CN111272216A - 一种基于bp神经网络的温湿度补偿方法及装置 - Google Patents
一种基于bp神经网络的温湿度补偿方法及装置 Download PDFInfo
- Publication number
- CN111272216A CN111272216A CN202010048415.1A CN202010048415A CN111272216A CN 111272216 A CN111272216 A CN 111272216A CN 202010048415 A CN202010048415 A CN 202010048415A CN 111272216 A CN111272216 A CN 111272216A
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- neural network
- output
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于BP神经网络的温湿度补偿方法及装置，其基于环境检测传感设备和BP神经网络模型实现，所述环境检测传感设备包含内部温湿度传感器、外部温湿度传感器、微处理器单元、电源管理单元和通信模块，所述BP神经网络模型包含输入层、隐藏层和输出层，所述微处理器单元实时采集气体传感模块、双温湿度采集结构的数值，经过一系列补偿处理，最终显示在显示单元上。
Description
技术领域
本发明涉及环境检测技术领域，特别涉及一种基于BP神经网络的温湿度补偿方法及装置，具体应用于空气环境检测***。
背景技术
如今，物联网技术正在影响着人们的生活和生产，此技术广泛应用在智能家居领域中。传感设备作为数据采集的边缘节点，是把传统家居设备如开关、面板、灯具、窗帘电机等结合起来的桥梁，通过各式各样的传感器，我们可以完美地实现智能家居的情景化。智能环境检测面板采集温湿度，PM2.5，空气质量，亮度等信息，连接其他设备对环境质量进行精确监控和控制。但是由于设备本身元器件工作产生的热量，直接影响到输出温湿度数据的准确性，导致不能真实反映出实际空间中环境质量参数，因此成为了使此类设备输出准确检测数值的一个技术难点。
为了解决这个难题，本发明利用BP神经网络的方法，导入数据建立训练模型，再将得到的模型应用到传感设备中进行温湿度修正，保证了最后得到数据的准确性。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种应用在智能环境检测面板传感设备中的温湿度补偿装置***，采用神经网络训练算法，将采集到的大量数据不断对模型训练，使得模型具有对温湿度补偿的能力。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于BP神经网络的温湿度补偿方法，其基于环境检测传感设备和BP神经网络模型实现，所述环境检测传感设备包含内部温湿度传感器、外部温湿度传感器、微处理器单元、电源管理单元和通信模块，所述BP神经网络模型包含输入层、隐藏层和输出层，温湿度补偿方法基于上述环境检测传感设备和BP神经网络模型内容具有以下步骤：
步骤1，建立包含2个输入层、5个隐藏层和1个输出层的BP神经网络模型，给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数，给定计算精度值和最大学习次数；
步骤2，从样本数据中随机选取第K组数据，包括外部温湿度数值、内部NTC输出设备内部的真实温度值、以及期望输出值；
步骤3，对数据进行归一化处理，将外部温湿度数值、内部NTC输出设备内部的真实温度值两组数据输入到模型中计算隐藏层各神经元的输入和输出；
步骤4，通过训练得出实际输出Oi，与期望输出值Bi对比，求出误差D＝Bi-Oi，利用输出层各神经元的误差函数偏导数和隐藏层各神经元的输出来修正连接权值；
步骤5，判断模型误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一组温湿度数值样本进行下一轮学习。
上述的连接权值为消除样本数据偏差的权重系数，是一个rand函数在0-1之间的取值，通过温湿度原始数据输入变量和其自己的权重系数的乘积的求和输入到神经元上，通过映射函数来进行映射得到结果。
上述的BP神经网络模型采用的传递函数是非线性变换函数，选取双极性S型函数，保证输出值范围为(-1,1)。
一种基于BP神经网络的温湿度补偿装置，包括微处理器单元、以及与微处理器单元电连接的电源管理单元、气体传感器模块、显示单元、双温湿度采集结构和通讯模块，所述微处理器单元实时采集气体传感模块、双温湿度采集结构的数值，经过一系列补偿处理，最终显示在显示单元上。
上述的双温湿度采集结构包括外部温湿度传感器和内部温湿度传感器，显示单元设置为液晶显示屏。
综上所述，本发明对比于现有技术的有益效果为：能够更加精确的检测环境温湿度，对环境温湿度变化的响应速度更加灵敏。并且补偿值与时间无关，设备频繁开关机的情况下也不会出现温湿度的偏差。传统单温湿度传感器检测的方案由于无法区分设备热启动或者内部发热导致的误差，所能达到的检测精度较低，双通道温湿度传感器的方案解决了此问题。即使在外界有干扰的情况下仍具有较高的精度和稳定性。
附图说明
图1为智能环境检测面板传感设备的***示意图；
图2为神经元模型示意图；
图3为BP神经网络模型示意图；
图4为样本数据与期望值的关系；
图5为测试数据与模型输出值的关系。
具体实施方案
以下结合附图对发明作进一步详细说明。
