行鴻彥,郭 敏,張 蘭,張一波

(1.南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心,南京 210044;2.南京信息工程大學(xué)江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室,南京 210044)

近年來(lái),HMP45D溫濕度傳感器被廣泛應(yīng)用在自動(dòng)氣象站中,它是用鉑電阻傳感器Pt100來(lái)測(cè)量溫度的。鉑電阻材料有很多優(yōu)點(diǎn)[1-2],如:測(cè)溫精確度高,性能好,操作簡(jiǎn)單,適用范圍廣等。但是,在實(shí)際應(yīng)用中,濕度,輻射等諸多因素影響著溫度傳感器的測(cè)量結(jié)果[3-4],使其呈現(xiàn)一種非線性的趨勢(shì),嚴(yán)重影響了溫度傳感器測(cè)量的精確度。和其他因素相比,濕度對(duì)溫度傳感器的測(cè)量結(jié)果影響最大,所以,對(duì)溫度傳感器進(jìn)行濕度補(bǔ)償是十分必要的,來(lái)增強(qiáng)測(cè)量精確性,減小誤差。

為了盡量提高溫度傳感器測(cè)量的精確度,減小因濕度帶來(lái)的誤差,可以從硬件電路和軟件兩方面進(jìn)行補(bǔ)償。硬件電路[5-6]補(bǔ)償方法的電路繁瑣,操作困難,不易理解,并且電路中的一些元件受到濕度變化還會(huì)產(chǎn)生溫度漂移的現(xiàn)象,使得溫度傳感器測(cè)量結(jié)果的準(zhǔn)確性變低。軟件補(bǔ)償方法有模擬退火方法、差分進(jìn)化算法、禁忌搜索、BP神經(jīng)網(wǎng)絡(luò)等[7-10]。模擬退火算法質(zhì)量高,初值魯棒性強(qiáng),簡(jiǎn)單易懂,但它的初始溫度要高、終止溫度要低、降溫速率要慢,抽樣數(shù)量要多,因此優(yōu)化過(guò)程較長(zhǎng)。差分進(jìn)化算法的原理簡(jiǎn)單,受控參數(shù)少,但隨著迭代次數(shù)的增加,個(gè)體間的差異會(huì)逐漸減小,影響變異的多樣性。禁忌搜索算法的記憶力強(qiáng),可以接受不好的值,具有很強(qiáng)的“爬山”功能,但過(guò)分依賴初始解。雖然在文獻(xiàn)[10]中BP神經(jīng)網(wǎng)絡(luò)對(duì)鉑電阻溫度傳感器產(chǎn)生的誤差有了一定的補(bǔ)償效果,但它的收斂速度仍舊非常緩慢,進(jìn)入局部極小的情況仍舊很多。

本文在現(xiàn)有研究的基礎(chǔ)上,利用改進(jìn)的簡(jiǎn)化粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型對(duì)溫度傳感器進(jìn)行濕度補(bǔ)償。通過(guò)對(duì)基本粒子群的分析,找到不受速度影響的簡(jiǎn)化粒子群算法,同時(shí)對(duì)其慣性權(quán)重采用線性遞減的方法。利用改進(jìn)的簡(jiǎn)化粒子群算法的迭代找到最優(yōu)位置,即最優(yōu)權(quán)閾值,將該值賦給BP神經(jīng)網(wǎng)絡(luò)并訓(xùn)練網(wǎng)絡(luò),補(bǔ)償濕度給溫度傳感器測(cè)量帶來(lái)的影響。與BP神經(jīng)網(wǎng)絡(luò)對(duì)比,進(jìn)一步表明改進(jìn)SPSO-BP算法在溫度傳感器濕度補(bǔ)償上的優(yōu)越性。

1 算法介紹

1.1 基本粒子群算法(PSO)

