【CN109816094A】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【专利】
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其中 ，Err表示神经网络输出误差的 平方和 ，dij表示神经网络输出层第i个神经元节点 补偿修正网络的 理想输出值 ，而Oij表示 神经网络输出层第i个 神经元节点的 实际 输出值 ； ε2q反应网络隐含层梯度向量信息。
3
CN 109816094 A
说 明 书
1/8 页
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
非线性温度补偿方法 ( 57 )摘要
本发明属于环境监测技术领域，涉及光学溶 解氧传感器非线性温度补偿方法。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 ，包括以 下步骤 ：采 用大量实 测标定点样本数 据 ，构建基于L-M算法的 神经网 络结构并 对其进 行网络训练学习；将实验所得的测量数据及环境 温 度参数 ，输入完成网络 训练学 习的 神经网络 ， 进行网络运算；神经网络运算的结果进行误差计 算 ，经修正补偿并输出。本发明涉及的 神经网络 L-M算法 ，在解决光学溶解氧传感器非线性温 度 补偿问题上，具有良好的训练学习效率和补偿修 正效果。
(74)专利代理机构 青岛华慧泽专利代理事务所 (普通合伙) 37247
代理人 马千会
(51)Int .Cl . G06N 3/04(2006 .01) G06N 3/08(2006 .01)
(10)申请公布号 CN 109816094 A (43)申请公布日 2019.05.28
( 54 )发明 名称 基于神经网络L-M算法的光学溶解氧传感器
将实验所得的 测量数据及环境温 度参数 ，输入完成网络 训练学 习的 神经网络 ，进行网 络运算；
神经网络运算的结果进行误差计算，经修正补偿并输出。 2 .根据权利要求1所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的神经网络由输入层、隐含层和输出层三层神经元构成；其中，输入 层是整个神经网络的数据输入端，由多个神经元输入节点构成；隐含层是数据运算处理层， 分别与输入层和输出层相连接；输出层对隐含层数据处理结果进行输出表示。 3 .根据权利要求2所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的网络训练学习过程为：在输入层每个输出神经元通过加权的方式 对输入数据进行求和，其运算结果与隐含层设置的阈值相互对比 ，若两者之间的偏差大于 等于预先设定的参数值时 ，输入层将按照沿着最快减小函数误差的方向修正权值和偏差 ， 如此类推 ，直至加权融合的 结果与设定阈值之间的 偏差小于预先设定的 参数 ，完成网络 训 练学习。 4 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述输入层中输出神经元节点的函数模型设定如下：
2
CN 109816094 A
权 利 要 求 书
2/2 页
其中 ，NNij为神经网络前向输出值 ；O (i-1)q表示输出层特定神经元节点网络输出 ；W (i-1)qj 表示相应的连接权值。
9 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤(3)中神经网络输出公式设定为：
其中 ，Oij表示神经网络输出层第i个神经元节点的实际 输出值 ；NNij为神经网络前向输 出值；eij神经网络输出层第i个神经元节点的网络输出误差。
10 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤(3)中神经网络误差传播公式设定为：
Hale Waihona Puke 其中 ，a为输入层的 输出神经元节点输出值 ；wi表示第i个神经元节点的 权值 ；bj是隐 含 层设置的相应阈值。
5 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：隐含层传递函数设定如下：