一种基于BP神经网络的温湿度补偿方法，参照图1和图3所示，其基于环境检测传感设备和BP神经网络模型实现，所述环境检测传感设备包含内部温湿度传感器、外部温湿度传感器、微处理器单元、电源管理单元和通信模块，所述BP神经网络模型包含输入层、隐藏层和输出层，温湿度补偿方法基于上述环境检测传感设备和BP神经网络模型内容具有以下步骤：
步骤1，建立包含2个输入层、5个隐藏层和1个输出层的BP神经网络模型，给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数，给定计算精度值和最大学习次数；
步骤2，从样本数据中随机选取第K组数据，包括外部温湿度数值、内部NTC输出设备内部的真实温度值、以及期望输出值(即当前真实环境温湿度)；
步骤3，对数据进行归一化处理，将外部温湿度数值、内部NTC输出设备内部的真实温度值两组数据输入到模型中计算隐藏层各神经元的输入和输出；
步骤4，通过训练得出实际输出Oi，与期望输出值Bi对比，求出误差D＝Bi-Oi，利用输出层各神经元的误差函数偏导数和隐藏层各神经元的输出来修正连接权值；
步骤5，判断模型误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一组温湿度数值样本进行下一轮学习。
BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
针对神经元模型和信息传递过程解释如下：
参照图2所示，图中Xi是一系列温湿度原始数据输入变量，对应在其箭头方向上的是一个权重系数；上述的连接权值就是为消除样本数据偏差的权重系数，是一个rand函数在0-1之间的取值，通过输入变量Xi和其自己的权重系数Wi的乘积的求和输入到神经元上，此时神经元得到了输入变量和其权重的乘积累加和，通过映射函数F(x)来进行映射得到结果。
为了能够便于数学推到运算，可以将输入简化为X＝[x0,x1,x2,......,xn]，本***中输入的是未经处理的温湿度传感器输出数值和此数值与内部NTC的温差，因此n＝1。
权重系数可以简化为
同理n＝1。
BP神经网络模型采用的传递函数是非线性变换函数，选取双极性S型函数
保证输出值范围为(-1,1)。
在本方法中设定的期望误差为0.0001(过小的误差会导致过拟合，误差反向增大)，设定最大学习次数为1000，在训练次数达到655次时误差满足要求，结束训练。图4所示样本数据中温度差值与补偿值的关系，图5所示输入测试数据后得到温度差值与补偿值的关系，对比可见模型输出值符合设定的误差，最后将模型的输出值反归一化为实际温度值，即可得到经过补偿后的准确温湿度数据。
一种基于BP神经网络的温湿度补偿装置，包括微处理器单元、以及与微处理器单元电连接的电源管理单元、气体传感器模块、显示单元、双温湿度采集结构和通讯模块，所述微处理器单元实时采集气体传感模块、双温湿度采集结构的数值，经过一系列补偿处理，最终显示在显示单元上。
上述的双温湿度采集结构包括外部温湿度传感器和内部温湿度传感器，显示单元设置为液晶显示屏。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (5)
1.一种基于BP神经网络的温湿度补偿方法，其特征是：其基于环境检测传感设备和BP神经网络模型实现，所述环境检测传感设备包含内部温湿度传感器、外部温湿度传感器、微处理器单元、电源管理单元和通信模块，所述BP神经网络模型包含输入层、隐藏层和输出层，温湿度补偿方法基于上述环境检测传感设备和BP神经网络模型内容具有以下步骤：
步骤1，建立包含2个输入层、5个隐藏层和1个输出层的BP神经网络模型，给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数，给定计算精度值和最大学习次数；
步骤2，从样本数据中随机选取第K组数据，包括外部温湿度数值、内部NTC输出设备内部的真实温度值、以及期望输出值；
步骤3，对数据进行归一化处理，将外部温湿度数值、内部NTC输出设备内部的真实温度值两组数据输入到模型中计算隐藏层各神经元的输入和输出；
步骤4，通过训练得出实际输出Oi，与期望输出值Bi对比，求出误差D＝Bi-Oi，利用输出层各神经元的误差函数偏导数和隐藏层各神经元的输出来修正连接权值；
步骤5，判断模型误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一组温湿度数值样本进行下一轮学习。
2.根据权利要求1所述的一种基于BP神经网络的温湿度补偿方法，其特征是：所述连接权值为消除样本数据偏差的权重系数，是一个rand函数在0-1之间的取值，通过温湿度原始数据输入变量和其自己的权重系数的乘积的求和输入到神经元上，通过映射函数来进行映射得到结果。
3.根据权利要求1所述的一种基于BP神经网络的温湿度补偿方法，其特征是：所述BP神经网络模型采用的传递函数是非线性变换函数，选取双极性S型函数，保证输出值范围为(-1,1)。
4.一种基于BP神经网络的温湿度补偿装置，其特征是：包括微处理器单元、以及与微处理器单元电连接的电源管理单元、气体传感器模块、显示单元、双温湿度采集结构和通讯模块，所述微处理器单元实时采集气体传感模块、双温湿度采集结构的数值，经过一系列补偿处理，最终显示在显示单元上。