粒子群優(yōu)化算法[11-13]最早起源對(duì)鳥(niǎo)群飛行情況的研究,是一種群體智能算法。在SPO算法中,每個(gè)“粒子”都代表優(yōu)化問(wèn)題的一個(gè)可能解。粒子群算法開(kāi)始初始化產(chǎn)生一群隨機(jī)粒子,利用迭代得到最優(yōu)位置。在D維搜索空間內(nèi),隨機(jī)初始形成一個(gè)由n個(gè)粒子組成的種群,其中每個(gè)粒子的當(dāng)前位置可表示為Xid=(Xi1,Xi2,…,XiD),速度為Vid=(Vi1,Vi2,…,ViD),個(gè)體極值為Pid=(Pi1,Pi2,…,PiD),全局極值為Pg=(Pg1,Pg2,…,PgD)。在每次迭代中,根據(jù)如下公式更新粒子的速度和位置。

(1)

(2)

1.2 簡(jiǎn)單粒子群算法(SPSO)

PSO算法[14-15]包含了速度和位置兩個(gè)向量,在每次迭代中都需要更新兩個(gè)向量,算法比較復(fù)雜,同時(shí)在迭代的后半段收斂速度緩慢,極大可能得進(jìn)入局部極值,影響算法精度。因此,很多學(xué)者對(duì)此進(jìn)行了改進(jìn),文獻(xiàn)[14]證明了粒子群進(jìn)化過(guò)程是和速度沒(méi)關(guān)系的,其大小只代表粒子向最優(yōu)解移動(dòng)的快慢,是可以去掉的。每次迭代僅由位置這一向量控制,提出了簡(jiǎn)化粒子群優(yōu)化算,將原來(lái)的二階方程降為一階,并證明了其收斂性。去掉速度向量后的簡(jiǎn)化粒子群算法的方程表示為:

(3)

1.3 改進(jìn)的SPSO

慣性權(quán)重w[16-17]是個(gè)重要的參數(shù),主要用于維持算法局部搜索能力和全局搜索能力之間的平衡性。在簡(jiǎn)化粒子群算法中,w一般為固定值,這就說(shuō)明在算法迭代過(guò)程中,w值是不變的。而通過(guò)大量實(shí)踐發(fā)現(xiàn),固定值的效果是不理想的。在優(yōu)化初期,w應(yīng)該取為較大值,增強(qiáng)全局尋優(yōu)能力,這樣有利于跳出局部極小,而隨著優(yōu)化過(guò)程的不斷推進(jìn),w應(yīng)逐漸減小,這樣有利于增強(qiáng)局部搜索能力,提高算法的收斂速度。在此基礎(chǔ)上,本文采用線性遞減的方法改變權(quán)重,使得權(quán)重值從開(kāi)始的最大值逐漸減小到最小值,增強(qiáng)局部尋優(yōu)能力,即:

(4)

wmax為定義的最大慣性權(quán)重,wmin為定義的最小慣性權(quán)重,t為當(dāng)前迭代次數(shù),tmax為最大迭代次數(shù)。

2 基于改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的濕度補(bǔ)償算法

將改進(jìn)的SPSO與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合[18-20],就是利用改進(jìn)的SPSO算法的全局優(yōu)化能力解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的問(wèn)題。定義改進(jìn)的SPSO中粒子的每個(gè)維度分量與BP神經(jīng)網(wǎng)絡(luò)中的權(quán)閾值相對(duì)應(yīng),通過(guò)迭代得到粒子的最優(yōu)位置從而得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值,將該值賦給BP神經(jīng)網(wǎng)絡(luò)做為新的網(wǎng)絡(luò)連接權(quán)值和閾值,訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。我們定義改進(jìn)簡(jiǎn)化粒子群算法的適應(yīng)度函數(shù)為BP神經(jīng)網(wǎng)絡(luò)輸出值與期望值的誤差的均方值,表示為:

(5)

具體步驟如下:

①初始化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)所需求解問(wèn)題設(shè)定BP神經(jīng)網(wǎng)絡(luò)輸入層個(gè)數(shù)為l、輸出層個(gè)數(shù)為n,計(jì)算出隱含層個(gè)數(shù)J,同時(shí)設(shè)置訓(xùn)練樣本數(shù)m,測(cè)試樣本數(shù)t、網(wǎng)絡(luò)目標(biāo)誤差ε等參數(shù)。

