[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

说明书

本发明公开了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，其能见度传感器包括微处理器模块和为所述能见度传感器中各用电模块供电的电源电路，所述微处理器模块的输入端接有能见度检测电路，所述能见度检测电路包括颗粒物浓度传感器和温湿度传感器，所述微处理器模块、颗粒物浓度传感器和温湿度传感器均与电源电路的输出端连接。其检测方法包括步骤：一、数据采集及传输；步骤二、数据预处理；步骤三、数据处理获得能见度检测值。本发明设计新颖合理，实现方便且成本低，能见度检测精度高，能够很好地应用于能见度检测，实用性强，使用效果好，便于推广使用。

技术领域

本发明属于能见度检测技术领域，具体涉及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。

背景技术

近年来，随着我国经济的发展，污染物的排放逐渐增多，导致空气能见度普遍降低，影响了交通运输的正常运行。同时，能见度的降低会影响路灯的照明效果，对人们的夜间出行造成了很大的影响。例如，大量研究表明黄光穿透能力比白光的穿透能力强，所以当能见度较低时，路灯亮黄光；当能见度过低时，白光和黄光一块亮，这样实现根据能见度的不同路灯亮不同颜色，实现路灯的智能化，将有利于人们晚上的出行，对人们的生活会产生较好的效果。因此，实时检测能见度，对人们的生活显得至关重要。

现有技术中的能见度传感器大多是通过激光散射原理，测量空气中经过采样式的离散光粒子的总数来测量能见度。此种传感器的测量精度高，但价格昂贵，对于能见度要求不高的场所来说，经济效益不高。

基于上述问题的考虑，大量学者对能见度的研究提出了不同的方法。这些方法可以分为两类，一类是曲线拟合，另一类是机器学习。曲线拟合是根据大量天气历史数据拟合出一个以PM2.5的浓度、温湿度三个变量为自变量，能见度为因变量的公式，但是这类方法检测能见度误差较大，不符合要求。机器学习是利用大量天气历史数据训练模型的参数，然后利用训练好的模型检测能见度，大量学者采用支持向量机、BP神经网络等模型来检测能见度。但是这种方法没有按照四季来划分模型，检测效果可能会根据四季的不同而影响能见度的检测。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种电路结构简单、设计新颖合理、实现方便且成本低、能见度检测精度高、实用性强的基于模拟退火优化神经网络的能见度传感器。

为解决上述技术问题，本发明采用的技术方案是：一种基于模拟退火优化神经网络的能见度传感器，其特征在于：包括微处理器模块和为所述能见度传感器中各用电模块供电的电源电路，所述微处理器模块的输入端接有能见度检测电路，所述能见度检测电路包括颗粒物浓度传感器和温湿度传感器，所述微处理器模块、颗粒物浓度传感器和温湿度传感器均与电源电路的输出端连接。

上述的基于模拟退火优化神经网络的能见度传感器，其特征在于：所述电源电路包括5V电池、稳压芯片AMS1117、非极性电容C8、非极性电容C9和极性电容C10，所述稳压芯片AMS1117的第3引脚与5V电池的5V电压输出端连接，且通过非极性电容C8接地，所述5V电池的5V电压输出端为电源电路的5V电压输出端，所述稳压芯片AMS1117的第2引脚为电源电路的3.3V电压输出端，且通过并联的非极性电容C9和极性电容C10接地，所述稳压芯片AMS1117的第1引脚接地。