基于PCA和GA融合算法的湿度传感器校准实验研究

陶佰睿, 李春辉, 苗凤娟, 张景林, 刘艳菊, 王 欢, 郭 琴

(1. 齐齐哈尔大学 通信与电子工程学院, 黑龙江 齐齐哈尔 161006;2. 中国科学院 上海技术物理研究所红外物理国家重点实验室, 上海 200083;3. 齐齐哈尔大学 计算中心, 黑龙江 齐齐哈尔 161006)



实验技术与方法

基于PCA和GA融合算法的湿度传感器校准实验研究

陶佰睿1,2,3, 李春辉1, 苗凤娟1, 张景林3, 刘艳菊3, 王 欢1, 郭 琴1

(1. 齐齐哈尔大学 通信与电子工程学院, 黑龙江 齐齐哈尔 161006;2. 中国科学院 上海技术物理研究所红外物理国家重点实验室, 上海 200083;3. 齐齐哈尔大学 计算中心, 黑龙江 齐齐哈尔 161006)

针对湿度传感器因湿滞或温度漂移等因素引起的非线性问题,提出一种基于主成分分析(PCA)和遗传算法(GA)融合优化神经网络(BP)传感器校准改进措施。以HR202电阻型湿度传感器为例,分别在5个温度和10种饱和盐溶液标准湿度环境下进行测试,对采集的数据首先利用PCA算法“降维”,通过提取温度和湿滞补偿的主要信息,在原信息损失较小的前提下,将BP传感器校准多维问题简化,然后采用GA-BP对样本进行训练。经实验测试和Matlab平台仿真研究结果表明,基于PCA和GA融合算法处理的神经网络对湿度传感器定标校准数据相比该产品示值校准精度从±5%RH提高到±3%RH,训练速度相比传统BP方法提高3～5倍。该方法在湿度传感器校准测量精度提高方面有参考价值。

湿度传感器; 主成分分析; 遗传算法; 神经网络; 非线性校准

湿度传感器在进行湿度测量时,因本身湿滞特性和环境温度影响存在较大非线性误差。常用湿度传感器校准补偿方法主要有硬件电路补偿和软件补偿两种[1-3]。为降低成本,软件补偿方法应用较多,主要有查表校正,但校正表占用内存大[4]。采用最小二乘多项式曲线拟合法校正,当数据点较多时易出现振荡现象[5]。利用径向基函数(RBF)或粒子群优化算法(PSO)等改进神经网络法虽然逼近能力强,但在算法复杂性、收敛速度和训练耗时等方面存在诸多问题[6-8]。近年,多维智能融合算法在传感器定标校准和精度改进应用领域成为人们研究重点,取得了较好成效[9-11]。为此,本文提出一种基于主成分分析(PCA)和改进遗传算法(GA)融合优化的神经网络改进算法,结合饱和盐溶液构建的标准湿度环境,对湿度传感器因湿滞和温度引起的非线性测量误差进行校准,以期为特定类型湿度传感器的定标和误差补偿模型提供理论和实验研究基础。

1 饱和金属盐溶液标准湿度环境

根据GB/T 6999—2010湿度测量和国际法制计量组织(OIML)对饱和盐溶液标准相对湿度值建议[12-13],构建湿度传感器校准环境如图1所示。其中:恒温水浴槽用来控制环境温度;集气瓶内风扇用来尽快使空间气体水汽与液面达到动态平衡;10种金属盐以锥状分别置于集气瓶内饱和盐溶液中,并且固体盐有大于1/3部分露出液面,湿度传感器以HR202湿敏电阻传感器为例;传感器测量系统为MT4080D 交流电桥及PC机。MT4080D交流电桥实时采集HR202湿敏电阻阻值并自动记录在PC机中。

图1 实验装置示意图

2 PCA和GA优化的BP改进算法在湿度传感器校准和误差补偿中的应用

理论上,BP神经网络可以逼近任意非线性曲线,为了使其适合湿度传感器校准应用,简化计算量,本文使用PCA方法对变量进行降维,并且结合GA优化神经网络,防止其陷入局部最优值。总体设计流程图如图2所示。

图2 优化BP神经网络流程图

2.1 BP神经网络补偿模型

BP网络进行湿度传感器温度补偿模型见图3。

图3 传感器温度补偿模型

传感器的模型可表示为

(1)

其中：X为目标测量值；T为环境温度,T包括n维环境温度值t1,t2…tn；Y为传感器n维输出阵列；Y′为校准补偿后的输出。

2.2 主成分分析(PCA)基本原理

主成分分析的思想是将原来众多的具有一定相关性的变量,重新组合成一组新的互相无关的综合指标来代替原来的指标。借助正交变换,将其分量相关的原随机向量转化成其分量不相关的新随机向量。

第一步：进行实验数据的标定,湿度标定个数为n个,温度标定点为m个,将各点表示成n×m的矩阵X,其元x(i,j),(i=1,2…m,j=1,2…n),构成协方差矩阵