5.根据权利要求4所述的一种基于BP神经网络的温湿度补偿装置，其特征是：所述双温湿度采集结构包括外部温湿度传感器和内部温湿度传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010048415.1A CN111272216B (zh) | 2020-01-16 | 2020-01-16 | 一种基于bp神经网络的温湿度补偿方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010048415.1A CN111272216B (zh) | 2020-01-16 | 2020-01-16 | 一种基于bp神经网络的温湿度补偿方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111272216A true CN111272216A (zh) | 2020-06-12 |
| CN111272216B CN111272216B (zh) | 2024-07-09 |
Family
ID=70999092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010048415.1A Active CN111272216B (zh) | 2020-01-16 | 2020-01-16 | 一种基于bp神经网络的温湿度补偿方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111272216B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111981326A (zh) * | 2020-08-12 | 2020-11-24 | 罗普特科技集团股份有限公司 | 一种管廊漏水检测方法和装置 |
| CN112113927A (zh) * | 2020-08-31 | 2020-12-22 | 中国计量大学 | 一种中红外甲烷传感器的测试***及数据补偿方法 |
| CN112798783A (zh) * | 2021-04-12 | 2021-05-14 | 北京华益精点生物技术有限公司 | 血糖检测***和方法 |
| CN113033096A (zh) * | 2021-03-24 | 2021-06-25 | 应急管理部四川消防研究所 | 基于深度学习的建筑风险预警的分析方法 |
| CN114265458A (zh) * | 2022-01-05 | 2022-04-01 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种实现风管温湿度以及房间内温湿度精确控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN105606499A (zh) * | 2015-11-12 | 2016-05-25 | 南京信息工程大学 | 悬浮颗粒物质量浓度实时检测装置及测量方法 |
| CN108332837A (zh) * | 2017-12-06 | 2018-07-27 | 芯海科技（深圳）股份有限公司 | 一种应用于电子秤的基于bp神经网络补偿温度增益方法 |
| CN109492689A (zh) * | 2018-11-06 | 2019-03-19 | 合肥工业大学智能制造技术研究院 | 一种电动汽车故障诊断方法 |
| CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
| CN211121345U (zh) * | 2019-12-03 | 2020-07-28 | 杭州麦乐克科技股份有限公司 | 一种智能环境检测面板传感设备的双温度补偿*** |
-
2020
- 2020-01-16 CN CN202010048415.1A patent/CN111272216B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN105606499A (zh) * | 2015-11-12 | 2016-05-25 | 南京信息工程大学 | 悬浮颗粒物质量浓度实时检测装置及测量方法 |
| CN108332837A (zh) * | 2017-12-06 | 2018-07-27 | 芯海科技（深圳）股份有限公司 | 一种应用于电子秤的基于bp神经网络补偿温度增益方法 |
| CN109492689A (zh) * | 2018-11-06 | 2019-03-19 | 合肥工业大学智能制造技术研究院 | 一种电动汽车故障诊断方法 |
| CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
| CN211121345U (zh) * | 2019-12-03 | 2020-07-28 | 杭州麦乐克科技股份有限公司 | 一种智能环境检测面板传感设备的双温度补偿*** |
Non-Patent Citations (1)
| Title |
|---|
| 刘子骐;杨留方;: "基于BP人工神经网络的气体传感器温度补偿", 仪表技术与传感器, no. 04, 15 April 2017 (2017-04-15) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111981326A (zh) * | 2020-08-12 | 2020-11-24 | 罗普特科技集团股份有限公司 | 一种管廊漏水检测方法和装置 |
| CN111981326B (zh) * | 2020-08-12 | 2022-05-17 | 罗普特科技集团股份有限公司 | 一种管廊漏水检测方法和装置 |
