数值，Xα、Xβ和Xδ是前三匹狼的位置，μ为常数以防止样本输出的误差为0。
进一步，所述数据集被划分为训练集和测试集，所述训练集用于训练所述GWO-LSSVM模型，所述测试集用于测试训练后的所述GWO-LSSVM模型。
采用了上述技术方案后，本发明具有以下有益效果：
1、本发明以结构简单、实时性好、收敛速度快的LSSVM作为基础模型，同时对灰狼算法进行了改进，初始化种群采用Logistic混沌映射结合反向学习，灰狼算法的全局搜索能力得到了增强，收敛因子采用分段式非线性改进灰狼算法，算法的局部和全局搜索能力得到平衡，算法后期全局寻优能力增强，陷入局部最优的概率减小，本发明利用采用改进灰狼算法优化最小二乘支持向量机模型，能获得全局最优解，补偿精度高，收敛速度也更快；
2、本发明还使用柯西变异和随机扰动维持群体多样性，进而增强算法摆脱局部最优解的能力，保证算法的搜索精度；本发明还采用适应度加权进行位置更新，可以协调群体和个体对GWO的搜索能力，以及保证狼群能有效地跳出局部最优，从而提高了GWO的寻优能力。
附图说明
图1为本发明的基于改进灰狼算法的压力传感器温度补偿方法的实施例的流程图；
图2为本发明的基于改进灰狼算法的压力传感器温度补偿方法的实施例中表1中的数据的拟合图；
图3为本发明的基于改进灰狼算法的压力传感器温度补偿方法的实施例的改进灰狼算法的流程图；
图4为本发明的基于改进灰狼算法的压力传感器温度补偿方法的实施例中温度补偿后预测压力值拟合图。
具体实施方式
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
一种基于改进灰狼算法的压力传感器温度补偿方法，包括：
步骤S1：构建数据集，所述数据集包括多组数据，每组所述数据包括压力环境及温度条件下压阻式压力传感器输出的电压值，所述电压值为经过归一化处理后的电压值；
在本实施例中，通过压力标定实验，采集0-100kpa压力环境和20-65℃温度条件下压力传感器以10kpa为间隔及5℃为间隔所输出的电压值，对数据进行归一化处理后，将数据分为训练集和测试集。数据如表1所示，将数据进行拟合，拟合结果如图1所示。
Figure BDA0003663527190000051
表1
根据表1数据可得，灵敏度温度系数
Figure BDA0003663527190000052
其中，ΔUm为在ΔT温度范围内，全量程范围内同一输入条件下温度漂移的最大值与最小值之差；
U(FS)为量程即输出电压的最大值与最小值之差；
ΔT为传感器工作环境温度改变的范围；
在本实施例中，ΔUm＝162.51-148.85＝13.66mv；
U(FS)＝162.51-5.3＝157.21mv；
步骤S2：构建最小二乘支持向量机模型；
最小二乘支持向量机模型是一种改进算法，基于支持向量机(SVM)，十分有效地降低了在训练过程中样本点的复杂度，相比传统支持向量机的运算速度更快，在机器学习中应用较广泛。
在特征空间中，数据分类和拟合被支持向量机使用以下线性回归函数进行：
f(x)＝ωk(x，xi)T+b
式中：支持向量机的支持向量为x’i；支持向量机的核函数为K(x,x’i)，可实现从输入空间到特征空间的非线性变换。
在本实施例的最小二乘支持向量机模型使用高斯径向基函数(radial basisfunction,RBF)核作为核函数，如式所示：
Figure BDA0003663527190000061
式中:δ为核函数参数，是本实施例的最小二乘支持向量机模型需要优化的一个参数。
最小二乘支持向量机(least square support vector mechine,LSSVM)的起源是标准的支持向量机。两者的不同之处在于LSSVM为等式约束，SVM为不等式约束，优化目标的损失函数为误差的平方和。
优化问题可体现为：
Figure BDA0003663527190000062
式中：E为惩罚因子，是本实施例的最小二乘支持向量机模型需要优化的另一个参数；ξi为松弛因子。
约束条件为：
yi＝<ω,x>+b+ξi
式中：i＝1,2,…,l。
引入拉格朗日函数，最终可得到LSSVM的回归方程，如式所示：
Figure BDA0003663527190000071
步骤S3：采用改进灰狼算法优化最小二乘支持向量机模型，得到GWO-LSSVM模型；其中，所述改进灰狼算法使用Logistic混沌映射和反向学习初始化参数，其收敛因子A采用分段式非线性衰减；
在本实施例中，主要是采用改进灰狼算法优化最小二乘支持向量机模型的核函数参数δ和惩罚因子E，具体步骤如下：
步骤S31：使用Logistic混沌映射和反向学习初始化参数，灰狼种群数量设定为N，迭代次数设定为T，灰狼种群位置被随机初始化；
