【技术实现步骤摘要】
本专利技术涉及lc传感器，具体涉及一种基于机器学习的lc湿度传感器漂移补偿方法。
技术介绍
1、lc无源无线传感器本质上是一种lc谐振环路，由无源元件电阻、电容和电感组成。lc传感器体积小、成本低、功耗较低，且不需要更换电池，可用于ph监测、温度、湿度、生物电位和应变等参数的检测，有着很重要的使用价值和科研意义。
2、然而传感器往往会由于外界环境变化（温度，电磁干扰等），而出现漂移现象，即传感器响应偏离基准值，这会导致后续的模式识别结果不准确。本专利技术针对lc湿度传感器因温度变化造成的响应数据不稳定问题，采用神经网络模型对lc湿度传感器的温度漂移进行补偿，对获得更稳定、更可靠的输出结果具有重要意义。
3、有鉴于此，有必要设计一种基于机器学习的lc湿度传感器漂移补偿方法，以解决上述问题。
技术实现思路
1、本专利技术的目的在于针对lc湿度传感器因温度变化造成的响应数据不稳定问题，提供一种基于机器学习的lc湿度传感器漂移补偿方法。
2、为实现以上目的，本专利技术采用以下技术方案，包括以下步骤：
3、s1、对lc湿度传感器进行温度测试实验，获取原始数据，所述原始数据包括多组数据，每组所述数据包括湿度环境及温度条件下所述lc湿度传感器的响应数据；
4、s2、将所述lc湿度传感器的响应数据进行预处理，提取响应带宽bw，实部阻抗最大值re()max，及所述最大值re()max对应的谐振频率freq，利用小波分析对所述谐振频率freq
5、s3、初始化bp神经网络，采用遗传算法优化bp神经网络模型，得到ga-bp模型；
6、s4、用训练集对所述ga-bp模型进行训练，将训练好的模型用于漂移数据测试集的补偿。
7、作为本专利技术的进一步改进，所述s2中的所述小波分析所采用的基函数为db10，分解层数为3层。
8、作为本专利技术的进一步改进，所述s2中的所述小波分析的阈值选取为改进的固定阈值，表达式为：
9、 ，
10、阈值函数选取为改进的阈值函数，所述阈值函数的公式为：
11、，
12、其中为信号标准方差， n为数据长度， j为分解层数，为估计小波系数，为分解后的小波系数，sgn(*)为符号分段函数。
13、作为本专利技术的进一步改进，所述s3中的所述bp神经网络包括1个输入层、2个隐藏层和1个输出层，所述输入层有3个输入，所述2个隐藏层分别有m和n个神经元。
14、作为本专利技术的进一步改进，所述bp神经网络是通过输入的线性组合，然后通过神经元激活函数进行非线性变换，所述神经元激活函数选用sigmoid函数，将估计值和实际测量值的均方误差 mse函数作为误差函数，并利用反向传播算法最小化所述误差函数，其中，所述均方误差 mse函数的表达式为：
15、
16、其中，为实际观测值， 为模型预测输出值， n为测试点数。
17、作为本专利技术的进一步改进，所述s3中的所述遗传算法优化bp神经网络，通过不断地进化种群中的个体，通过选择、交叉和变异探索超参数空间，得到最佳的超参数组合，多次迭代后，所述遗传算法收敛到具有高适应度的个体，所述个体对应于所述超参数组合。
18、作为本专利技术的进一步改进，所述遗传算法优化所述bp神经网络时，使用决定系数作为模型评价指标，决定系数的表达式为：
19、
20、其中，为实际观测值，为实际观测值的平均值，为模型预测输出值， n为测试点数。
21、本专利技术的有益效果为：
22、本专利技术通过神经网络模型对lc湿度传感器温度漂移进行补偿，经过对温度漂移数据集的学习，该模型系数达到0.966，表明模型能解释96.6%的不确定性，取得了良好的效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述S2中的所述小波分析所采用的基函数为db10，信号的分解层数为3层。
3.根据权利要求2所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述S2中的所述小波分析的阈值选取为改进的固定阈值，表达式为：
4.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述S3中的所述BP神经网络包括1个输入层、2个隐藏层和1个输出层，所述输入层有3个输入，所述2个隐藏层分别有m和n个神经元。
5.根据权利要求4所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述BP神经网络是通过输入的线性组合，然后通过神经元激活函数进行非线性变换，所述神经元激活函数选用Sigmoid函数，将估计值和实际测量值的均方误差MSE函数作为误差函数，并利用反向传播算法最小化所述误差函数，其中，所述均方误差MSE函数的表达式为：
6.根据权利要求1
7.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述遗传算法优化所述BP神经网络时，使用决定系数作为模型评价指标，决定系数的表达式为：
8.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法，其特征在于，所述BP神经网络模型使用Adam优化器优化模型参数，迭代次数为10000次。
...【技术特征摘要】
1.一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s2中的所述小波分析所采用的基函数为db10，信号的分解层数为3层。
3.根据权利要求2所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s2中的所述小波分析的阈值选取为改进的固定阈值，表达式为：
4.根据权利要求1所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述s3中的所述bp神经网络包括1个输入层、2个隐藏层和1个输出层，所述输入层有3个输入，所述2个隐藏层分别有m和n个神经元。
5.根据权利要求4所述的一种基于机器学习的lc湿度传感器漂移补偿方法，其特征在于，所述bp神经网络是通过输入的线性组合，然后通过神经元激活函数进行非线性变换，所述神经元激活函数选用...
【专利技术属性】
技术研发人员：任青颖，魏鸿飞，郭宇锋，姚佳飞，李金泽，李卫，许杰，王德波，许巍，王萌，
申请(专利权)人：南京邮电大学，
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。