其中，f(x)为S型函数，在定义域内连续可导，作为传递函数其值域为(0 ,1)。 6 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的输入层修正权值和偏差的迭代公式为： xq+1＝xq-aqεq 其中 ，xq+1表征神经网络前向运算中迭代得到的权值和误差 ；xq表示当前神经网络前向 运算的权值和误差；aq为当前神经网络的训练学习速率；εq为神经网络的隐含层设定函数的 梯度向量。 7 .根据权利要求6所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的aq参数取值范围为(0 .15～0 .45)之间。 8 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤2中神经网络运算的前向传播公式设定如下：
技术领域 [0001] 本发明属于环境监测技术领域，涉及光学溶解氧传感器非线性温度补偿方法。
背景技术 [0002] 水体溶解氧浓度与空气中氧分压、大气压、水温及水质有密切的关系，是衡量水体 水 质状况 和被污染程度的 重要指标 ，能 够有效反映 水体多种生物和理化信息 ，因此水体溶 解氧含量的准确测量对于环境监测评估、水产养殖、工业生产等诸多领域都具有重要意义。 [0003] 现有的溶解氧传感器主要可以分为三大类，即化学型、电化学型和光学型。三类传 感器原理不同 各有特点 ，其中基于荧光猝灭原理的 光学溶氧传感器 ，是近年来出现的 一 种 新型溶氧测量方法，具有更优良的性能。其一般选用对溶氧敏感的荧光材料作为传感器膜， 通过电路中的光电检测单元接收猝灭的荧光信号，通过特点算法，反演计算出溶氧浓度。 [0004] 发 明 人 李 正 宝 、高 皜 等 基 于 之 前 的 研 究 成 果 ，已 获 得 相 关 专 利 授 权 包 括 CN201510675270《一种基于荧光猝灭原理的溶解氧测量方法和用途》、CN201520411290《一 种海洋光学溶解氧传感器》、CN201720705899《一种光学溶解氧传感器新型标定装置》，研制 成功基于荧光猝灭原理的 HJY1-1型光学溶解氧传感器 ，克服了传统溶解氧 测量上的 不足 ， 可实现原位、连续、快速检测，已被广泛应用于溶解氧的原位监测。 [0005] 虽然HJY1-1型光学溶解氧传感器已被搭载于各类监测平台，并在出厂前均通过了 严格的标定，但是长期原位测量过程中由于应用环境变化、氧敏感膜变质、生物污染及附着 等因素的 影响 ，必然会产生数据漂移 ，其中温度参数的 变化 ，对测量数据的 影响尤其剧烈 ， 难以保证监测数据的准确性和可靠性。另外，在综合考虑布放成本及工程施工难度等因素 的情况下，频繁将传感器打捞取出并重新进行实验室标定并不现实。 [0006] 因此，为提升光学溶解氧传感器原位监测可靠性和稳定性，减弱数据漂移的影响， 延长传感器标定 周期 ，从根本上提升传感器的 整体性能 ，需要解决 传感器数据长期实时温 度补偿修正的问题。按照温度补偿的机理划分，补偿方式可以分为硬件补偿和软件补偿。硬 件补偿是在传感器输出端采 用硬件电 路方式 ，来减小温度、自然老化等环境因素的影响 ，但 是并不能完全消除这些因素导致的测量值偏差，反而会增加系统复杂性导致稳定性变差。 软件补偿则是在传感器输出测量值计算时 ，对其进行软件修正 ，不影响传感器本身结构 ，可 以根据实际情况灵活调节参数，具有优良的移植性和可重复性。 [0007] 目前，光学溶解氧传感器测量输出值最常采用的方法是最小二乘法进行修正数据 曲 线的 拟合。这意味 着 ，需 要将标准值 与实 测值进行重新拟合 ，获得拟合修正 后的 数 据曲 线 ，进而推导得到修正因子。显然 ，对于线性度良 好的 传感器输出值 ，该最小二乘法具有不 错的 效果。但是 ，随 着传感器输出 测量值非线性程 度增加 ，最小二乘法拟合将变得不再适 用，其拟合曲线的阶数过大会导致过拟合现象 ，无法准确预测测量值 ；阶数过小 ，则没有能 力反映实测值。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910003923 .5
(22)申请日 2019 .01 .03
(71)申请人 山东省科学院海洋仪器仪表研究所 地址 266200 山东省青岛市鳌山卫街道青 岛蓝色硅谷核心区蓝色硅谷创业中心 一期2号楼
(72)发明人 高皜 杜立彬 李正宝 张晓楠 曲君乐 刘杰 陈杰 姚贵鹏
权利要求书2页 说明书8页 附图3页
CN 109816094 A
CN 109816094 A
权 利 要 求 书