②設(shè)定簡(jiǎn)化粒子群算法的維數(shù)D和規(guī)模N,隨機(jī)初始化每個(gè)粒子的位置,將其限制在所規(guī)定的范圍內(nèi),同時(shí)設(shè)置算法的最大迭代次數(shù)itmax,學(xué)習(xí)因子c1、c2,慣性權(quán)重wmax、wmin等參數(shù)。

③通過(guò)適應(yīng)度函數(shù),計(jì)算每個(gè)粒子的適度值F,將第i個(gè)粒子的位置設(shè)為個(gè)體極值Pid,比較所有粒子個(gè)體極值的適應(yīng)度值,適應(yīng)度值F最小的粒子的位置設(shè)為種群全局極值Pg。

④根據(jù)式(3)～式(5)更新粒子i的位置,若超過(guò)所設(shè)定的范圍,取邊界值,計(jì)算粒子i的適應(yīng)度值F。

⑤如果粒子i的適應(yīng)度值F(Xi)小于粒子個(gè)體極值Pid的適應(yīng)度值F(Pid),則用粒子此時(shí)的位置Xi替換Pid,如果F(Xi)小于種群全局極值Pg的適應(yīng)度值F(Pg),則用粒子此時(shí)的位置Xi替換Pg。

圖1 改進(jìn)SPSO-BP 流程圖

⑥若迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)itmax,終止迭代,輸出粒子的全局最優(yōu)解Pg,也就BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值,如沒(méi)有達(dá)到,返回步驟④繼續(xù)迭代搜索。

改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖1所示。

3 HMP45D溫度傳感器檢定結(jié)果分析

3.1 影響因素理論分析

HMP45D溫濕度傳感器是利用鉑電阻在溫度變化時(shí)自身電阻值隨之改變的特性來(lái)測(cè)量溫度的,顯示儀表將指出鉑電阻值所對(duì)應(yīng)的溫度值。HMP45D溫度傳感器電阻和溫度之間的關(guān)系可用二次多項(xiàng)式函數(shù)表表示:

Rt=R0(1+αt+βt2)

(6)

式中:Rt為鉑電阻在溫度為t℃時(shí)的電阻率,R0為鉑電阻在溫度為0 ℃時(shí)的電阻率,為100 Ω,α,β為系數(shù),可以通過(guò)對(duì)傳感器的標(biāo)定求出其值。通過(guò)數(shù)據(jù)采集器將測(cè)得的電阻值的變化轉(zhuǎn)化為電壓值的變化,實(shí)現(xiàn)對(duì)溫度的測(cè)量。

一般在沒(méi)有溫度變化時(shí),電阻值R是由電阻長(zhǎng)度L和電阻的橫截面積S決定的,表示為

R=ρL/S

ρ是電阻的電阻率,由其自身性質(zhì)決定。而當(dāng)環(huán)境濕度變大時(shí),空氣中的水分子跟著變多,而電介質(zhì)的表面會(huì)吸附這些水分子,形成一層很薄的膜,影響電阻的電阻率,繼而影響了電阻值,也就影響了溫度傳感器的測(cè)量情況,使得溫度傳感器的測(cè)量產(chǎn)生了一定誤差,測(cè)量精度變低。

3.2 濕度檢定結(jié)果分析

本文所用的實(shí)驗(yàn)數(shù)據(jù)是2012年課題組在中國(guó)氣象局氣象探測(cè)中心實(shí)驗(yàn)得到的。在調(diào)溫調(diào)濕的檢定箱中進(jìn)行濕度對(duì)溫度傳感器的影響實(shí)驗(yàn),溫度最低可調(diào)到-70 ℃,最高到60 ℃,濕度最小可調(diào)為0%RH,最大為100%RH,信號(hào)為JJQ1型的模擬器作為采集實(shí)驗(yàn)所測(cè)數(shù)據(jù)的裝置,HMP45D溫度傳感器作為實(shí)驗(yàn)的測(cè)量對(duì)象。

