CN109724692A - 一种光照度传感器校正方法、***、存储介质、计算设备 - Google Patents
一种光照度传感器校正方法、***、存储介质、计算设备 Download PDFInfo
- Publication number
- CN109724692A CN109724692A CN201811630075.2A CN201811630075A CN109724692A CN 109724692 A CN109724692 A CN 109724692A CN 201811630075 A CN201811630075 A CN 201811630075A CN 109724692 A CN109724692 A CN 109724692A
- Authority
- CN
- China
- Prior art keywords
- illuminance sensor
- output data
- training set
- sensor
- calibration model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种光照度传感器校正方法、***、存储介质、计算设备，所述方法包括如下步骤：数据收集：获取光照度传感器的输出数据；数据预处理：根据光照时刻对输出数据分为训练集和测试集；训练集权值计算：将训练集送入RBF神经网络，计算训练集相关权值；生成校正模型：获取PLC编写的RBF神经网络的前向神经网络部分；将计算得出的权值填入数据库中，得到光照度传感器校正模型；测试校正模型：将输出数据测试集送入光照度校正模型中，测试校正模型准确率。本发明通过利用RBF神经网络算法对温度进行非线性拟合，解决线性拟合结果跟实际温度误差较大的技术问题，从而实现对温度传感器的误差校正。
Description
技术领域
本发明属于传感器领域，特别涉及一种基于RBF神经网络与PLC的光照度传感器校正方法、***、存储介质、计算设备。
背景技术
光照度传感器是一种常用的检测仪器，其测量光照强度，为农业种植等对光照强度要求较高的生产领域提供了数据支持。光照度传感器在使用过程中会由于环境影响、设备老化等原因影响其测量精度进而影响测量结果。
现有的光照度传感器精度校正方法是通过对比待校正光照度传感器和正常精度光照度传感器置于户外接受光照后的输出数据，通过线性算法拟合两个传感器的输出，进而得到待校正光照度传感器的校正公式，但光照度传感器的输出结果具有非线性性，使用线性校正公式得到的结果误差较大。
因此需要一种适应光照度传感器非线性特性的校正方法。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种光照度传感器校正方法，其通过利用RBF神经网络算法对温度进行非线性拟合，解决线性拟合结果跟实际温度误差较大的技术问题，从而实现对温度传感器的误差校正。
本发明的第二个目的在于提供一种光照度传感器校正***。
本发明的第三个目的在于提供一种存储介质。
本发明的第四个目的在于提供一种计算设备。
本发明的第一个目的通过以下的技术方案实现：一种光照度传感器校正方法，包括如下步骤：
数据收集：获取光照度传感器的输出数据；其中，所述光照度传感器置于户外接受光照，包括待校正传感器与正常精度传感器；
数据预处理：根据光照时刻将输出数据分为训练集和测试集；
训练集权值计算：将训练集送入RBF神经网络，计算训练集相关权值；
生成校正模型：获取PLC编写的RBF神经网络的前向神经网络部分；将计算得出的权值填入数据库中，得到光照度传感器校正模型；
测试校正模型：将输出数据测试集送入光照度校正模型中，测试校正模型准确率。
优选的，所述将传感器置于户外接受光照时间为从正午到完全日落，按预设时间周期获取输出数据。
优选的，所述训练数据和测试数据数量比例为10:1。
优选的，所述RBF神经网络的前向神经网络部分、存储传感器输出数据、计算得出的输出数据权值均存储于PLC中。
更进一步的，所述PLC为西门子PLC。
本发明的第二个目的通过以下的技术方案实现：一种光照度传感器校正***，包括：
数据收集模块，用于获取传感器输出数据；
数据预处理模块，用于将传感器输出数据分类为训练集和测试集；
RBF神经网络模块；
所述RBF神经网络模块具体包括：
计算部分，即前向神经网络，用于计算训练集相关权值；
模型生成部分，用于获取前向神经网络部分计算结果，并根据训练集相关权值得到校正模型；
模型测试部分，用于将测试集送入校正模型并测试校正模型准确率。
优选的，所述神经网络模块为使用python语言编程并运行于Windows平台的神经网络算法。
本发明的第三个目的通过以下的技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的光照度传感器校正方法。
本发明的第四个目的通过以下的技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的光照度传感器校正方法。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明通过利用RBF神经网络算法对光照度进行非线性拟合，RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，可以并行高速地处理数据，解决线性拟合结果跟实际光照度误差较大的技术问题，从而实现对光照度传感器的误差校正；
2、本发明神经网络权值的计算在Windows平台上进行，能够充分利用电脑的性能缩短计算时间，并能应用到更大量训练数据与测试数据的场合；
3、本发明使用了PLC对光照度进行计算，能在计算光照度同时根据得出的光照度对其他输出设备进行控制，并且方便后期对不同应用情况进行维护。
附图说明
图1是本发明一种光照度传感器校正方法流程图；
图2是本发明一种光照度传感器校正***结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，一种光照度传感器校正方法，包括如下步骤：
数据收集：将待校正传感器与正常精度传感器置于户外，从正午到完全日落接受光照并每隔五分钟获取传感器的输出数据；
数据预处理：根据光照时刻对输出数据分为训练集和测试集，数据数量比例为10:1；