步骤S32：在各个种群中遍历所有灰狼个体，计算每个灰狼的适应度函数值，按照适应度函数值从大到小进行排序，挑选排在前三名的灰狼，分别作为父代种群中的α，β，δ狼；
步骤S33：开始迭代，设置迭代次数t＝1，设置收敛因子a、系数向量A、系数向量C、混沌映射参数q和惩罚因子E，并且每迭代一次之后更新直到迭代结束，通过适应度函数量化每个灰狼个体；
步骤34：计算当前群体的平均适应度函数值，对适应度函数值优于所述平均适应值的灰狼个体，进行柯西变异，否则进行随机扰动；
步骤35：运用灰狼算法在整个可行域内搜索，不断地更新α，β，δ狼以及猎物的位置，直到满足终止条件后停止迭代，得到并优化核函数参数δ和惩罚因子E。
在本实施例中，改进灰狼算法的流程图如图3所示。
标准灰狼算法利用随机数初始化灰狼群体，导致群体的多样性和不重复性难以保证，在本实施例中，使用Logistic混沌映射初始种群，所述Logistic混沌映射的数学表达式为：
Yn+1＝qYn(1-Yn) (1)
式(1)中：Yn∈[0,1]为在n维上的混沌变量，n＝1，2…；q∈[0,4]为Logistic混沌映射参数,当q＝4时进入完全混沌状态；
采用混沌映射生成初始种群，首先初始化一个n维混沌序列，用式(1)进行一个M-1次迭代，M代表种群规模，得到M-1个混沌序列，将每个混沌序列映射到灰狼位置解空间，最终得到具有M个灰狼的初始种群，其数学表达式为：
xn＝1+yn(un-1) (2)
式(2)中，n是维数，un是灰狼第n维的解空间大小，在服务组合问题中表示第n个服务类的候选服务规模。
为了提高算法的搜索性能，使用反向学习策略结合Logistic混沌映射初始种群，通过式(2)求出N个初始解xn，然后将这N个初始解计算出当前个体的反向解，即：
x’n＝v[ub(k)+lb(k)]-xn (3)
式(3)中，v为0到1之间的随机数，ub(k)为xn的取值上界，lb(k)为xn的取值下界。
在标准灰狼算法中，假设种群数量为N，搜索空间为D维，则种群可表示为X＝{X1,X2,…Xn}，第i个灰狼个体可表示为
Figure BDA0003663527190000081
则狼群的包围行为公式表示为：
D＝|C·Xp(t)-X(t)|
X(t+1)＝Xp(t)-A·D
式中，Xp(t)为种群迭代至第t代时猎物的位置；X(t)为第t代灰狼个体的位置；D为灰狼个体和猎物之间的距离。A和C为系数向量，计算公式为：
A＝2a(r1-1)
C＝2r2
式中r1，r2为标量在【0，1】之间的随机向量；a为收敛因子，a的值随着迭代次数的增加从2线性递减至0。
迭代后期因为收敛因子a线性衰减，标准灰狼算法中狼群不够多样化，降低了全局搜索能力，易陷入局部最优，如果只是将收敛因子简单地改成非线性衰减，不符合实际要求。
在本实施例中，使用分段式非线性收敛因子，提升了后期全局寻优能力，降低陷入局部最优的概率，本实施例中收敛因子a的计算公式为：
Figure BDA0003663527190000082
其中：t为当前迭代次数；tmax是最大迭代次数。相比于线性收敛因子，迭代前期，非线性收敛因子能在较长时间内保持较大值，即狼群能以较大步长进行搜索，全局搜索能力提升；迭代后期，非线性收敛因子能在较长时间内保持较小值，即狼群能以较小步长进行搜索，局部开发能力提升。因此，该改进策略能有效协调算法的全局和局部搜索能力。
在标准灰狼算法中，包围行为中，调整A和C的值可以实现对猎物的搜索，通过r1、r2的随机设定，可以搜索到周围的n个方向。由式可知，当|A|＞1时，下一次迭代得到的灰狼个体将从当前位置远离猎物，即候选解趋向由猎物向外发散，以进行全局搜索，搜索其他潜在最优解；当|A|＜1时，灰狼个体的下一位置将处于当前位置和猎物之间，即候选解趋向于向猎物聚集，以进行局部搜索，逼近最优解。
在标准灰狼算法中，灰狼将猎物包围后由最靠近猎物的α、β、δ按照下述公式更新位置进行捕猎：
Dα＝|C1·Xα(t)-X(t)|
Dβ＝|C2·Xβ(t)-X(t)|
Dδ＝|C3·Xδ(t)-X(t)|
X1(t+1)＝Xα(t)-A1·Dα
X2(t+1)＝Xβ(t)-A2·Dβ
X3(t+1)＝Xδ(t)-A3·Dδ
Figure BDA0003663527190000091
式中：Xα(t)、Xβ(t)、Xδ(t)为种群迭代至第t代时α、β、δ的位置，X(t)为第t代灰狼个体的位置，A1和C1、A2和C2、A3和C3分别表示α、β、δ的系数向量，X1(t+1)、X2(t+1)、X3(t+1)分别代表α、β、δ个体在(t+1)迭代后的位置向量。
在进化后期，标准灰狼算法内灰狼种群个体多样性大量减少，重复的个体越来越多，因此，本实施例提出柯西变异和随机扰动策略，以维持算法的种群多样性，进而增强算法摆脱局部最优解的能力，保证算法的搜索精度。