(2)

第二步:由协方差阵,求出其特征根λ。

第三步：求出分别所对应特征根的特征向量。

第四步:计算累积贡献率,给出恰当的主成分选取使得主成分的累计贡献率∑λi超过85%的最小整数m。

最终确定前m个主成分F1,F2,…，Fm并用这m个主成分作为综合指标替代原来P个评价指标X1,X2,…,Xp,得到新的指标体系。

2.3 遗传算法优化BP神经网络

遗传算法采纳自然进化模型,经过选择、交叉或基因重组、变异方法,对个体进行筛选,使适应度值好的个体被保留,适应度差的个体被淘汰,这样反复循环,直至满足条件。步骤如下:

(1) 遗传算法初始化；

(2) 适应度函数：

(3)

其中:k为系数,Yi是预测输出,Oi是神经网络期望输出值;

(3) 选择：采用按比例的适应度分配,称为蒙特卡罗法,是利用各个个体适应度的概率决定其子孙的遗留可能性。若某个个体i,其适应度为fi,则其被选取的概率Pi表示为

(4)

(4) 交叉操作:个体采用实数编码,采用实数交叉法,选择2个不同染色体的不同部位进行交换操作。

(5) 变异操作。

3 实验测试及校准研究

每次测量时首先将装有10种饱和盐溶液的密闭集气瓶置于恒温水槽中,并在特定温度下恒温15 min,之后依次将待测量传感器样品连同密封塞置入低湿到高湿环境的集气瓶中,启动风扇2 min后读取7次传感器湿敏电阻阻值作为计算参量;在同温度下,按照上述方法对湿度传感器依次从高湿到低湿环境再次测量,采集到的数据作为校准和补偿湿滞引起误差的依据。分别在不同温度点重复上述测量，采集到的数据作为校准和补偿温度引起误差的依据。由于国际标准没有标定醋酸钾30 ℃之后的标准相对湿度,我们用给定表中数值作为标准值,并用“*”标记。MT4080D交流电桥采用频率1 kHz、电压1 V AC的正弦波。10种饱和金属盐溶液在不同温度(分别为25、30、35、40、45 ℃)条件下的标准湿度和HR202湿敏电阻传感器电阻示值(7次测量均值)如表1所示。

7次的测量值都是在允许误差范围之内,该样本记录的是7次测量均值作为要校准的湿度值。对不同HR202湿敏电阻传感器重复实验可以得到大量新样本。

首先对数据标准化处理,然后进行主成分分析,将主成分作为神经网络预测网络新的输入变量,同时确定输入节点,分别取训练样本和测试样本。样品解释总方差如表2所示。

表2 样本解释总方差

由解释的总方差可以看出，前3个成分累计已经达到了89.278%，大于85%,概括了原变量的主要信息,因此可以选取3个主成分。由以上数据可以确定神经网络的模型形式为3个输入节点,通过反复尝试确定7个隐层节点和1个输出节点,建立单隐层 BP 网络模型,并通过实验设置好参数。将样本库(表2是库中一部分)中40 组数据进行网络训练,10 组作为测试样本。BP及PCA-GA-BP神经网络的训练误差曲线分别如图4和图5所示。

图4 BP神经网络训练误差曲线

图5 PCA-GA-BP神经网络训练误差曲线

BP神经网络经过401次迭代计算,误差达到9.871×10-5,而GA-BP神经网络经过115次迭代计算达到了网络预设误差要求,网络的性能更好；而经过PCA处理之后经过59次迭代达到目标要求。同时训练相对误差分别如图6和图7所示。

图6 BP神经网络训练相对误差曲线

图7 PCA-GA-BP神经网络训练相对误差曲线

从训练的相对误差曲线可以看到,没有经过PCA-GA处理的BP神经网络训练的误差是0.5%；经过PCA和遗传算法优化后的训练误差小于0.01%,训练的精度明显提高。经过PCA及GA处理后精度提高,训练时间大大缩短了，比较如表3所示。

表3 算法训练速度和训练误差比较

图8 BP神经网络预测绝对误差曲线

图9 PCA-GA-BP神经网络预测绝对误差曲线

预测的误差曲线如图8和图9所示。从预测结果可以看出，BP网络的测试绝对误差最大约0.027,经PCA处理的GA-BP预测绝对误差最大不超过为0.004,效果较好。

将测试样本代入训练好的网络,进行非线性补偿后的湿度输出的效果进行仿真实验之后对网络进行测试,将结果反归一化,将阻抗值转化为相对湿度,经处理后(其中30 ℃之后的醋酸钾补偿结果剔除),25 ℃条件下湿度准确值与修正值如表4所示。由表可以看出，PCA-GA-BP模型明显优于其他3种模型,其预测接近准确值,测量精度由原来的±5%RH提高到± 3%RH,测量效果相比有了很大提高。

