1 引言

近年來，芬蘭Vaisala 公司生產(chǎn)的HMP45D 溫濕一體化傳感器已廣泛應用于地面自動氣象站觀測系統(tǒng)中。

HMP45D 溫濕度傳感器采用濕敏電容測量濕度，從介電常數(shù)變化型電容傳感器工作原理可知，不僅相對濕度的變化會引起電容介質介電常數(shù)的變化，溫度的變化也會引起電容介質介電常數(shù)的變化。

盡管廠家根據(jù)不同溫度下的傳感器輸出與實際相對濕度關系給出了溫度補償，可將部分誤差補償，但在實際應用中，在高溫高濕下補償效果很不理想，因此研究和采用新方法提高測量準確度，進一步減小誤差，是濕度傳感器研發(fā)和氣象觀測人員最關心的問題。

為進一步消除溫度的影響，可采用硬件電路補償和軟件補償對濕度傳感器的輸出信號進行處理。硬件補償方法由于受到電路中電子器件漂移等因素的影響，導致整個測量系統(tǒng)可靠性差且精度低。軟件補償方法有插值法、最小二乘多項式曲線擬合法、BP 神經(jīng)網(wǎng)絡方法等，然而插值法需要把量程進行分段線性化處理，每一段用直線近似代替曲線，分的區(qū)間越多，精度越高，但所需存儲量也就越大，所以實際效果并不理想，最小二乘多項式曲線擬合在應用過程中，當數(shù)據(jù)點較多時，容易出現(xiàn)振蕩現(xiàn)象，導致形成病態(tài)或奇異的方程組，無法獲得多項式系數(shù)，因而其應用受到限制，BP 神經(jīng)網(wǎng)絡由于是非線性優(yōu)化，權值的初始化是隨機的，所以會存在局部極小問題，而且新加入的樣本會影響到已經(jīng)學好的樣本，學習算法的收斂速度慢。

本文在分析現(xiàn)有研究方法不足的基礎上，研究了采用改進遺傳算法來優(yōu)化BP 神經(jīng)網(wǎng)絡的方法，重點討論了遺傳算法中的混合編碼方案，適應度函數(shù)的選擇以及部分參數(shù)的優(yōu)化，達到改進遺傳算法的目的，并以此來優(yōu)化BP 神經(jīng)網(wǎng)絡，建立了濕度傳感器溫度補償模型，利用此模型對輸出數(shù)據(jù)進行擬合，補償由于溫度的變化對濕度傳感器的測量結果造成的影響，并通過與一般的BP 神經(jīng)網(wǎng)絡方法進行比較，說明該方法在溫度補償上的突出優(yōu)點。

2 溫度補償原理

采用神經(jīng)網(wǎng)絡的方法對傳感器輸出進行溫度補償?shù)脑韴D由傳感器模型和神經(jīng)網(wǎng)絡補償模型2 部分組成，如圖1 所示。

圖1 中，h 表示經(jīng)神經(jīng)網(wǎng)絡溫度補償后的輸出濕度值，其濕度傳感器的數(shù)學模型為：

式中： x 為待測目標濕度參量，t 為環(huán)境影響因素溫度參量，y 為傳感器輸出量。

若y 和t 均為x 的單值函數(shù)，則式（ 1） 的反函數(shù)存在，即：

將濕度傳感器的目標參量及濕度敏感元件的環(huán)境參量溫度作為神經(jīng)網(wǎng)絡的輸入樣本，經(jīng)神經(jīng)網(wǎng)絡處理后的輸出濕度h 即為期望的消除了溫度干擾后的目標參量x.

本文通過對給定的樣本數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡，通過改進的遺傳算法優(yōu)化調整神經(jīng)網(wǎng)絡的權值，使得經(jīng)過訓練后神經(jīng)網(wǎng)絡的輸出值h 盡量逼近期望目標濕度參數(shù)x,實現(xiàn)濕度傳感器的溫度補償，進而提高濕度傳感器的測量精度和可靠性。

3 改進遺傳算法的BP 神經(jīng)網(wǎng)絡模型

鑒于遺傳算法是一種概率性的自適應迭代尋優(yōu)過程，具有良好的全局搜索性能，不易陷入局部極小，即使所定義的適應值函數(shù)是不連續(xù)的、非規(guī)則的，它也能以很大的概率找到整體最優(yōu)解，且適用于并行處理，搜索不依賴于梯度信息的特點，可以用來優(yōu)化BP 神經(jīng)網(wǎng)絡。

采用遺傳算法對BP 神經(jīng)網(wǎng)絡的初始權值閾值進行優(yōu)化，在較大范圍進行搜索，代替一般初始權值的隨機選取，然后應用BP 算法在這個解空間里對網(wǎng)絡進行精調，搜索出最優(yōu)解或者近似最優(yōu)解。這樣既實現(xiàn)了兩者的優(yōu)勢互補，又發(fā)揮了神經(jīng)網(wǎng)絡的廣泛非線性映射能力和遺傳算法的全局搜索能力，加快了網(wǎng)絡學習速度，提高了整個學習過程中的逼近能力和泛化能力。

檢測樣本平均均方誤差，表示對網(wǎng)絡輸出數(shù)據(jù)可靠性的估計。為了使所設計的網(wǎng)絡具有良好的泛化能力，應當使得E2小于一個給定誤差ε，滿足網(wǎng)絡輸出的可靠性。

權值修正量表示為：

式中： η 為自適應學習率，g（ n） 為當前誤差函數(shù)對權值的梯度，α 為動量因子，n 為迭代的次數(shù)。

改進遺傳算法的BP 神經(jīng)網(wǎng)絡的具體步驟如下：

1） 建立一個初始BP 神經(jīng)網(wǎng)絡結構，設定網(wǎng)絡相關參數(shù)和函數(shù)，通過編碼方式產(chǎn)生初始種群，經(jīng)過優(yōu)化種群、選擇、交叉，變異等遺傳操作獲得最優(yōu)權值閾值。

2） 用得到的最優(yōu)權值閾值優(yōu)化BP 神經(jīng)網(wǎng)絡，經(jīng)過訓練得到滿足要求的最佳BP 神經(jīng)網(wǎng)絡結構。

基于改進遺傳算法的BP 神經(jīng)網(wǎng)絡設計流程圖如圖2 所示。