关于温度影响红外CO2传感器输出电压并导致CO2浓度检测出现明显误差的问题，基于神经网络BP正则化贝叶斯LM的温度补偿方法提议。
实验中，电压比和传感器输出温度用作神经网络的输入和CO2浓度作为神经网络的输出。
经网络通过L-M算法和贝叶斯正则化进行优化。验模拟证明，温度补偿后红外CO2传感器测得的浓度值最大相对误差为4.557±8％，具有较高的精度。此，L-M贝叶斯正则化BP神经网络可以有效地补偿红外CO2传感器，可以作为改进相关红外传感器仪器的参考。算机神经网络;红外CO2传感器; BP神经网络; LM算法;贝叶斯调控;温度补偿中图分类号：TP183文献标识码：Adoi：10.7535 / hbgykj.2018yx04008当前二氧化碳排放量增加，加剧了温室效应。确，准确地实时检测CO2浓度的能力已成为研究的热点。其他类型的CO2传感器相比，红外吸收型传感器具有灵敏度高，响应速度快，选择性好，无毒等特点，在许多领域得到广泛应用。全性，已成为检测CO2浓度的常用传感器[1] -2]。实际应用中，红外CO2传感器测量的准确度对温度敏感[3-5];因此需要温度补偿。4号久强Zhao等：神经网络BP LM贝叶斯根据文献[6-13]通过使用神经网络不能要求在红外线CO2传感器河北工业科学和技术第35卷的应用正则功能的具体性质，只要有足够的通过训练和调整，就可以实现任意函数的逼近，建立非线性温度补偿网络模型，恒温阀芯然后结合LM算法和贝叶斯正则化算法提高了神经网络的泛化能力。验表明，该方法可以为红外CO2传感器提供有效的温度补偿。外CO2传感器的原理当CO2暴露在红外光下时，其分子吸收一定频率的辐射，使得对应于这些吸收区域的透射光强度减弱，并且吸收可通过朗伯 – 比尔[14] lnI0（表示λI（λ）= K LC，（1）其中C是CO 2浓度，l是介质的厚度，k是吸收系数， I0是入射光强度，I是透射光强度。验中使用的红外光源是IRL715，红外传感器是TPS2534.TPS2534是双通道探测器，带有4.26个滤光头微米和4.00微米放置在探测器的前面，允许相应波长的红外光通过，从而吸收4.00微米的红外光。长的红外光是红外线和二氧化碳不会显着吸收它。滤波之后，红外光被检测器转换成相应的电压。出电压和CO2浓度之间的关系的推导公式如下。设吸收的红外光和参考红外光的入射光强度分别为IC0和IR0，并且通过CO2后的光强度为IC和IR，公式（1）表明IC = IC0e-klC。（2）虽然CO2不吸收参考红外光，但入射光强度和光强度可近似相等：IR IR0。（3）在除以等式（2）和等式（3）之后，可以获得ICIR = -klC lnIC0IR0。（4）然后，确定CO 2浓度为C = -1 kllnICIR 1 kllnIC0IR0。
（5）吸收的红外光的强度，参考红外光的强度和红外检测器的输出电压之间的关系是UC = KCIC，（6）UR = KRIR。（7）其中KC和KR与滤光器的透光率和检测器灵敏度有关，与红外传感器有关的常数。
下来，红外传感器UC / UR的浓度和输出电压比之间的关系是C = -1 kllnKRUCKCUR 1kllnIC0IR0。（8）红外CO2传感器的光路结构如图2所示。式（8）中的吸收系数k是一个复数变量，它不仅与气体的类型，入射光有关，而且与环境温度和压力有关。一般应用中，环境压力基本保持不变，而环境温度变化很大，环境温度不仅影响吸收系数，还影响红外光源和红外探测器，这会影响精度。量。量系统测量系统原理图如图2所示。片机传输脉冲信号，红外光源由光源控制模块控制，实现红外光源IRL715的调制。外光通过气室，被检测到的CO2气体吸收，到达TPS2534红外探测器。外探测器用电信号替换红外信号，然后通过信号调节模块进行放大和滤波，以获得稳定的电信号。调节之后，电信号通过A / D转换器模块以将模拟信号转换为数字信号以进行数据处理。后，MCU通过串行通信将收集的红外CO2传感器数据和温度数据传输到主机，然后分析和处理主机中的数据。经网络优化BP神经网络BP神经网络BP包括输入层，隐藏层和输出层，隐藏层可以是一个或多个层。层由神经元组成，层之间的神经元通过权重完全连接，同一层的神经元不连接。BP神经网络的学习过程涉及信号的前向传播和后向误差，这使得网络的输出和期望更加接近。
BP网络的具体算法在[15]中描述。而，在训练血压神经网络的过程中会出现过度适应问题，导致无法在训练之外为新样本获得足够的输出，这降低了概括。则化是提高血压神经网络泛化能力的有效途径。则化基于网络的均方误差性能函数，引入网络权重的均方根误差，实现性能函数的校正，提高泛化能力。络的均方误差函数：ED =1nΣni= 1（ti-xi）2。
