CN113108949A - 一种基于模型融合的探空仪温度传感器误差预测方法 - Google Patents
一种基于模型融合的探空仪温度传感器误差预测方法 Download PDFInfo
- Publication number
- CN113108949A CN113108949A CN202110279691.3A CN202110279691A CN113108949A CN 113108949 A CN113108949 A CN 113108949A CN 202110279691 A CN202110279691 A CN 202110279691A CN 113108949 A CN113108949 A CN 113108949A
- Authority
- CN
- China
- Prior art keywords
- model
- error
- temperature sensor
- prediction
- sonde
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模型融合的探空仪温度传感器误差预测方法,属于传感器技术领域。本发明包含以下步骤:构建高空气象探测数据集;利用特征工程进行相应影响因素构建;设计增强型深度神经网络模型;设计基于模型融合的传感器误差预测方法。本发明充分利用机器学习在误差预测中的优势,并以残差为思想,设计了针对探空仪温度传感器误差的预测模型,有效地提升了传感器的测量精度。
Description
技术领域
本发明涉及传感器技术领域,尤其涉及一种基于模型融合的探空仪温度传感器误差预测方法。
背景技术
目前,在高空气象探测领域,温度传感器误差预测主要采用定性分析方法,通过测量温度传感器在不同经纬度、海拔高度等气象条件下的测量误差,构建温度传感器误差修正表从而实现传感器误差预测。然而,查表法仅给出了一个大概的误差范围,并无准确地误差数据,且由于传感器制作原料、流程、工艺等方面的影响,简单的查表法并不能满足传感器测量精度的要求。
随着计算机仿真技术的发展,通过流体力学仿真进行误差量化分析成为了高空探测领域主要的研究方法。通过设计流体动力学模型,构建温度传感器仿真模式图,并对传感器测量误差进行计算,通过最小二乘法对测量误差进行回归分析,实现了温度传感器误差预测,此方法一直保留在仿真数据中,并未在实际环境中得到应用,缺乏一定的实用性因素。
机器学习作为一种新兴的信息处理方法,为高空气象探测领域带来了新的解决方案,通过构建基于模型融合的探空温度传感器误差预测模型,并通过对实际气象探测过程中传感器采集的数据进行学习,可以实现温度传感器误差预测,提高传感器测量精度。
发明内容
本发明针对于高空气象探测过程中,由于太阳辐射、入云出云等因素干扰导致传感器存在测量误差的问题,提出了一种基于模型融合的探空仪温度传感器误差预测方法。该方法通过将深度神经网络、高斯函数、支持向量机、XGBoost、逻辑回归相结合,基于残差思想设计了一种针对探空仪温度传感器误差的预测方法,通过对温度传感器进行误差预测,实现误差补偿,使温度传感器测量精度进一步提升,满足了高空气象探测领域对传感器测量精度的需求。
为实现上述目的,本发明采用如下技术方案:
一种基于模型融合的探空仪温度传感器误差预测方法,主要包含以下步骤:
步骤1:构建高空气象探测数据集
在进行传感器误差预测模型构建时,首先需要进行传感器数据采集。所使用数据基于高空探测过程中实际测量的数据,研究对象为待修正温度传感器与国际标准温度传感器。探空仪数据传输***每1s传输一次测量的高空气象要素数据。所构造的数据集共有18种与传感器测量误差相关的数据。
步骤2:设计增强型深度神经网络模型
对于探空仪温度传感器误差预测,由于其有较高的预测精度需求,采用传统的深度神经网络结构无法高精度地进行预测。因此提出了将高斯函数代替Sigmoid函数作为网络隐藏层的激活函数,以进一步地提取不同特征值之间的关系,提升模型的预测性能。
步骤3:设计基于模型融合的传感器误差预测方法
首先通过3折交叉验证将原始数据集划分成3个子数据集,然后将分割的数据输入到第1层的预测模型中,并输出各自的预测结果。最后,根据残差思想,将第1层的输出值作为第2层的输入,对第2层预测模型的学习算法进行训练,使其学习第一层预测值与最终标准值之间的残差,以进一步提升预测精度。
在进行模型构建时,选择了基于超平面的支持向量机模型(SVM)、基于树原理的XGBoost模型、基于神经元的深度神经网络模型(DNN)、基于加权的逻辑回归模型(LR)。在SVM、DNN、XGBoost预测结果的基础上,再训练一个LR模型,通过对不同模型预测结果进行加权分析,把各个模型在提取特征较好的部分给抓取出来,同时舍弃它们各自表现不好的部分,以有效地优化预测结果、提高最终预测精度。
本发明与现有技术相比具有以下优点:
1.与现有的查表法、计算机模型仿真相比,通过采集实际高空气象探测过程中的数据,构建传感器误差预测模型,得以实际工程应用。
2.与传统的单一模型相比,以残差为思想,采用模型融合的方法,增强了模型的误差预测精度,提高了传感器性能。
附图说明
图1是基于模型融合的探空仪温度传感器误差预测整体架构图
图2是支持向量机传感器误差预测可视图
图3是XGBoost传感器误差预测可视图
表1是探空仪采集数据表
表2是深度神经网络误差预测对比表
表3是各模型预测结果对比表
具体实施方式
本发明实现的是基于模型融合的探空仪温度传感器误差预测。下面将结合附图详细介绍本发明采用的具体方法。
图1所示为基于模型融合的探空仪温度传感器误差预测整体架构图,其主要由深度神经网络、支持向量机、XGBoost、逻辑回归四部分组成。
(一)深度神经网络
根据深度神经网络基本结构,选用5层网络进行训练,一个输入层、三个隐藏层、一个输出层。由采集的数据可知,所用到的特征有时间、经度、纬度、海拔高度等14个特征。根据相关知识,所构造出的特征有太阳高度角、升空速度、升空速度分组等3个特征,即数据集具有17个与传感器测量误差相关的特征,其数据集内容如表1所示。
