基于BP神经网络的IH3605传感器建模方法

黄俊燕 ，木昌洪

(1.襄樊学院 物理与电子工程学院, 湖北 襄樊 441053; 2.华东理工大学 信息科学与工程学院, 上海 200237)

基于BP神经网络的IH3605传感器建模方法

黄俊燕1，木昌洪2

(1.襄樊学院 物理与电子工程学院, 湖北 襄樊 441053; 2.华东理工大学 信息科学与工程学院, 上海 200237)

针对集成湿度传感器IH3605的温度补偿，采用BP神经网络技术. 此神经网络采用2-5-1结构，节点函数采用S型函数. 实践表明此方法具有较高的测量精度和可靠性.

IH3605传感器；BP神经网络；温度补偿

集成湿度传感器IH3605采用集成电路技术. 其内部的两个热化聚合体层之间形成的平板电容器电容量的大小可随湿度的不同发生变化，从而可完成对湿度信号的采集[1,2]. 尽管其具有精度高、互换性强等诸多优点，在工业生产的诸多领域得到广泛的应用. 但实际应用中,在高温高湿下补偿公式已不起作用. 为此,采用BP神经网络,建立了湿度传感器的数学模型.

1 IH3605集成湿度传感器的测量电路

图1 IH3605集成湿度传感器的测量电路电路

IH3605集成湿度传感器的测量电路电路如图1. 温度传感器采用AD590. AD590 的输出信号经放大处理后为V1，IH3605集成湿度传感器的输出信号经放大处理后为V2. V1 和V2 经A/D 转换后送入单片机，单片机根据预设的算法给出湿度的大小并显示.

2 BP神经网络模型的确定

BP 神经网络模型如图2. 图2 中，BP神经网络由输入层、隐层和输出层三层组成. 节点函数都采用S型函数. 输入层的两个输入为信号V1 和V2. 输出层的输出信号是湿度RH. 输入层节点与隐层节点间的网络权值为wij，隐层节点与输出层节点间的网络权值为wlj. 网络的期望输出RH为

1) 隐层节点的输出

2) 输出层节点计算输出

从式(2)中可知，BP神经网络在结构上具有输出-权值线性关系.

图2 BP神经网络模型

3 BP神经网络的训练

为了对神经网络进行训练，必须现场采集输入训练样本和与输入样本对应的输出目标值. 实验中，温度变化范围定为0～100℃. 温度间隔0.5℃，共200个温度点. 湿度变化范围为0～100%RH ，湿度间隔为2%RH ，共50个湿度点. 采集数据的具体步骤为

1) 设定实验箱温度为2 ℃，待温度稳定后，测量图1中此温度对应的电压值V1；

2) 向实验箱内通入水汽，使湿度按间隔逐步增加. 待湿度稳定后，测量图1中此湿度对应的电压值V2;

3) 改变箱内温度，重复步骤2) .

这样就得到10000个样本组对，表1为部分样本组对.

表1 部分样本组对

上述数据经归一化处理后，对神经网络进行训练，这里采用改进的权值调整算法[3-5]：

式中，β为平滑因子，0 <β< 1；η为学习因子.其网络的总目标函数为

式中，ε为意小的正实数；P为期望值. 其训练程序流程图如图3 所示.

输入样本按目标值±20%范围选取，在训练误差小于1%且对学习因子、平滑因子进行适当的调整之后，网络的收敛性令人满意. 在本系统中，隐层个数为5，学习因子η=0.3，平滑因子β=0.2.

图3 训练程序流程图

4 网络的测试

选取±10 %的样本组对对训练后的BP网络进行测试. 表2是15组测试IH3605集成湿度传感器的实验标定值，为了检验神经网络的有效性，采用表2对此神经网络进行测试.

表2 神经网络测试结果

从表2可以看出，显示值与标定值之间的误差小于0.1%RH ，这表明建立的湿度传感器的数学模型准确有效.

5 结语

利用BP网络的良好的非线性映射能力及学习、泛化能力，建立了IH3605集成湿度传感器的数学模型,该模型有效地消除了温度对湿度传感器的影响. 此方法已应用于某湿度控制系统中，受到用户的好评.

[1] 张盛福, 张 鹏. 提高湿度电容测量精度的方法[J]. 仪表技术与传感器, 2003 (8): 34-35.

[2] 薛明军. 集成湿度传感器IH3605及其应用[J]. 国外电子元器件, 2000(1): 9-10.

[3] 蒋敏兰, 胡生清, 幸国全. AD590温度传感器的非线性补偿及应用[J ]. 传感器技术, 2001, 20 (10): 54-56.

[4] 徐丽娜. 神经网络控制[M]. 哈尔滨: 哈尔滨工业大学出版社, 1999.

[5] HUYBERECHTS G, SZECÓWKA P, ROGGEN J, et al. Simultaneous quantification of carbon monoxide and methane in humid air using a sensor array and an artificial neural net-work[J]. Sensor and Actuatoes B: Chemical, 1997, 45(2):123-130.

Modeling Method for IH3605 Sensor Based on BP Neural Network

HUANG Jun-yan1, MU Chang-hong2
(1.School of Physics and Electronic Engineering, Xiangfan University, Xiangfan 441053, China；2.School of Information Science & Engineering, East China University of Science and Technology, Shanghai 200237, China)

According to temperature compensation problem for Integrated humidity sensor IH3605, using BP neural network technology. The neural network uses 2-5-1 structure, the node function using S-function. Practice shows that this method has high measurement accuracy and reliability.

IH3605 Sensor; BP neural network; Temperature compensation

TP270

A

1009-2854(2010)05-0025-03

2010-03-24

黄俊燕(1975— ), 女, 湖北襄樊人，襄樊学院物理与电子工程学院实验师.

饶 超)