事先定好實(shí)驗(yàn)需要測(cè)量的溫度點(diǎn),調(diào)好檢定箱里的濕度,等到濕度穩(wěn)定后,按照定好的溫度點(diǎn)調(diào)整檢定箱里的溫度,待溫度后,讀取此時(shí)的溫度值做為一次數(shù)據(jù),實(shí)驗(yàn)共讀取10次數(shù)據(jù),我們將這10次測(cè)得溫度值的平均值設(shè)為溫度點(diǎn)的測(cè)量值,鉑電阻10次輸出值的平均值加上修正值作為測(cè)量的標(biāo)準(zhǔn)值。依次對(duì)設(shè)定好的每個(gè)溫度點(diǎn)進(jìn)行檢定,實(shí)驗(yàn)方法和之前一樣,直到檢定完所有的溫度點(diǎn),實(shí)驗(yàn)結(jié)束。

所測(cè)得的部分?jǐn)?shù)據(jù)如表1所示。

根據(jù)實(shí)驗(yàn)所得數(shù)據(jù),用標(biāo)注值減去測(cè)量值得到在不同濕度下實(shí)驗(yàn)所得的測(cè)量誤差值,用這些誤差值和濕度值繪成曲線,分析濕度對(duì)溫度傳感器測(cè)量帶來(lái)的影響程度。不同濕度情況下溫度傳感器的測(cè)量誤差曲線如圖2所示。

表1 濕度對(duì)HMP45D型溫度傳感器的影響部分樣本組隊(duì)

圖2 濕度對(duì)HMP45D型溫度傳感器的影響

從圖2可以看出,在同一濕度值下,溫度值不同,誤差是不同的,同時(shí)在相同溫度值下,濕度值不同,誤差也是不一樣的,由此可得出濕度對(duì)溫度傳感器的測(cè)量帶來(lái)了巨大了影響,使得測(cè)量結(jié)果呈現(xiàn)出一種非線性的特征。為了盡量減小濕度變化給溫度

傳感器測(cè)量帶來(lái)的誤差,本文采用改進(jìn)的SPSO-BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)其進(jìn)行補(bǔ)償。

4 仿真實(shí)驗(yàn)

4.1 溫度傳感器濕度補(bǔ)償?shù)膶?shí)現(xiàn)

通過(guò)改進(jìn)SPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),按照?qǐng)D2 的步驟對(duì)HMP45D型溫度傳感器進(jìn)行濕度補(bǔ)償。將所測(cè)數(shù)據(jù)分為兩份,一份作為訓(xùn)練樣本,另一份作為測(cè)試樣本,輸入值選濕度影響值和溫度測(cè)量值,溫度測(cè)量的標(biāo)準(zhǔn)值作為期望輸出值。分別訓(xùn)練改進(jìn)的SPSO-BP神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型,并對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)試,得到的溫度傳感器濕度補(bǔ)償后的部分?jǐn)?shù)據(jù)如表2所示。

表2 改進(jìn)簡(jiǎn)化粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型濕度補(bǔ)償后的結(jié)果

從表2中可以看出,與BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償后的結(jié)果相比,改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償?shù)慕Y(jié)果更加接近標(biāo)準(zhǔn)值,其溫度誤差也明顯減小,預(yù)測(cè)誤差最高減小了0.5 ℃,說(shuō)明改進(jìn)后的SPSO-BP神經(jīng)網(wǎng)絡(luò)更好的對(duì)溫度傳感器進(jìn)行了濕度補(bǔ)償,有效消除了由于濕度變化給溫度傳感器測(cè)量帶來(lái)的影響。

4.2 仿真結(jié)果分析

分別對(duì)改進(jìn)的SPSO-BP神經(jīng)網(wǎng)絡(luò)方法和BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行仿真實(shí)驗(yàn),對(duì)兩者仿真結(jié)果進(jìn)行對(duì)比分析。采用三層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),確定輸入節(jié)點(diǎn)2個(gè),隱含層節(jié)點(diǎn)5個(gè),輸出節(jié)點(diǎn)1個(gè),學(xué)習(xí)速率0.1,最大迭代次數(shù)為100,目標(biāo)誤差0.000 01,動(dòng)量因子0.9。根據(jù)簡(jiǎn)化粒子群算法原理,設(shè)最大迭代次數(shù)為50,最大位置為1,最小位置為-1,學(xué)子因子c1、c2為1.491,最大權(quán)重值為0.9,最小權(quán)重為0.3。