所述柯西变异基于柯西概率密度函数，柯西概率密度函数公式为：
Figure BDA0003663527190000092
式(5)中，x0是位置参数，γ是一个大于0的随机变量，x是一个实数，本实施例中，取x0＝0，γ＝1，其为标准柯西分布，通过分析其概率密度函数，可知其没有特定的均值和方差，但众数和中值都等于位置参数即x0。
标准柯西分布的分布函数如式(6)所示：
Figure BDA0003663527190000101
在每代灰狼种群更新之前，首先计算当前种群的平均适应度函数值，然后对该种群所有适应度函数值优于平均适应度函数值的个体X1(t)采用柯西变异，否则进行随机扰动。
灰狼个体经柯西变异后的新个体为：
Figure BDA0003663527190000102
基于贪婪策略的柯西变异个体更新为：
Figure BDA0003663527190000103
对于该种群所有适应度函数值劣于平均适应度函数值的个体X2(t)采用随机扰动，随机扰动的新个体为：
Figure BDA0003663527190000104
式(9)中，lb和ub分别为灰狼个体位置的下界和上界；r3为[0,1]的随机变量；
基于贪婪策略的随机扰动个体更新为：
Figure BDA0003663527190000105
进化前期，柯西变异、随机扰动策略使得算法快速寻找最优解，贪婪策略对最优解进行位置更新，以维持种群的多样性和算法收敛性的平衡，有效降低算法陷入局部最优的概率；进化后期，增加种群多样性，为跳出局部最优创造了条件。
群体中的其他灰狼个体ω是根据当前最优的三头狼进行更新位置的，可以看出标准的GWO的位置更新只有好的开发能力而忽略了搜索能力，所以需要改进位置更新公式来协调群体和个体对GWO的搜索能力，以及保证狼群能有效的跳出局部最优，从而提高了GWO的寻优能力。
适应度加权更新位置更适合GWO算法优化过程的进行，利用当前最优的三匹狼的适应度来更新权重，三者的适应度不同也能表现出不同的贡献度，不再是标准的GWO的固定权重。在本实施例中，结合适应度加权和均方根误差，采用适应度加权更新位置不断更新α，β，δ狼以及猎物的位置，本实施例提出一种适应度加权更新位置公式如下：
Figure BDA0003663527190000111
Figure BDA0003663527190000112
Figure BDA0003663527190000113
f＝fα+fβ+fδ (11)
式(11)，ni为训练样本个数，
Figure BDA0003663527190000114
为第q个训练样本中第i个个体的位置所对应权值下的真实输出，
Figure BDA0003663527190000115
为第q个训练样本中第i个个体的位置所对应权值下的预测输出；minRi为目标函数，fi为第i个个体的适应度函数值，fα、fβ、fδ为前三匹狼的适应度函数值，Xα、Xβ和Xδ是前三匹狼的位置，μ为很小的数来防止样本输出的误差为0，在本发明中取0.013。
步骤S4：使用所述数据集对所述GWO-LSSVM模型进行训练，并保存训练结果；
在本实施例中，将30kpa和60kpa中的数据作为测试集，其余作为训练集，将优化后的核函数参数δ和惩罚因子E代入GWO-LSSVM模型训练并保持；
步骤S5：将压阻式压力传感器输出的电压值归一化，然后将该电压值对应的温度条件及归一化后的电压值输入至训练好的GWO-LSSVM模型，将GWO-LSSVM模型输出的结果反归一化即得到补偿后的输出电压。
在本实施例中，预测的压力值如表2所示。
Figure BDA0003663527190000116
Figure BDA0003663527190000121
表2
根据表2的数据对压力值进行线性拟合，结果如图4所示。由表2数据可得，温度补偿后的灵敏度温度系数为：
Figure BDA0003663527190000122
在本实施例中，ΔPm为在ΔT温度范围内，全量程范围内同一输入条件下最大值与最小值之差；
其中，ΔUm为在ΔT温度范围内，全量程范围内同一输入条件下温度漂移的最大值与最小值之差；
P(FS)为量程即压力值的最大值与最小值之差；
ΔT为传感器工作环境温度改变的范围；
在本实施ΔPm＝100.4194-99.3287＝1.0907mv；
P(FS)＝100.4194+0.1058＝100.5252mv；
灵敏度温度系数在经过GWO-LSSVM模型补偿后提升一个数量级，具有明显的提高，达到了提高压阻式温度传感器温度稳定性的目的。
以上所述的具体实施例，对本发明解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
包括：
构建数据集，所述数据集包括多组数据，每组所述数据包括压力环境及温度条件下压阻式压力传感器输出的电压值，所述电压值为经过归一化处理后的电压值；