由数据集可知,深度神经网络输入层有17个神经元;为了能实现较好的误差修正能力,隐含层设计为20—30—10;经过深度神经网络预测后,使其输出对应的预测误差,所以输出层有1个神经元,即网络结构为17—20—30—10—1。
为验证本发明所提出的高斯函数对预测结果的影响,激活函数分别采用了传统的Sigmoid函数与高斯函数进行对比试验。将相同的测试数据输入到深度神经网络中,经过训练使网络达到最终收敛,统计不同模型下预测的误差值,所用到的评价指标有衡量误差整体分布情况的均方根误差(MSE)、衡量预测误差大小的平均误差(ME)、衡量误差分散情况的标准差(δ)三个指标。Sigmoid函数与高斯函数预测结果如表2所示。
(二)支持向量机
本发明所设计的支持向量机核函数为径向基函数,核函数系数为10-3,惩罚系数为10。将相同的测试数据输入到支持向量机中,经过训练使模型达到最终收敛,其预测结果可视化图形如图2所示。
(三)XGBoost
本发明所设计的XGBoost模型树深度为3,树数目为500,学习率为0.01。将相同的测试数据输入到XGBoost模型中,经过训练使模型达到最终收敛,其预测结果可视化图形如图3所示。
(四)融合模型
根据残差思想,将DNN、XGBoost、SVM、LR相结合,构造了融合预测模型。在SVM、DNN、XGBoost预测结果的基础上,再训练一个LR模型,通过对不同模型预测结果进行加权分析,把各个模型在提取特征较好的部分给抓取出来,同时舍弃它们各自表现不好的部分,以有效地优化预测结果、提高最终预测精度,各模型预测精度对比如表3所示。
表1探空仪采集数据表
参数 | 数值 | 参数 | 数值 |
时间/H | 18:58:05 | 距离/m | 0.148 |
测量气压/hPa | 992.59 | 经度/° | 112.7879 |
测量温度/℃ | 30.94 | 纬度/° | 28.1095 |
测量湿度/% | 68 | 方位角/° | 76.4 |
露点/℃ | 24.34 | 仰角/° | 1.6 |
海拔/m | 119.3 | 标准时/H | 39483 |
风速/m/s | 5.35 | 标准温度/℃ | 31.2 |
风向/° | 128.1 |
表2深度神经网络误差预测对比表
函数 | 均方根误差 | 平均误差 | 标准差 |
Sigmoid函数 | 0.13 | -0.0110 | 0.3393 |
高斯函数 | 0.11 | -0.005 | 0.3369 |
表3各模型预测结果对比表
模型 | 均方根误差 | 平均误差 | 标准差 |
修正前 | 0.50 | -0.5547 | 0.4392 |
DNN | 0.13 | -0.011 | 0.3393 |
DNN+高斯函数 | 0.11 | -0.005 | 0.3369 |
LR | 0.21 | 0.1837 | 0.3618 |
SVM | 0.15 | 0.1499 | 0.3512 |
XGBoost | 0.07 | -0.0042 | 0.2288 |
模型融合 | 0.04 | 8.70E-18 | 0.2054 |
Claims (7)
1.一种基于模型融合的探空仪温度传感器误差预测方法,其特征在于:包含以下步骤:
步骤1:构建高空气象探测数据集;
在进行传感器误差预测模型构建时,首先需要进行传感器数据采集;所使用数据基于高空探测过程中实际测量的数据,研究对象为待修正温度传感器与国际标准温度传感器;探空仪数据传输***每1s传输一次测量的高空气象要素数据;所构造的数据集共有18种与传感器测量误差相关的数据;
步骤2:设计增强型深度神经网络模型;
对于探空仪温度传感器误差预测,将高斯函数代替Sigmoid函数作为网络隐藏层的激活函数,以提取不同特征值之间的关系,提升模型的预测性能;
步骤3:设计基于模型融合的传感器误差预测方法;
首先通过3折交叉验证将原始数据集划分成3个子数据集,然后将分割的数据输入到第1层的预测模型中,并输出各自的预测结果;最后,根据残差思想,将第1层的输出值作为第2层的输入,对第2层预测模型的学习算法进行训练,使其学习第一层预测值与最终标准值之间的残差,以提升预测精度;
在进行模型构建时,选择基于超平面的支持向量机模型SVM、基于树原理的XGBoost模型、基于神经元的深度神经网络模型DNN、基于加权的逻辑回归模型LR。
2.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,采集实际高空气象探测过程中测量的时间、距离、气压、经度、温度、纬度、湿度、方位角、露点、仰角、海拔、标准时、风速、标准温度、风向共15个特征气象要素特征。
3.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,对高空气象探测过程中传感器测量误差影响因素进行构建,包括太阳高度角、升空速度、升空速度分组、入云、出云共5个特征。
4.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,将采集到的与温度传感器测量误差有关的15原始特征和5个构造特征相结合,构建高空气象探测数据集。
5.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,对于深度神经网络中隐藏层激活函数,将高斯函数代替Sigmoid函数,提升模型对温度传感器测量误差预测精度。
6.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,以残差为思想,将深度神经网络、XGBoost、支持向量机、逻辑回归相结合,构造两级预测模型,提升模型预测精度。
7.根据权利要求1所述的基于模型融合的探空仪温度传感器误差预测方法,其特征在于,在SVM、DNN、XGBoost预测结果的基础上,再训练一个LR模型,通过对不同模型预测结果进行加权分析,把各个模型在提取特征好的部分抓取出来,同时舍弃各自表现不好的部分,以优化预测结果、提高最终预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279691.3A CN113108949B (zh) | 2021-03-16 | 2021-03-16 | 一种基于模型融合的探空仪温度传感器误差预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279691.3A CN113108949B (zh) | 2021-03-16 | 2021-03-16 | 一种基于模型融合的探空仪温度传感器误差预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113108949A true CN113108949A (zh) | 2021-07-13 |