训练集权值计算：将训练集送入RBF神经网络，计算训练集相关权值；
RBF神经网络即径向基函数神经网络(Radical Basis Function)。RBF神经网络隐层单元的转移函数是关于中心对称的RBF(如高斯函数)。RBF神经网络是三层静态前馈神经网络，隐层单元数也就是网络的结构可以根据研究的具体问题，在训练阶段自适应地调整，目前，很多RBF神经网络的训练算法支持在线和离线训练，可以动态确定网络结构和隐层单元的数据中心和扩展常数，学***，从而每个任务都能达到较好的效果，这种并行的多任务***会使RBF神经网络的应用越来越广泛。总之，RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，可以并行高速地处理数据。
生成校正模型：获取PLC编写的RBF神经网络的前向神经网络部分；将计算得出的权值填入数据库中，得到光照度传感器校正模型；
测试校正模型：将输出数据测试集送入光照度校正模型中，测试校正模型准确率。
所述RBF神经网络的前向神经网络部分、存储传感器输出数据、计算得出的输出数据权值均存储于西门子PLC中。
如图2所示，一种光照度传感器校正***，包括：
数据收集模块，用于获取传感器输出数据；
数据预处理模块，用于将传感器输出数据分类为训练集和测试集；
RBF神经网络模块，为使用python语言编程并运行于Windows平台的神经网络算法；
所述RBF神经网络模块具体包括：
计算部分，即前向神经网络，用于计算训练集相关权值；
模型生成部分，用于获取前向神经网络部分计算结果，并根据训练集相关权值得到校正模型；
模型测试部分，用于将测试集送入校正模型并测试校正模型准确率。
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的光照度传感器校正方法。
一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的光照度传感器校正方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种光照度传感器校正方法，其特征在于，包括如下步骤：
数据收集：获取光照度传感器的输出数据；其中，所述光照度传感器置于户外接受光照，包括待校正传感器与正常精度传感器；
数据预处理：根据光照时刻将输出数据分为训练集和测试集；
训练集权值计算：将训练集送入RBF神经网络，计算训练集相关权值；
生成校正模型：获取PLC编写的RBF神经网络的前向神经网络部分；将计算得出的权值填入数据库中，得到光照度传感器校正模型；
测试校正模型：将输出数据测试集送入光照度校正模型中，测试校正模型准确率。
2.根据权利要求1所述的光照度传感器校正方法，其特征在于，所述将传感器置于户外接受光照时间为从正午到完全日落，按预设时间周期获取输出数据。
3.根据权利要求1所述的光照度传感器校正方法，其特征在于，所述训练数据和测试数据数量比例为10:1。
4.根据权利要求1所述的光照度传感器校正方法，其特征在于，所述RBF神经网络的前向神经网络部分、存储传感器输出数据、计算得出的输出数据权值均存储于PLC中。
5.根据权利要求4所述的光照度传感器校正方法，其特征在于，所述PLC为西门子PLC。
6.一种光照度传感器校正***，其特征在于，包括：
数据收集模块，用于获取传感器输出数据；
数据预处理模块，用于将传感器输出数据分类为训练集和测试集；
RBF神经网络模块；
所述RBF神经网络模块具体包括：
计算部分，即前向神经网络，用于计算训练集相关权值；
模型生成部分，用于获取前向神经网络部分计算结果，并根据训练集相关权值得到校正模型；
模型测试部分，用于将测试集送入校正模型并测试校正模型准确率。
7.根据权利要求6所述的光照度传感器校正***，其特征在于，所述神经网络模块为使用python语言编程并运行于Windows平台的神经网络算法。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现上述的光照度传感器校正方法。
9.一种计算设备，其特征在于，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的光照度传感器校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630075.2A CN109724692A (zh) | 2018-12-29 | 2018-12-29 | 一种光照度传感器校正方法、***、存储介质、计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630075.2A CN109724692A (zh) | 2018-12-29 | 2018-12-29 | 一种光照度传感器校正方法、***、存储介质、计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109724692A true CN109724692A (zh) | 2019-05-07 |
Family
ID=66296629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811630075.2A Pending CN109724692A (zh) | 2018-12-29 | 2018-12-29 | 一种光照度传感器校正方法、***、存储介质、计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109724692A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110196069A (zh) * | 2019-05-28 | 2019-09-03 | 北京航空航天大学 | 一种传感器补偿***及其补偿方法 |
| CN111076758A (zh) * | 2019-11-26 | 2020-04-28 | 北京工业大学 | 一种基于物联网的高空探测传感器自动标校方法 |
| CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及*** |