构建最小二乘支持向量机模型，采用改进灰狼算法优化最小二乘支持向量机模型，得到GWO-LSSVM模型；其中，所述改进灰狼算法使用Logistic混沌映射和反向学习初始化参数，其收敛因子a采用分段式非线性衰减；
使用所述数据集对所述GWO-LSSVM模型进行训练，并保存训练结果；
将压阻式压力传感器输出的电压值归一化，然后将该电压值对应的温度条件及归一化后的电压值输入至训练好的GWO-LSSVM模型，将GWO-LSSVM模型输出的结果反归一化即得到补偿后的输出电压。
2.根据权利要求1所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述采用改进灰狼算法优化最小二乘支持向量机模型，包括：
采用改进灰狼算法优化最小二乘支持向量机模型的核函数参数δ和惩罚因子E。
3.根据权利要求2所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述采用改进灰狼算法优化最小二乘支持向量机模型的核函数参数δ和惩罚因子E，包括：
步骤A：使用Logistic混沌映射和反向学习初始化参数，灰狼种群数量设定为N，迭代次数设定为T，灰狼种群位置被随机初始化；
步骤B：在各个种群中遍历所有灰狼个体，计算每个灰狼的适应度函数值，按照适应度函数值从大到小进行排序，挑选排在前三名的灰狼，分别作为父代种群中的α，β，δ狼；
步骤C：开始迭代，设置迭代次数t＝1，设置收敛因子a、系数向量A、系数向量C、混沌映射参数q和惩罚因子E，并且每迭代一次之后更新直到迭代结束，通过适应度函数量化每个灰狼个体；
步骤D：计算当前群体的平均适应度函数值，对适应度函数值优于所述平均适应值的灰狼个体，进行柯西变异，否则进行随机扰动；
步骤E：运用灰狼算法在整个可行域内搜索，不断地更新α，β，δ狼以及猎物的位置，直到满足终止条件后停止迭代，得到并优化核函数参数δ和惩罚因子E。
4.根据权利要求1所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述使用Logistic混沌映射和反向学习初始化参数，包括：
所述Logistic混沌映射的数学表达式为：
Yn+1＝qYn(1-Yn) (1)
式(1)中：Yn∈[0,1]为在n维上的混沌变量，n＝1，2…；q∈[0,4]为Logistic混沌映射参数,当q＝4时进入完全混沌状态；
首先初始化一个n维混沌序列，用式(1)进行一个M-1次迭代，M代表种群规模，得到M-1个混沌序列，将每个混沌序列映射到灰狼位置解空间，最终得到M个灰狼的初始种群，其数学表达式为：
xn＝1+yn(un-1) (2)
式(2)中，un是灰狼第n维的解空间大小，在服务组合问题中表示第n个服务类的候选服务规模；
通过式(2)求出N个初始解xn，然后将这N个初始解计算出当前个体的反向解，即：
x’n＝v[ub(k)+lb(k)]-xn (3)
式(3)中，v为0到1之间的随机数，ub(k)为xn的取值上界，lb(k)为xn的取值下界。
5.根据权利要求1所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述收敛因子a采用分段式非线性衰减的计算公式为：
Figure FDA0003663527180000021
其中：t为当前迭代次数；tmax是最大迭代次数。
6.根据权利要求3所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述柯西变异基于柯西概率密度函数，柯西概率密度函数公式为：
Figure FDA0003663527180000031
式(5)中，x0是位置参数，γ是一个大于0的随机变量，x是一个实数。
标准柯西分布的分布函数如式(6)所示：
Figure FDA0003663527180000032
灰狼个体经柯西变异后的新个体为：
Figure FDA0003663527180000033
基于贪婪策略的柯西变异个体更新为：
Figure FDA0003663527180000034
7.根据权利要求3所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
灰狼个体经随机扰动后的新个体为：
Figure FDA0003663527180000035
式(9)中，lb和ub分别为灰狼个体位置的下界和上界；r3为[0,1]的随机变量；
基于贪婪策略的随机扰动个体更新为：
Figure FDA0003663527180000036
8.根据权利要求3所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述不断地更新α，β，δ狼以及猎物的位置，包括：