9）网络属性值的均方误差：EW =1mΣmj= 1w2j。（10）修正的性能函数：f（W）=αEW βED。（11）α，β是性能函数的参数，它们的大小决定了网络形成的效果。
α大于β时，网络的输出将更加规则，但学习集可能不完整;当α小于β时，网络误差会较小，但仍可能存在过拟合。此，有必要确保α，β是最佳参数，以优化网络性能。统的正则化方法难以确定α，β，并且贝叶斯正则化可以完成α，β对网络形成过程的适应，以使其最优化。叶斯正则化和L-M算法旨在获得具有最佳性能和最小参数的神经网络，从而可以有效地控制过度适应的问题。据文献[16-20]，假设样本集D的噪声和权重向量W服从高斯分布，权重的后验概率密度函数与优化的性能函数是P（w |α，β，M）= ZD（β）ZW（α）×exp [ – （αEW βED）] P（D |α，β，M）= exp（-f） （W））Z（α，β）。（12）其中：P（D |α，β，M）是数据集的似然函数; ZD（β）=（πβ）n2; ZW（α）=（πα）n2。Z（α，β）恒定时，最佳权重向量的后验概率密度P（w | D，α，β，M）应该是最大的，并且性能函数f（W）应该是最小的。于性能函数f（W），泰勒级数扩展在WMP最小点附近以零梯度执行，忽略最高阶项。据贝叶斯法则，在WMP优化正则化参数可以被写成如下形式α=γ2EW（WMP）（13）β= N – γ2ED（WMP）（14）γ= N – α。Trα（H-1），（15）H =βΔ2ED αΔ2EW。（16）其中：γ是神经网络的有效参数个数，n是神经网络参数的总数，H是f（W）最小点的Hessian矩阵。贝叶斯正则化过程中，参数确定必须在最小WMP点处计算H（W）的f（W）矩阵，其中使用LM算法求解Hess矩阵的近似。H≈2βJTJ 2αIn。（17）其中：J是雅可比矩阵; In是一个酉矩阵。每次迭代中，神经网络γ的有效参数的数量由当前常规参数α，β确定，并且通过LM算法最小化网络的性能函数。用等式（10）和（11）获得新的常规值。数α，β。着性能函数参数的每次近似，性能函数将改变并且最小点将连续移动，从而自适应地调整α，β。形成过程中，晶格权重的迭代公式为Wh 1 = Wh- [J（Wh）TJ（Wh） μI] -1J（Wh）Te。（18）其中：Wh是第i次迭代的网络加权向量，μ是自适应标量，e是误差矩阵。μ很小时，L-M算法变为牛顿方法，当μ很大时，它是梯度下降的方法。外CO2传感器校准的实验和模拟红外CO2传感器首先使用静态气体分配方法对数据进行校准，并准备了14种不同浓度的CO2样品。大气压和25℃的环境温度下校准浓度，其中使用最先进的CO 2气体浓度测量仪器，400型测量标准CO 2气体浓度。用原点进行数据拟合，拟合结果如图4所示。3.实验温度补偿实验将CO2红外仪放置在温度测量箱中，温度测量箱的温度范围为15至35°C，每个温度测量点的温度为5°C是分别引入N2和250×10-6的温度的实验点。×10-6，1000×10-6，1500×10-6，2000×10-6，2500×10-6，3000×10-6标准CO2气体，一旦气体均匀，测量传感器的相应输出电压在UC / UR中计算，电压值采样10次。
导致450组样品，405组用作训练样品，45组用作测试样品。4是测试样品数据在不同温度下的浓度/电压比图。4清楚地显示了UCUR值在不同温度和相同浓度下是不同的。过在调整曲线中的不同温度下替换UC / UR，测量值显示在表1中。
大相对误差为49.6％。实验中，BP神经网络采用三层结构，输入层由两个节点组成，屏蔽层的节点通过学习选择，输出层的节点不形成一。经网络的学习精度为10-4，最大训练次数为500.表2显示了测试样本的输出数据，恒温阀芯图5比较了样本的输出。正的价值。图中可以看出，神经网络的输出值可能更接近实际值。不同温度下，测量CO2浓度的相对误差约为5％，最大相对误差为4.557±8％。之，针对影响红外CO2传感器测量的温度问题，提出了一种基于贝叶斯L-M正则化BP神经网络的补偿温度的方法。过实验模拟，传感器测得的浓度值最大相对误差为49.6％，无温度补偿。度补偿后，测得浓度值的最大相对误差为4.557 8％ ，证明该方法具有高精度和一定的实用性。然目前的神经网络理论尚不完善，样本采集和神经网络形成过程总是乏味的，但神经网络在神经网络发展方面具有广阔的应用前景。关技术。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com