通過(guò)改進(jìn)的簡(jiǎn)化粒子群算法不斷迭代找到粒子的最優(yōu)位置,也就是BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值,將得到的最優(yōu)權(quán)閾值賦給BP神經(jīng)網(wǎng)絡(luò)作為新的權(quán)閾值,用新的權(quán)閾值訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),并對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試,得到結(jié)果如圖3和圖4所示。

圖3中藍(lán)色星號(hào)表示實(shí)際的期望輸出,綠色圓點(diǎn)代表改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出。從圖中我們可以看出,綠色圓點(diǎn)和藍(lán)色星號(hào)幾乎完全重合在一起,充分表明了改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)模型可以較為準(zhǔn)確地預(yù)測(cè)出系統(tǒng)的輸出值。

圖3 改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸出

圖4 改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)誤差平方和曲線

從圖4可以清晰地看出,在迭代次數(shù)進(jìn)行到15代時(shí),預(yù)測(cè)誤差均方根值達(dá)到了最小,此時(shí)改進(jìn)SPSO-BP算法已經(jīng)找到了粒子的最優(yōu)位置,也就是找到了BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值,說(shuō)明改進(jìn)SPSO-BP算法的收斂速度較快。

4.3 性能分析

根據(jù)表2的數(shù)據(jù),對(duì)改進(jìn)的SPSO-BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行濕度補(bǔ)償?shù)恼`差進(jìn)行對(duì)比分析,如圖5和表3所示。

圖5 誤差曲線

算法同等目標(biāo)誤差下訓(xùn)練次數(shù)誤差均方值/℃誤差絕對(duì)值之和/℃?zhèn)鹘y(tǒng)BP神經(jīng)網(wǎng)絡(luò)1200.277621.0695改進(jìn)的SPSO-BP150.08424.2532

圖5中藍(lán)色帶星號(hào)的曲線是BP神經(jīng)網(wǎng)絡(luò)模型濕度補(bǔ)償后的誤差曲線,紅色帶圓點(diǎn)的曲線是改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)模型的誤差曲線,從圖5中可以看出經(jīng)過(guò)改進(jìn)簡(jiǎn)化粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)的誤差,說(shuō)明通過(guò)改進(jìn)簡(jiǎn)化粒子群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的方法要比BP神經(jīng)網(wǎng)絡(luò)的方法要好。

從表3中可知,在同等目標(biāo)誤差下,BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練120次才達(dá)到最優(yōu)值,而改進(jìn)粒子群優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)只要訓(xùn)練15次就達(dá)到最優(yōu)值。且BP神經(jīng)網(wǎng)絡(luò)的誤差絕對(duì)值之和為21.069 5 ℃,誤差均方值為0.277 6 ℃,改進(jìn)簡(jiǎn)化粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的誤差絕對(duì)值之和為4.253 2 ℃,誤差均方值為0.084 2 ℃,誤差均方值降低了0.1934 ℃,說(shuō)明改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行速率快,迭代次數(shù)少,補(bǔ)償精度高,有效地對(duì)溫度傳感器進(jìn)行了濕度補(bǔ)償。

5 結(jié)束語(yǔ)

本文針對(duì)濕度變化給溫度傳感器測(cè)量帶來(lái)影響的問(wèn)題,提出了改進(jìn)簡(jiǎn)化粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)濕度進(jìn)行補(bǔ)償。通過(guò)對(duì)基本粒子群算法的介紹,得到了不受速度項(xiàng)約束的簡(jiǎn)化粒子群算法,同時(shí)對(duì)其慣性權(quán)重采用線性遞減的方法。將改進(jìn)的簡(jiǎn)化粒子群算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,就是利用簡(jiǎn)化粒子群算法的全局搜索解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的問(wèn)題。與沒(méi)有優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型相比,改進(jìn)簡(jiǎn)化粒子群算法的BP神經(jīng)網(wǎng)絡(luò)的誤差均方值減小了0.193 4 ℃,預(yù)測(cè)誤差最高減小了0.5 ℃,有效提高了溫度傳感器濕度補(bǔ)償?shù)木?同時(shí)改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行速率快,迭代次數(shù)少,結(jié)構(gòu)簡(jiǎn)單易懂,可以很好的投入到實(shí)際使用中。

