一种新的温度传感器湿度补偿方法-南京信息工程大学学报.pdf

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１６．０６．００８ １，２ １，２ １，２ 邹水平 　 行鸿彦 　 于祥 一种新的温度传感器湿度补偿方法 摘要 ０　 引言 针对温度传感器测量中易受湿度影 响的问题，通过对思维进化算法（Ｍｉｎｄ ［１⁃２］ 　 　 自动气象站上广泛使用的温湿度传感器 测温元件是铂电阻 Ｅｖｏｌｕｔｉｏｎａｒｙ Ａｌｇｏｒｉｔｈｍ，ＭＥＡ）中的趋同操 ［３⁃４］ 作、异化操作及收敛条件进行研究改进， 传感器Ｐｔ１００，它具有测量精度高、一致性好、使用寿命长等优点 ． 对趋同操作中的散布权值进行自适应调 然而，在实际应用过程中，容易受到诸如湿度、辐射、电源波动等非目 整，在异化操作中引入差分进化算法的 ［５⁃６］ 标参量的影响 ，使得温度传感器的输出呈现一定的非线性，导致 变异操作，并考虑收敛条件中搜索平面 温度传感器的输出信号与实际温度测量情况一致性较差，带来测量 平缓的情况，提出了基于改进思维进化 算法的ＢＰ神经网络湿度补偿方法．由湿 精确度不高、可靠性差等问题．对比其他影响，湿度是主要影响因素， 度影响检定实验得到的样本数据，利用 因此，有必要采取一定措施对温度传感器进行湿度补偿，以消除湿度 此补偿方法建立湿度补偿模型，将补偿 所带来的非线性影响． 结果与未经优化的ＢＰ 神经网络模型的 结果进行比较研究．结果表明，基于改进 为提高温度传感器测量的精度，可以采用硬件电路补偿和软件 思维进化算法的ＢＰ 神经网络模型补偿 ［７⁃１０］ 补偿的方法进行温度传感器的湿度补偿，但是硬件电路 湿度补偿 精度较高，收敛速度快，计算量小，可有 方法复杂，且电子器件容易产生温漂，使得测量精度受到一定影响．软 效提高温度传感器的测量精度和可靠 性，便于实际应用． 件补偿方法［１１⁃１４］有反向分度函数法、表格法、牛顿迭代法、ＢＰ 神经网 关键词 络等．反向分度函数法比较通用，但针对性不强；牛顿迭代法以现有的 温度传感器；思维进化算法；ＢＰ 神 分度表或分度函数为基础来实现非线性校正，然而该方法补偿时间 经网络；湿度补偿 长且运算量较大；表格法主要是采用分段线性化方法来逼近传感器 中图分类号 ＴＰ２７４ 的静态特性曲线，当分段区间较小时，会影响补偿精度，分段区间较 文献标志码 Ａ 大时，查表就会比较费时；文献［１４］采用了ＢＰ 神经网络对铂电阻温 度传感器非线性误差进行补偿，但 ＢＰ 神经网络收敛速度慢，且容易 陷入局部极值． 本文采用基于改进思维进化算法的ＢＰ 神经网络模型来实现温 度传感器的湿度补偿，通过对思维进化算法中的趋同和异化操作进 收稿日期 ２０１５⁃１２⁃２１ 行讨论，对收敛条件进行优化，以达到改进思维进化算法的目的，并 资助项目 国家自然科学基金