采用适应度加权更新位置不断更新α，β，δ狼以及猎物的位置；其中，所述适应度加权更新位置的公式为：
Figure FDA0003663527180000037
Figure FDA0003663527180000041
Figure FDA0003663527180000042
f＝fα+fβ+fδ (11)
式(11)，ni为训练样本个数，
Figure FDA0003663527180000043
为第q个训练样本中第i个个体的位置所对应权值下的真实输出，
Figure FDA0003663527180000044
为第q个训练样本中第i个个体的位置所对应权值下的预测输出；minRi为目标函数，fi为第i个个体的适应度函数值，fα、fβ、fβ为前三匹狼的适应度函数值，Xα、Xβ和Xδ是前三匹狼的位置，μ为常数以防止样本输出的误差为0。
9.根据权利要求1所述的基于改进灰狼算法的压力传感器温度补偿方法，其特征在于，
所述数据集被划分为训练集和测试集，所述训练集用于训练所述GWO-LSSVM模型，所述测试集用于测试训练后的所述GWO-LSSVM模型。
CN202210580326.0A 2022-05-26 2022-05-26 基于改进灰狼算法的压力传感器温度补偿方法 Pending CN114964571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210580326.0A CN114964571A (zh) 2022-05-26 2022-05-26 基于改进灰狼算法的压力传感器温度补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210580326.0A CN114964571A (zh) 2022-05-26 2022-05-26 基于改进灰狼算法的压力传感器温度补偿方法

Publications (1)

Publication Number Publication Date
CN114964571A true CN114964571A (zh) 2022-08-30

Family

ID=82955679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210580326.0A Pending CN114964571A (zh) 2022-05-26 2022-05-26 基于改进灰狼算法的压力传感器温度补偿方法

Country Status (1)

Country Link
CN (1) CN114964571A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030098A (zh) * 2023-09-28 2023-11-10 无锡菲欧科技有限公司 一种拥有温度补偿的双压力输出传感器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0379840A2 (de) * 1989-01-23 1990-08-01 Balzers Aktiengesellschaft Stimmgabel-Quarz-Manometer
CN104535251A (zh) * 2015-01-12 2015-04-22 中国科学院电子学研究所 双谐振器压力传感器的温度自补偿方法和测量方式
CN106932125A (zh) * 2017-02-22 2017-07-07 中国科学院电子学研究所 一种硅谐振压力传感器的补偿方法
CN108694390A (zh) * 2018-05-15 2018-10-23 南京邮电大学 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法
CN110282645A (zh) * 2019-06-21 2019-09-27 广西大学 一种氧化铝焙烧过程操作参数优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0379840A2 (de) * 1989-01-23 1990-08-01 Balzers Aktiengesellschaft Stimmgabel-Quarz-Manometer
CN104535251A (zh) * 2015-01-12 2015-04-22 中国科学院电子学研究所 双谐振器压力传感器的温度自补偿方法和测量方式
CN106932125A (zh) * 2017-02-22 2017-07-07 中国科学院电子学研究所 一种硅谐振压力传感器的补偿方法