[1] 孫文良,沈秋宇,等. HMP45D溫濕度傳感器的檢定校準(zhǔn)[J]. 氣象水文海洋儀器,2009(3):124-126.

[2] 劉鋒,董薔薇. HMP45D溫濕度傳感器的工作原理及維護(hù)[J]. 大眾科技,2011(4):13-14.

[3] Patrick Carey W,Sinclair S Yee. Calibration of Nonlinear Solid-State Sensor Array Using Multivariate Regressiontechniques[J]. Sensors and Actuators,1992,9(2):113-122.

[4] 王曉蕾,林捷. 自動(dòng)氣象站溫度傳感器的輻射誤差[J]. 解放軍理工大學(xué)學(xué)報(bào),2006,7(4):405-408.

[5] 周勝海. 傳感器非線性的硬件校正方法[J]. 儀表技術(shù)與傳感器,2002,21(5):1-4.

[6] 俞阿龍,李正. 熱敏電阻溫度傳感器的一種線性化設(shè)計(jì)[J]. 工業(yè)儀表與自動(dòng)化裝置,2003(5):19-20,39.

[7] 王洪峰,朱海. 采用遺傳-退火算法的網(wǎng)格依賴任務(wù)可信調(diào)度[J]. 計(jì)算機(jī)科學(xué),2015(6):268-275.

[8] 鄒水平,行鴻彥,于祥. 一種新的溫度傳感器濕度補(bǔ)償方法[J]. 南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,8(6):533-539.

[9] 彭基偉. 自動(dòng)氣象站溫濕度傳感器觀測(cè)數(shù)據(jù)分析及修正算法研究[D]. 南京:南京信息工程大學(xué),2013.

[10] 劉天鍵,王劭伯,朱善安. 基于神經(jīng)網(wǎng)絡(luò)的鉑電阻溫度傳感器非線性校正方法[J]. 儀器儀表學(xué)報(bào),2002,23(5):518-521.

[11] 黃平. 粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D]. 華南理工大學(xué),2012.

[12] 劉建華. 粒子群算法的基本理論及其改進(jìn)研究[D]. 中南大學(xué),2009.

[13] 魏波,李元香,徐星,等. 基于穩(wěn)定策略的粒子群優(yōu)化算法[J]. 計(jì)算機(jī)科學(xué),2011,(12):221-223.

[14] 胡旺,李志蜀. 一種更簡(jiǎn)化而高效的粒子群優(yōu)化算法[J]. 軟件學(xué)報(bào),2007(4):861-868.

[15] 陳琳玲. 基于簡(jiǎn)化粒子群算法的測(cè)試數(shù)據(jù)自動(dòng)生成方法研究[D]. 西南大學(xué),2010.

[16] 鄒毅. 一種改進(jìn)線性慣權(quán)的粒子群算法[J]. 福建電腦,2009,25(8):17-18,8.

[17] 賈瑞玉,黃義堂,邢猛. 一種動(dòng)態(tài)改變權(quán)值的簡(jiǎn)化粒子群算法[J]. 計(jì)算機(jī)技術(shù)與展,2009(2):137-139,144.

[18] 錢兆樓. 一種基于改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法[J]. 電子測(cè)試,2015(20):39-40,25.

[19] 黃樹(shù)運(yùn). 改進(jìn)的粒子群算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的研究[D]. 廣西大學(xué),2013.

[20] 喬冰琴,常曉明. 改進(jìn)粒子群算法在BP神經(jīng)網(wǎng)絡(luò)擬合非線性函數(shù)方面的應(yīng)用[J]. 太原理工大學(xué)學(xué)報(bào),2012,43(5):558-563.