| CN112113927A (zh) * | 2020-08-31 | 2020-12-22 | 中国计量大学 | 一种中红外甲烷传感器的测试***及数据补偿方法 |
| CN112113927B (zh) * | 2020-08-31 | 2022-10-04 | 中国计量大学 | 一种中红外甲烷传感器的测试***及数据补偿方法 |
| CN113033096A (zh) * | 2021-03-24 | 2021-06-25 | 应急管理部四川消防研究所 | 基于深度学习的建筑风险预警的分析方法 |
| CN113033096B (zh) * | 2021-03-24 | 2023-04-18 | 应急管理部四川消防研究所 | 基于深度学习的建筑风险预警的分析方法 |
| CN112798783A (zh) * | 2021-04-12 | 2021-05-14 | 北京华益精点生物技术有限公司 | 血糖检测***和方法 |
| CN114265458A (zh) * | 2022-01-05 | 2022-04-01 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种实现风管温湿度以及房间内温湿度精确控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111272216B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111272216A (zh) | 一种基于bp神经网络的温湿度补偿方法及装置 | |
| CN101962708B (zh) | 大型板材真空退火炉多温区均温性控制***及其控制方法 | |
| CN103561497B (zh) | 一种分布式微波加热干燥控制装置及方法 | |
| CN108332837A (zh) | 一种应用于电子秤的基于bp神经网络补偿温度增益方法 | |
| CN104778345A (zh) | 一种模拟光伏电池模型老化故障的非线性参数计算方法 | |
| CN105987775A (zh) | 一种基于bp神经网络的温度传感器非线性校正方法及*** | |
| CN106373124A (zh) | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 | |
| CN114599127A (zh) | 一种城市照明***智能控制方法 | |
| CN109635519B (zh) | 一种基于电磁场和温度场耦合的微波光子器件建模方法 | |
| CN115808211A (zh) | 一种公共建筑温度及热舒适度监测与预测*** | |
| CN113111419A (zh) | 办公建筑内空调负荷预测模型建立、预测方法及*** | |
| CN211121345U (zh) | 一种智能环境检测面板传感设备的双温度补偿*** | |
| CN104503226A (zh) | 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控*** | |
| CN109405884B (zh) | 基于温湿度传感器的实现湿度校准功能的***及方法 | |
| Zhang et al. | Drying control system for persimmon based on single-chip computer and PID | |
| CN114509185A (zh) | 低温环境声表面波温度传感器测量精度分区***及方法 | |
| Li et al. | Design on the central air-conditioning controller based on LabVIEW | |
| CN113280381A (zh) | 一种吸油烟机调节档位的方法及吸油烟机 | |
| Song et al. | Global maximum power point tracking for PV conversion systems under partial shadings: NNIDA based approach | |
| CN109323360B (zh) | 一种空气质量检测方法和具有自动校准功能的空气净化器 | |
| Li et al. | Research on the radar chart theory applied to the indoor environmental comfort level evaluation | |
| Shen et al. | Study on Multifactor Control Experiment and Design of Quality Detection System for Yuba Skin Production | |
| CN117309195B (zh) | 测温仪表的检测方法、装置及电子设备 | |
| Liu et al. | Design of Medical Cold Chain Information Acquisition System Based on Linear Prediction | |
| TWI698779B (zh) | 觸控訊號之訊號處理方法及應用其之訊號處理系統 |
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 | ||
| GR01 | Patent grant |