CN108694390A (zh) * 2018-05-15 2018-10-23 南京邮电大学 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法
CN110282645A (zh) * 2019-06-21 2019-09-27 广西大学 一种氧化铝焙烧过程操作参数优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030098A (zh) * 2023-09-28 2023-11-10 无锡菲欧科技有限公司 一种拥有温度补偿的双压力输出传感器
CN117030098B (zh) * 2023-09-28 2024-02-27 无锡菲欧科技有限公司 一种拥有温度补偿的双压力输出传感器

Similar Documents

Publication Publication Date Title
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN109063355A (zh) 基于粒子群优化与Kriging模型的近似优化方法
CN110991721A (zh) 基于改进经验模态分解和支持向量机的短期风速预测方法
CN115511177A (zh) 基于ingo-swgmn混合模型的超短期风速预测方法
CN106296434B (zh) 一种基于pso-lssvm算法的粮食产量预测方法
Byrd et al. On the use of stochastic Hessian information in unconstrained optimization
Li et al. Error tolerance based support vector machine for regression
CN114781692A (zh) 短期电力负荷预测方法、装置及电子设备
CN114964571A (zh) 基于改进灰狼算法的压力传感器温度补偿方法
Wang et al. A combined prediction model for hog futures prices based on WOA‐LightGBM‐CEEMDAN
CN112507613B (zh) 一种秒级超短期光伏功率预测方法
Candido et al. Improving wind forecasts in the lower stratosphere by distilling an analog ensemble into a deep neural network
Lavanya et al. A multiple linear regressions model for crop prediction with adam optimizer and neural network mlraonn
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
CN108876038B (zh) 大数据、人工智能、超算协同的材料性能预测方法
CN112926251B (zh) 一种基于机器学习的滑坡位移高精度预测方法
Karlsson et al. Modelling dynamical systems using neural ordinary differential equations
Mi et al. Prediction of accumulated temperature in vegetation period using artificial neural network
Mills et al. L2nas: Learning to optimize neural architectures via continuous-action reinforcement learning
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
Ren et al. Modified particle swarm optimization algorithm for engineering structural optimization problem
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
Qu et al. Complementary differential evolution-based whale optimization algorithm for function optimization

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