表4 25 ℃下湿度准确值与修正值

4 结束语

近年来,各种制造原理、规格型号的温湿度计层出不穷，对于温湿度计的检定校准工作也提出了更高的要求。在制造湿敏电阻传感器时,应在不同温度下对其进行全量程测试,再采用融合的神经网络方法对其进行校准。本文提出的融合PCA-GA优化神经网络方法,确定主要影响因素对目标值的影响,同时用遗传算法的优化后神经网络,特别是在对大规模数据进行训练时,能够快速训练网络结构,简化训练复杂性,大大提高了训练的速度和精度。在实际测量时,根据湿敏电阻实测的湿度值和温度值,然后利用本文方法得到温度补偿后的相对湿度的测量值，实验证明此方法是可行有效的,这种融合算法同样适用于其他传感器多因素影响的校准情况,具有参考价值。

References)

[1] 李中,石梅.温湿度环境试验箱校准仪的研制及应用[J].实验技术与管理,2010,27(7):55-58.

[2] 李祚泳,汪嘉杨，郭淳.PSO算法优化BP网络的新方法及仿真实验[J].电子学报,2008,36(11):2224-2228.

[3] Lu T,Chen C C.Uncertainty evaluation of humidity sensors calibrated by saturated salt solutions[J].Measurement,2007,40(6):591-599.

[4] 陈帅,蔡颖玲,韩坚洁,等.室内微气候控制实验平台设计与实施[J].实验技术与管理,2013,30(9):68-71.

[5] 吕峰洁,张永瑞,杨刚.基于最小二乘法的气体传感器精度的研究[J].电子科技,2007(6):36-38.

[6] 俞阿龙.基于RBFNN的铂电阻温度传感器非线性补偿[J].传感器技术,2005,24(12):43-45.

[7] Tao B R,Zhang J,Miao F J,et al.Capacitive humidity sensors based on Ni/SiNWs nanocomposites[J].Sensors and Actuators B:Chemical,2009,136(1):144-150.

[8] 葛新红,田军.人工神经网络在试验设计中的应用研究[J].实验技术与管理,2005,22(9):24-28.

[9] 付华.一种基于IGA-RBF神经网络的传感器动态特性补偿算法[J].计算机测量与控制,2013，21(4):1105-1108.

[10] 彭基伟,吕文华，行鸿彦，等.基于改进GA-BP神经网络的湿度传感器的温度补偿[J].仪器仪表学报,2013,34(1):153-160.

[11] 孙艳梅,刘树东.压力传感器温度补偿的一种新方法[J].光通信研究，2011,1(2):62-64.

[12] 陈云生.介绍一种新编制的环境试验用相对湿度查算表[J].装备环境工程,2004(8):76-80.

[13] 郝光宗,邢丽缘,梁强威.饱和盐水溶液档灵度固定点(2):数据来源与盐溶液选择[J].传感器世界,1999,5(12):10-14.

Experimental study of humidity sensor calibrating based on fusion algorithm of PCA and GA

Tao Bairui1,2,3,Li Chunhui1,Miao Fengjuan1,Zhang Jinglin3, Liu Yanju3, Wang Huan1,Guo Qin1

(1.College of Communications and Electronics Engineering,Qiqihar University, Qiqihar 161006, China; 2. National Laboratory for Infrared Physics,Shanghai Institutes of Technical Physics,Chinese Academy of Sciences,Shanghai 200083,China;3.Computing Center, Qiqihar University, Qiqihar 161006,China)

To solve the nonlinear problems caused by the factors of humidity sensor hysteresis or temperature drift,a method of sensor calibration and improvement measures is proposed,using fusion algorithm of neural network (BP) optimized by principal component analysis (PCA) and genetic algorithm (GA). Taking the HR202 humidity sensor as an example, the tests were made respectively in the 5 temperature levels and 10 kinds saturated salt solution humidity environment.First,the measured data samples are reduced by the PCA algorithm.Then,the BP multidimensional sensor calibration is simplified with extracting the main information of temperature and humidity hysteresis compensation under the premise of original information loss smaller.Then the samples are trained by GA-BP.After experimental testing and simulating with MATLAB platform,the experimental results show that the neural network based on PCA and GA fusion algorithm for humidity sensor calibration data compared to product value,calibration precision is improved from ± 5%RH to ± 3%RH, the training speed compared with the traditional BP method is improved by 3-5 times.The method has an important reference value in improving the measurement accuracy in the humidity sensor calibration.

humidity sensor;principal component analysis;genetic algorithm;neural network;nonlinear calibration

2014- 06- 06 修改日期：2014- 07- 30

黑龙江省高等教育教学改革项目(JG2012010671)；齐齐哈尔大学教育教学研究项目(2014082)；黑龙江省高等教育教学改革项目(JG2013010025)

陶佰睿(1972—)，男，吉林洮南，博士，教授，硕士生导师，研究方向为微纳传感器和无线传感器网络等.

E-mail：Tbr_sir@163.com

TP212.1

A

1002-4956(2015)2- 0042- 05