1/2 页
1 .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，其特征在于：包括 以下步骤：
采用大量实测标定点样本数据，构建基于L-M算法的神经网络结构并对其进行网络训 练学习；
3
CN 109816094 A
说 明 书
1/8 页
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
非线性温度补偿方法 ( 57 )摘要
本发明属于环境监测技术领域，涉及光学溶 解氧传感器非线性温度补偿方法。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 ，包括以 下步骤 ：采 用大量实 测标定点样本数 据 ，构建基于L-M算法的 神经网 络结构并 对其进 行网络训练学习；将实验所得的测量数据及环境 温 度参数 ，输入完成网络 训练学 习的 神经网络 ， 进行网络运算；神经网络运算的结果进行误差计 算 ，经修正补偿并输出。本发明涉及的 神经网络 L-M算法 ，在解决光学溶解氧传感器非线性温 度 补偿问题上，具有良好的训练学习效率和补偿修 正效果。
(74)专利代理机构 青岛华慧泽专利代理事务所 (普通合伙) 37247
代理人 马千会
(51)Int .Cl . G06N 3/04(2006 .01) G06N 3/08(2006 .01)
(10)申请公布号 CN 109816094 A (43)申请公布日 2019.05.28
( 54 )发明 名称 基于神经网络L-M算法的光学溶解氧传感器
将实验所得的 测量数据及环境温 度参数 ，输入完成网络 训练学 习的 神经网络 ，进行网 络运算；
神经网络运算的结果进行误差计算，经修正补偿并输出。 2 .根据权利要求1所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的神经网络由输入层、隐含层和输出层三层神经元构成；其中，输入 层是整个神经网络的数据输入端，由多个神经元输入节点构成；隐含层是数据运算处理层， 分别与输入层和输出层相连接；输出层对隐含层数据处理结果进行输出表示。 3 .根据权利要求2所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的网络训练学习过程为：在输入层每个输出神经元通过加权的方式 对输入数据进行求和，其运算结果与隐含层设置的阈值相互对比 ，若两者之间的偏差大于 等于预先设定的参数值时 ，输入层将按照沿着最快减小函数误差的方向修正权值和偏差 ， 如此类推 ，直至加权融合的 结果与设定阈值之间的 偏差小于预先设定的 参数 ，完成网络 训 练学习。 4 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述输入层中输出神经元节点的函数模型设定如下：
2
CN 109816094 A
权 利 要 求 书
2/2 页
其中 ，NNij为神经网络前向输出值 ；O (i-1)q表示输出层特定神经元节点网络输出 ；W (i-1)qj 表示相应的连接权值。
9 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤(3)中神经网络输出公式设定为：
其中 ，Oij表示神经网络输出层第i个神经元节点的实际 输出值 ；NNij为神经网络前向输 出值；eij神经网络输出层第i个神经元节点的网络输出误差。
10 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤(3)中神经网络误差传播公式设定为：
Hale Waihona Puke 其中 ，a为输入层的 输出神经元节点输出值 ；wi表示第i个神经元节点的 权值 ；bj是隐 含 层设置的相应阈值。
5 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：隐含层传递函数设定如下：
