【技术实现步骤摘要】
基于深度BP神经网络的自适应温湿度补偿方法及系统
[0001]本专利技术涉及气体传感
,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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]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,本专利技术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。
[0005]为实现上述目的,本专利技术提供了如下方案: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 ...
【技术保护点】
【技术特征摘要】
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。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;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。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。5.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...
【专利技术属性】
技术研发人员:李娴,王震,颜瑞,李言浩,李哲敏,
申请(专利权)人:中国农业科学院农业信息研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。