引入粒子群方差条件的PSO气体传感器温度补偿

发布时间：2021-06-14 08:55

　　针对综合管廊中温度变化导致气体传感器数据失真的问题,提出一种引入粒子群方差条件的PSO算法（VCPSO,variance condition particle optimization algorithm）,利用该算法寻找用于温度补偿的BP神经网络的初值。首先,在传统PSO算法考虑粒子适应度值的基础上,额外计算整个粒子群在搜索空间中分布的方差。若适应度停止更新且方差较大则认为搜索陷入局部平坦区域,无法继续寻优。然后,采用logistic映射更新粒子位置解决搜索停滞的问题。最后,通过贪婪算法保证搜索收敛。实验结果表明,较传统PSO,VCPSO收敛精度更高,稳定性更强。经补偿后,传感器误差均值约为25ppm,误差小于2%。 

【文章来源】：电子元器件与信息技术. 2020,4(01)

【文章页数】：3 页

【部分图文】：

补偿结果对比

对比VCPSO和传统PSO对神经网络参数得寻优能力。以式(3)中的适应度函数值作为评价指标,适应度值越小,则算法寻优性能越好。算法参数如下,粒子数量N=30,加速度常数c1=c2=2,惯性权重ω=ωmax-(ωmax-ωmin)*(iter/N),其中ωmin=0.8,ωmax=1.2,适应度值累计变化次数k=10,适应度阈值βs=10-6,方差和阈值βб=0.01。训练集数据适应度值随迭代次数下降的过程如图2所示。图2 训练集的迭代过程

图1 算法流程图通过两图的对比可以看出:VCPSO-BP算法中适应度函数在10次迭代后停止下降,而粒子位置方差和变化较大,此时粒子群进入平坦区域。对粒子VCPSO对粒子进行变异后继续搜索,最终适应度值降低,方差和减小。而传统PSO算法在进入平坦区域后停止搜索。因此,VCPSO的对神经网络初始参数的搜索性能更好。

【参考文献】：
期刊论文
[1]基于粒子群-遗传混合算法的函数优化研究[J]. 刘文英,张自鲁,路慎强,张晓燕.  计算机技术与发展. 2019(10)
[2]关于一种压力传感器用低通滤波器设计[J]. 张颖英.  电子元器件与信息技术. 2019(06)
[3]基于加权最小二乘法曲率计算的点云精简算法[J]. 唐泽宇,高保禄,窦明亮.  计算机工程与设计. 2019(06)
[4]带混沌映射的WSN蝴蝶优化定位算法[J]. 李田来,刘方爱.  计算机工程与设计. 2019(06)
[5]改进BP神经网络在机票销售量预测中的应用[J]. 罗嗣卿,李冰珂,王佳玉.  计算机工程与设计. 2018(12)
[6]基于AABC-BP算法的红外气体传感器温度补偿[J]. 李成兵,毛熙皓.  传感技术学报. 2018(10)
[7]基于PSO优化BP神经网络的话题趋势预测[J]. 马晓宁,王惠.  计算机工程与设计. 2018(09)
[8]基于PSO-SVR的压力传感器温度补偿[J]. 韩欣玉,何平,潘国峰,刘一赛,张万发.  仪表技术与传感器. 2018(08)
[9]改进AFSA-BP神经网络的湿度传感器温度补偿研究[J]. 何怡刚,陈张辉,李兵,苏蓓蕾.  电子测量与仪器学报. 2018(07)
[10]基于改进SPSO-BP神经网络的温度传感器湿度补偿[J]. 行鸿彦,郭敏,张兰,张一波.  传感技术学报. 2018(03)

硕士论文
[1]综合管廊环境安全性监测多源信息融合应用研究[D]. 赵婷.西安建筑科技大学 2018



本文编号：3229490