CN113108949B CN113108949B (zh) | 2022-11-04 |
Family
ID=76711502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279691.3A Active CN113108949B (zh) | 2021-03-16 | 2021-03-16 | 一种基于模型融合的探空仪温度传感器误差预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113108949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116268545A (zh) * | 2023-05-23 | 2023-06-23 | 深圳市鸿云智科技有限公司 | 一种烟支重量检测的诊断方法及校准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | ***通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN109902346A (zh) * | 2019-01-24 | 2019-06-18 | 东南大学 | 基于神经网络的区域加权平均温度信息获取方法 |
CN110220725A (zh) * | 2019-05-30 | 2019-09-10 | 河海大学 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-03-16 CN CN202110279691.3A patent/CN113108949B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | ***通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN109902346A (zh) * | 2019-01-24 | 2019-06-18 | 东南大学 | 基于神经网络的区域加权平均温度信息获取方法 |
CN110220725A (zh) * | 2019-05-30 | 2019-09-10 | 河海大学 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116268545A (zh) * | 2023-05-23 | 2023-06-23 | 深圳市鸿云智科技有限公司 | 一种烟支重量检测的诊断方法及校准方法 |
CN116268545B (zh) * | 2023-05-23 | 2023-08-15 | 深圳市鸿云智科技有限公司 | 一种烟支重量检测的诊断方法及校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113108949B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN110633790B (zh) | 基于卷积神经网络的飞机油箱剩余油量测量方法和*** | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN105223241A (zh) | 一种湿度传感器的补偿方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN111638034B (zh) | 基于深度学***温度梯度误差补偿方法及*** | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及*** | |
CN114118537A (zh) | 一种空域航班碳排放量组合预测方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、***及装置 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN114066070A (zh) | 基于人工智能和数值计算的天气预报方法 | |
CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN116305703A (zh) | 一种面向仿真***的环境参数空间一致性表征方法 | |
CN113379151A (zh) | 基于Bagging-CNN-GRU的风速超短期预测方法 | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及*** |
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 | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221104 Address after: 100012 817, Floor 8, No. 101, Floor 3 to 8, Building 17, Rongchuang Road, Chaoyang District, Beijing Patentee after: Beijing Ge Lei Information Technology Co.,Ltd. Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing Patentee before: Beijing University of Technology |