| CN111811786A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市路美康尔医疗科技有限公司 | 一种紫外消毒柜的曝光强度标定方法 |
| CN112903093A (zh) * | 2021-02-01 | 2021-06-04 | 清华大学 | 基于深度学习的近场分布光度测量方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121924A (zh) * | 2017-03-03 | 2017-09-01 | 中国农业大学 | 一种基于rbf神经网络的室内视觉环境调控***及方法 |
-
2018
- 2018-12-29 CN CN201811630075.2A patent/CN109724692A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121924A (zh) * | 2017-03-03 | 2017-09-01 | 中国农业大学 | 一种基于rbf神经网络的室内视觉环境调控***及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 侯立群等: "基于RBF神经网络的传感器非线性误差校正方法", 《传感器技术》 * |
| 樊润洁 等: "基于神经网络的传感器非线性误差校正方法", 《电子设计工程》 * |
| 陈丽华等: "《人工神经网络及其在水质信息检测中的应用》", 30 April 2011 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110196069A (zh) * | 2019-05-28 | 2019-09-03 | 北京航空航天大学 | 一种传感器补偿***及其补偿方法 |
| CN111076758A (zh) * | 2019-11-26 | 2020-04-28 | 北京工业大学 | 一种基于物联网的高空探测传感器自动标校方法 |
| CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及*** |
| CN111811786A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市路美康尔医疗科技有限公司 | 一种紫外消毒柜的曝光强度标定方法 |
| CN112903093A (zh) * | 2021-02-01 | 2021-06-04 | 清华大学 | 基于深度学习的近场分布光度测量方法及装置 |
| CN112903093B (zh) * | 2021-02-01 | 2022-04-08 | 清华大学 | 基于深度学习的近场分布光度测量方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109724692A (zh) | 一种光照度传感器校正方法、***、存储介质、计算设备 | |
| Wu et al. | Simulating daily field crop canopy photosynthesis: an integrated software package | |
| CN111982302B (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
| Hongkang et al. | Recurrent neural network model for prediction of microclimate in solar greenhouse | |
| US20190072075A1 (en) | Method and device for detecting equivalent load of wind turbine | |
| CN108921359B (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
| CN114331233A (zh) | 植被总初级生产力估算方法、装置、电子设备及存储介质 | |
| CN110441374B (zh) | 一种基于sa-bp神经网络的溶氧传感器补偿方法 | |
| CN110795780A (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
| CN108227759B (zh) | 一种基于神经网络预测技术的太阳能跟踪控制*** | |
| CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
| CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
| CN112713881B (zh) | 一种基于边缘计算的同步时钟维持***与方法 | |
| CN111832790A (zh) | 一种供水管网预测中长期需水量的方法及*** | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN111596006A (zh) | 一种大气在线监测仪的校准方法及监测仪 | |
| CN114599127A (zh) | 一种城市照明***智能控制方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
| CN115017799B (zh) | 基于em-dbn融合的无量测区太阳辐射估计方法 | |
| Saito et al. | Optimization of a prognostic biosphere model for terrestrial biomass and atmospheric CO 2 variability | |
| CN105675807A (zh) | 一种基于bp神经网络的莠去津残留评价方法 | |
| CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |