作者：王彦明1,2, 贾克斌1,2, 刘鹏宇1,2, 杨加春3
作者单位：1. 北京工业大学信息学部，北京 100124;
2. 先进信息网络北京实验室，北京 100124;
3. 天津华云天仪特种气象探测技术有限公司，天津 300392
关键词：传感器标校;BP神经网络;高斯函数;Levenberg-Marquardt;单片机
摘要：
针对气象传感器标校过程中测量精度低和生产成本高的问题，将人工智能技术与单片机技术相结合，提出一种气象传感器智能标校方法。该方法将BP神经网络、高斯函数和Levenberg-Marquardt算法相融合，设计一种用于传感器标校的增强型BP网络模型。并将训练好的标校模型移植到单片机中，通过分段多项式来拟合高斯函数，有效减少单片机的计算资源、缩短计算时间。实验结果表明：传统BP网络使气压传感器均方根误差由最初的5.93降低到2.83，减少52.28%的测量误差；而增强型BP网络则使均方根误差降低到0.77，进一步减少34.74%的测量误差。通过分段多项式来拟合高斯函数，显著降低标校模型的计算量，可满足气象探测过程中的时间要求。
Calibration method of meteorological sensor based on enhanced BP network
WANG Yanming1,2, JIA Kebin1,2, LIU Pengyu1,2, YANG Jiachun3
1. Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China;
2. Beijing Laboratory of Advanced Information Networks, Beijing 100124, China;
3. Tianjin Huayuntianyi Special Meteorological Detection Technology Co., Ltd., Tianjin 300392, China
Abstract: Aiming at the problems of low measurement accuracy and high production cost in the process of meteorological sensor calibration, this paper proposes an intelligent calibration method of meteorological sensor by combining artificial intelligence technology and microcontrollers technology. By combining back propagation (BP) neural network, Gaussian function and Levenberg-Marquardt (LM) algorithm, an enhanced BP network is realized for sensor calibration. The calibration model is transplanted to microcontroller unit (MCU). The Gaussian function is fitted by piecewise polynomials, which effectively reduces the computing resources and time of MCU. The experimental result show that: The traditional BP network reduces the mean squared error (MSE) of the atmospheric pressure sensor from 5.93 to 2.83, which reduces the measurement error by 52.28%. The enhanced BP network reduces the MSE to 0.77, which further reduces the measurement error by 34.74%. By fitting the Gaussian function with piecewise polynomial, the complexity of calibration model is significantly reduced, and the time requirement in the process of meteorological observation is met.
Keywords: sensor calibration;BP neural network;Gaussian function;Levenberg-Marquardt;MCU
2020, 46(12):105-111 收稿日期: 2020-05-23;收到修改稿日期: 2020-06-28
基金项目: 国家重点研发计划资助项目(2018YFF01010100)；国家自然科学基金资助项目(61672064)
作者简介: 王彦明(1995-),男,河北石家庄市人,硕士研究生,专业方向为数据挖掘
参考文献
[1] QING D, LI N. Research on data mining algorithm of meteorological observation based on data quality control algorithm[J]. Wireless Personal Communications, 2018, 102(2): 2077-2089
[2] 王成刚, 魏夏潞, 严家德, 等. 气象探测环境等级评估方法及应用[J]. 应用气象学报, 2019, 30(1): 117-128
[3] 吕宗宝, 董军, 汝洪芳. 一种基于硬件自校正技术的新型甲烷传感器[J]. 现代仪器, 2010, 16(3): 54-56
[4] 周胜海. 传感器非线性的硬件校正方法[J]. 传感器技术, 2002(5): 1-4
[5] 舒敏, 闻德保, 张浩, 等. 高分2号图像业务化大气校正查找表的设计与实现[J]. 北京工业大学学报, 2017, 43(5): 683-690
[6] KEBEDE G, AHMAD A, LEE S, et al. Decoupled six-axis force-moment sensor with a novel strain gauge arrangement and error reduction techniques[J]. Sensors, 2019, 19(13): 3012
[7] LI Y, FU P, LI Z, et al. Biaxial angle sensor calibration method based on artificial neural network[J]. Chemical Engineering Transactions, 2015, 46(2): 361-366
[8] 李佳君, 卢文科. 用BP神经网络法对压力传感器进行温度补偿[J]. 工程与试验, 2015, 55(1): 66-69
[9] 刘平英, 谭智强, 王玉芳. 一种多维度数据采集大气污染物探空仪设计[J]. 信息技术, 2019, 43(9): 24-28
[10] 杨景明, 杜韦江, 吴绍坤, 等. 基于FPGA的BP神经网络硬件实现及改进[J]. 计算机工程与设计, 2018, 39(6): 1733-1737
[11] 薛维琴, 李莉华, 戴明. 基于FPGA的人工神经网络系统的实现方法[J]. 电子设计工程, 2010, 18(9): 151-154
[12] KIM S, JUNG S. Hardware implementation of a neural network controller with an MCU and an FPGA for nonlinear systems[J]. International Journal of Control Automation & Systems, 2005, 4(5): 286-290
[13] 王英, 贺晓东. 400 M电子探空仪探测资料应用初探[J]. 沙漠与绿洲气象, 2009, 3(1): 160-162
[14] 王盛慧, 张亭亭. 基于IAGA-BP神经网络的电地热室内温度预测[J]. 中国测试, 2018, 44(12): 141-146
[15] 何伟铭, 宋小奇, 甘屹, 等. 传感器校正的优化灰色神经网络建模方法研究[J]. 仪器仪表学报, 2014, 35(3): 504-512
[16] 张化光, 王智良, 黎明, 等. 广义模糊双曲正切模型: 一个万能逼近器[J]. 自动化学报, 2004, 30(3): 416-422
[17] 陶砾, 杨朔, 杨威. 深度学习的模型搭建及过拟合问题的研究[J]. 计算机时代, 2018, 18(2): 14-17
[18] WEI R, OUYANG K, BAO X, et al. High-precision smart calibration system for temperature sensors[J]. Sensors and Actuators, A: Physical, 2019, 297(1): 111561
[19] 中国气象局. 常规高空气象观测业务规范[M]. 北京: 气象出版社, 2010: 50-60.
[20] 方华猛, 易本顺, 甘良才, 等. 高动态范围图像合成中相机响应函数的快速标定[J]. 光子学报, 2013, 42(6): 737-741
[21] 黄继鹏, 王延杰, 孙宏海, 等. 激光光斑位置精确测量系统[J]. 光学精密工程, 2013, 21(4): 841-848
[22] 王大为, 王召巴, 李鹏, 等. 基于变分模态分解的超声检测信号降噪研究[J]. 中国测试, 2019, 45(12): 106-111
[23] 崔丽丽, 丁永红, 尤文斌, 等. 基于MSP430单片机的信标机系统设计[J]. 中国测试, 2015, 41(10): 81-84
