[发明专利]基于模拟退火优化神经网络的能见度传感器的检测方法

权利要求书

1.一种基于模拟退火优化神经网络的能见度传感器的检测方法，所述能见度传感器包括微处理器模块(1)和为所述能见度传感器中各用电模块供电的电源电路(2)，所述微处理器模块(1)的输入端接有能见度检测电路(3)，所述能见度检测电路(3)包括颗粒物浓度传感器(3-1)和温湿度传感器(3-2)，所述微处理器模块(1)、颗粒物浓度传感器(3-1)和温湿度传感器(3-2)均与电源电路(2)的输出端连接；所述微处理器模块(1)中存储有基于模拟退火优化的BP神经网络构建的春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型；

其特征在于，该方法包括以下步骤：

步骤一、数据采集及传输：颗粒物浓度传感器(3-1)对环境中的颗粒物浓度进行实时采集，并将所采集到的颗粒物浓度数据实时传输给微处理器模块(1)；温湿度传感器(3-2)对环境中的温度和湿度进行实时采集，并将所采集到的温度数据和湿度数据实时传输给微处理器模块(1)；

步骤二、数据预处理：所述微处理器模块(1)根据公式x^*＝(y_max-y_min)*(x-x_min)(x_max-x_min)+y_min对其接收到的颗粒物浓度数据进行归一化处理，得到归一化后的颗粒物浓度值x^*；根据公式z^*＝(y_max-y_min)*(z-z_min)/(z_max-z_min)+y_min对其接收到的温度数据进行归一化处理，得到归一化后的温度值z^*；并根据公式r^*＝(y_max-y_min)*(r-r_min)/(r_max-r_min)+y_min对其接收到的湿度数据进行归一化处理，得到归一化后的湿度值r^*；其中，y_max＝1，y_min＝-1，x为微处理器模块(1)当前接收到的颗粒物浓度值，x_min为微处理器模块(1)接收到的颗粒物浓度值的最小值，x_max为微处理器模块(1)接收到的颗粒物浓度值的最大值；z为微处理器模块(1)当前接收到的温度值，z_min为微处理器模块(1)接收到的温度值的最小值，z_max为微处理器模块(1)接收到的温度值的最大值；r为微处理器模块(1)当前接收到的湿度值，r_min为微处理器模块(1)接收到的湿度值的最小值，r_max为微处理器模块(1)接收到的湿度值的最大值；

步骤三、数据处理获得能见度检测值：所述微处理器模块(1)判断微处理器模块(1)在当前检测的前M日接收到的温度值的日平均值所处的温度范围，当前M日接收到的温度值的日平均值处在冬天的温度范围内时，所述微处理器模块(1)将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的冬天能见度检测模型中，得出所述冬天能见度检测模型的输出，所述冬天能见度检测模型的输出即为能见度检测值；当前M日接收到的温度值的日平均值处在春天及秋天的温度范围内时，所述微处理器模块(1)将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的春天及秋天能见度检测模型中，得出所述春天及秋天能见度检测模型的输出，所述春天及秋天能见度检测模型的输出即为能见度检测值；当前M日接收到的温度值的日平均值处在夏天的温度范围内时，所述微处理器模块(1)将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的夏天能见度检测模型中，得出所述夏天能见度检测模型的输出，所述夏天能见度检测模型的输出即为能见度检测值；

步骤三中所述春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型均为基于模拟退火优化的BP神经网络构建的模型，所述春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型的构建方法为：

步骤301、数据分类及存储：将颗粒物浓度、温度、湿度和能见度的历史数据按照季节分为春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据，并存储到计算机中；

步骤302、数据归一化处理：计算机在MATLAB软件中根据公式α^*＝(y_max-y_min)*(α-α_min)/(α_max-α_min)+y_min分别对春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据进行归一化处理，得到归一化后的春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据；其中，y_max＝1，y_min＝-1，α为需要进行归一化的变量，α_min为需要进行归一化的变量对应的历史数据的最小值，α_max为需要进行归一化的变量对应的历史数据的最大值，α^*为需要进行归一化的变量归一化后的值；

步骤303、建立隐含层神经元数目可变的三层BP神经网络：计算机在MATLAB软件中以归一化后的颗粒物浓度值、温度值和湿度值作为BP神经网络的输入，输入层节点数n₁为3个，以能见度值作为BP神经网络的输出，输出层节点数n₃为1个，根据公式确定所述三层BP神经 网络的隐含层节点数n₂，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤304、训练各个不同隐含层节点数的三层BP神经网络，具体过程为：

步骤3041、首先，计算机在MATLAB软件中将归一化后的春天及秋天的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入，并以与春天及秋天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化，得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络；

步骤3042、首先，计算机在MATLAB软件中将归一化后的夏天的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入，并以与夏天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化，得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络；

步骤3043、首先，计算机在MATLAB软件中将归一化后的冬天的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入，并以与冬天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化，得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络；

步骤305、确定出春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型，具体过程为：

步骤3051、计算机调用网络误差计算模块计算步骤3041中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络，确定为训练好的三层BP神经网络，并将其定义为春天及秋天能见度检测模型；

步骤3052、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络，确定为训练好的三层BP神经网络，并将其定义为夏天能见度检测模型；

步骤3053、计算机调用网络误差计算模块计算步骤3043中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络，确定为训练好的三层BP神经网络，并将其定义为冬天能见度检测模型；

步骤3041、步骤3042和步骤3043在进行三层BP神经网络训练的过程中，计算机调用模拟退火算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为：

步骤A、定义优化问题的解是三层BP神经网络的权值W和阈值B，并选择三层BP神经网络的权值W和阈值B组合成函数，用s表示；

步骤B、根据公式s(i+1)＝s(i)+(0.2·rand-0.1)·errorBP计算三层BP神经网络的权值W和阈值B的新的解s(i+1)；其中，s(i)为三层BP神经网络的权值W和阈值B的新的解之前一次的解，rand为0～1的随机数，errorBP为BP神经网络的网络误差；

步骤C、比较s(i+1)与s(i)，当s(i+1)＜s(i)时，接受s(i+1)为三层BP神经网络的权值W和阈值B的新的解；否则，当s(i+1)≥s(i)时，以概率exp[-(s(i+1)-s(i))/T]接受s(i+1)为三层BP神经网络的权值W和阈值B的新的解；其中，T为模拟退火的当前温度，exp为自然指数；

步骤D、重复步骤B和步骤C，直至模拟退火的温度达到了预设的模拟退火结束温度，得到了三层BP神经网络的权值W和阈值B的全局最优解。