其中，f(x)为S型函数，在定义域内连续可导，作为传递函数其值域为(0 ,1)。 6 .根据权利要求3所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的输入层修正权值和偏差的迭代公式为： xq+1＝xq-aqεq 其中 ，xq+1表征神经网络前向运算中迭代得到的权值和误差 ；xq表示当前神经网络前向 运算的权值和误差；aq为当前神经网络的训练学习速率；εq为神经网络的隐含层设定函数的 梯度向量。 7 .根据权利要求6所述的基于神经网络L-M算法的光学溶解氧传感器非线性温度补偿 方法，其特征在于：所述的aq参数取值范围为(0 .15～0 .45)之间。 8 .根据权利要求1-7任一项所述的基于神经网络L-M算法的光学溶解氧传感器非线性 温度补偿方法，其特征在于：步骤2中神经网络运算的前向传播公式设定如下：
技术领域 [0001] 本发明属于环境监测技术领域，涉及光学溶解氧传感器非线性温度补偿方法。
背景技术 [0002] 水体溶解氧浓度与空气中氧分压、大气压、水温及水质有密切的关系，是衡量水体 水 质状况 和被污染程度的 重要指标 ，能 够有效反映 水体多种生物和理化信息 ，因此水体溶 解氧含量的准确测量对于环境监测评估、水产养殖、工业生产等诸多领域都具有重要意义。 [0003] 现有的溶解氧传感器主要可以分为三大类，即化学型、电化学型和光学型。三类传 感器原理不同 各有特点 ，其中基于荧光猝灭原理的 光学溶氧传感器 ，是近年来出现的 一 种 新型溶氧测量方法，具有更优良的性能。其一般选用对溶氧敏感的荧光材料作为传感器膜， 通过电路中的光电检测单元接收猝灭的荧光信号，通过特点算法，反演计算出溶氧浓度。 [0004] 发 明 人 李 正 宝 、高 皜 等 基 于 之 前 的 研 究 成 果 ，已 获 得 相 关 专 利 授 权 包 括 CN201510675270《一种基于荧光猝灭原理的溶解氧测量方法和用途》、CN201520411290《一 种海洋光学溶解氧传感器》、CN201720705899《一种光学溶解氧传感器新型标定装置》，研制 成功基于荧光猝灭原理的 HJY1-1型光学溶解氧传感器 ，克服了传统溶解氧 测量上的 不足 ， 可实现原位、连续、快速检测，已被广泛应用于溶解氧的原位监测。 [0005] 虽然HJY1-1型光学溶解氧传感器已被搭载于各类监测平台，并在出厂前均通过了 严格的标定，但是长期原位测量过程中由于应用环境变化、氧敏感膜变质、生物污染及附着 等因素的 影响 ，必然会产生数据漂移 ，其中温度参数的 变化 ，对测量数据的 影响尤其剧烈 ， 难以保证监测数据的准确性和可靠性。另外，在综合考虑布放成本及工程施工难度等因素 的情况下，频繁将传感器打捞取出并重新进行实验室标定并不现实。 [0006] 因此，为提升光学溶解氧传感器原位监测可靠性和稳定性，减弱数据漂移的影响， 延长传感器标定 周期 ，从根本上提升传感器的 整体性能 ，需要解决 传感器数据长期实时温 度补偿修正的问题。按照温度补偿的机理划分，补偿方式可以分为硬件补偿和软件补偿。硬 件补偿是在传感器输出端采 用硬件电 路方式 ，来减小温度、自然老化等环境因素的影响 ，但 是并不能完全消除这些因素导致的测量值偏差，反而会增加系统复杂性导致稳定性变差。 软件补偿则是在传感器输出测量值计算时 ，对其进行软件修正 ，不影响传感器本身结构 ，可 以根据实际情况灵活调节参数，具有优良的移植性和可重复性。 [0007] 目前，光学溶解氧传感器测量输出值最常采用的方法是最小二乘法进行修正数据 曲 线的 拟合。这意味 着 ，需 要将标准值 与实 测值进行重新拟合 ，获得拟合修正 后的 数 据曲 线 ，进而推导得到修正因子。显然 ，对于线性度良 好的 传感器输出值 ，该最小二乘法具有不 错的 效果。但是 ，随 着传感器输出 测量值非线性程 度增加 ，最小二乘法拟合将变得不再适 用，其拟合曲线的阶数过大会导致过拟合现象 ，无法准确预测测量值 ；阶数过小 ，则没有能 力反映实测值。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910003923 .5
(22)申请日 2019 .01 .03
(71)申请人 山东省科学院海洋仪器仪表研究所 地址 266200 山东省青岛市鳌山卫街道青 岛蓝色硅谷核心区蓝色硅谷创业中心 一期2号楼
(72)发明人 高皜 杜立彬 李正宝 张晓楠 曲君乐 刘杰 陈杰 姚贵鹏
权利要求书2页 说明书8页 附图3页
CN 109816094 A
CN 109816094 A
权 利 要 求 书
1/2 页
1 .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，其特征在于：包括 以下步骤：
采用大量实测标定点样本数据，构建基于L-M算法的神经网络结构并对其进行网络训 练学习；