1 引言

近年來，芬蘭Vaisala 公司生產的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中。

HMP45D 溫濕度傳感器采用濕敏電容測量濕度，從介電常數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的變化，溫度的變化也會引起電容介質介電常數的變化。

盡管廠家根據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 神經網絡方法等，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，當數據點較多時，容易出現振蕩現象，導致形成病態或奇異的方程組，無法獲得多項式系數，因而其應用受到限制，BP 神經網絡由于是非線性優化，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學好的樣本，學習算法的收斂速度慢。

本文在分析現有研究方法不足的基礎上，研究了采用改進遺傳算法來優化BP 神經網絡的方法，重點討論了遺傳算法中的混合編碼方案，適應度函數的選擇以及部分參數的優化，達到改進遺傳算法的目的，并以此來優化BP 神經網絡，建立了濕度傳感器溫度補償模型，利用此模型對輸出數據進行擬合，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 神經網絡方法進行比較，說明該方法在溫度補償上的突出優點。

2 溫度補償原理

采用神經網絡的方法對傳感器輸出進行溫度補償的原理圖由傳感器模型和神經網絡補償模型2 部分組成，如圖1 所示。

圖1 中，h 表示經神經網絡溫度補償后的輸出濕度值，其濕度傳感器的數學模型為：

式中： x 為待測目標濕度參量，t 為環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，則式（ 1） 的反函數存在，即：

將濕度傳感器的目標參量及濕度敏感元件的環境參量溫度作為神經網絡的輸入樣本，經神經網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據來訓練神經網絡，通過改進的遺傳算法優化調整神經網絡的權值，使得經過訓練后神經網絡的輸出值h 盡量逼近期望目標濕度參數x,實現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 神經網絡模型

鑒于遺傳算法是一種概率性的自適應迭代尋優過程，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是不連續的、非規則的，它也能以很大的概率找到整體最優解，且適用于并行處理，搜索不依賴于梯度信息的特點，可以用來優化BP 神經網絡。

采用遺傳算法對BP 神經網絡的初始權值閾值進行優化，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絡進行精調，搜索出最優解或者近似最優解。這樣既實現了兩者的優勢互補，又發揮了神經網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，表示對網絡輸出數據可靠性的估計。為了使所設計的網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） 為當前誤差函數對權值的梯度，α 為動量因子，n 為迭代的次數。

改進遺傳算法的BP 神經網絡的具體步驟如下：

1） 建立一個初始BP 神經網絡結構，設定網絡相關參數和函數，通過編碼方式產生初始種群，經過優化種群、選擇、交叉，變異等遺傳操作獲得最優權值閾值。

2） 用得到的最優權值閾值優化BP 神經網絡，經過訓練得到滿足要求的最佳BP 神經網絡結構。

基于改進遺傳算法的BP 神經網絡設計流程圖如圖2 所示。