杭瀟 閆玉磊 張鐸 王雅琴

摘要 在研究濕度測量和控制原理的基礎上，設計了一種基于神經網絡遺傳算法的濕度測量系統(tǒng)。系統(tǒng)采用DHT11濕度傳感器，利用改良的神經網絡遺傳算法對濕度測量進行優(yōu)化。結果表明，經神經網絡遺傳算法優(yōu)化的濕度測量儀可以將精度控制在1.6×10-2，大大地提高了濕度測量的精度，并且基于該算法的濕度測量具有很好的魯棒性和自適應性。

關鍵詞 濕度測量；B-P神經網絡；遺傳算法

中圖分類號 S126文獻標識碼 A文章編號 0517-6611（2018）01-0189-03

Abstract On the basis of studying the principle of humidity measurement and control， a humidity measurement system based on neural network and genetic algorithm was designed. In this system， DHT11 humidity sensor was used， and the humidity measurement method was optimized by using an improved neural network and genetic algorithm. The test results showed that the humidity could be controlled in the accuracy of 1.6×10-2 by using this system， which enhanced the humidity measurement accuracy greatly. Moreover， the humidity measurement based on this system had good robustness and self-adaptability.

Key words Humidity measurement；B-P neural network；Genetic algorithm

水汽是室內空氣質量的一個重要參數(shù)，濕度測量是空氣檢測的重要組成部分。現(xiàn)有的濕度測量技術有干濕球測量法、露點濕度測量法和數(shù)字濕度計等。干濕球法用干濕球方程換算出濕度值，而干濕球的測量精度與風速有很大的關系[1]。露點濕度測量[2]價格比較昂貴，且需要有經驗的人操作及保養(yǎng)。數(shù)字濕度計便于攜帶，讀數(shù)方便，但存在擴展不確定度的缺點[3]。李茂權等[4]證實阻容法露點濕度計示值誤差測量值存在不確定度的弊端；劉巨強[2]指出了影響干濕球法測量濕度的因素，從而證實干濕球法存在誤差大的缺點。針對以上問題，筆者提出一種基于神經網絡遺傳算法的濕度測量系統(tǒng)。

神經網絡算法可以準確測量出室內的濕度，但容易導致局部最優(yōu)解問題，而用遺傳算法優(yōu)化BP神經網絡可以解決這個問題[4]。筆者將神經網絡算法與遺傳算法二者結合起來并應用到濕度的測量，首先用遺傳算法優(yōu)化神經網絡算法的權值與閾值，然后用神經網絡算法對測量的濕度值進行了優(yōu)化。

1 基于單片機的濕度測量系統(tǒng)原理及流程

單片機因其自身體積小、功能強大等優(yōu)點已經被廣泛應用，它對濕度的測量也越來越引起人們的關注。因此，主要討論基于單片機的濕度測量的實現(xiàn)方法。

1.1 濕度測量的工作原理

當濕度控制器開始工作時，濕度傳感器便按照設定的頻率不斷地向單片機傳送濕度值，單片機根據(jù)預設的算法不斷地對讀入的濕度值進行訓練，直到得到精確的濕度值。然后，與預設的濕度范圍進行比較，通過比較結果來驅動空調工作，從而實現(xiàn)對室內的濕度的調控。

1.2 濕度測量流程

濕度測量流程如圖1所示。

2 神經網絡遺傳算法對濕度測量的優(yōu)化

2.1 遺傳算法優(yōu)化神經網絡的初始權值和閾值

2.1.1 利用GA優(yōu)化神經網絡的關鍵問題。主要體現(xiàn)在于以下方面[5]：

①采用實數(shù)編碼；

②目標函數(shù)和適應度函數(shù)的確定。

2.1.2 用遺傳算法優(yōu)化神經網絡的必要性。

①神經網絡算法測量濕度易于陷入局部最優(yōu)解。神經網絡算法測量濕度曲線如圖2所示。②經遺傳算法優(yōu)化后的神經網絡算法解決了上述問題。經遺傳算法優(yōu)化后的神經網絡算法測量的濕度曲線如圖3所示。

2.2 BP神經網絡

2.2.1 BP神經網絡的運行機制。

BP神經網絡模型每一個單元將來自其他處理單元的刺激進行加權求和，當和值超過處理單元閾值之后處理單元就處于激活狀態(tài)并將計算結果輸出，反之則處于抑制狀態(tài)。若輸出結果與期望輸出結果之間誤差過大，則反饋給各層處理單元，以此作為各層聯(lián)結權值的修改依據(jù)，直至誤差在可接受范圍內。

2.2.2 BP網絡結構的確定。

由Kolmogorov定理可知，一個3層BP神經網絡可以在任意精度逼近任何有理函數(shù)。因此，采用包含輸入層、隱含層和輸出層3層結構的BP神經網絡結構作為處理模型。輸入層的節(jié)點數(shù)為固定時間內所測得的濕度集，輸出值為該時間段內的最優(yōu)濕度值，隱含層節(jié)點數(shù)采用經驗公式確定：

S1=n+m +a。式中，神經網絡輸入層節(jié)點數(shù)為m，輸出層節(jié)點數(shù)為n，隱含層節(jié)點數(shù)為S1。

2.3 遺傳算法確定神經網絡模型參數(shù)的試驗

2.3.1 遺傳算法的初始化[6]。

①初始種群的初始化：每10 min為一個周期，每20 s測量的數(shù)據(jù)為種群的一個個體。

②選擇概率的初始化：取0.3～0.7的任一隨機數(shù)。

③交叉概率的初始化：取0.3～0.7的任一隨機數(shù)。

④變異概率的初始化：取0.05～0.20的任一隨機數(shù)。

2.3.2 遺傳算法確定神經網絡模型的參數(shù)[7]。

經過70代的訓練，誤差平方和達到最小。整個神經網絡輸入層節(jié)點為7，隱含層節(jié)點為25+7+7，輸出層為7；隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為logsig，訓練函數(shù)為traingda，目標精度為0.001，最大訓練周期為1 000；遺傳算法初始種群大小為200，最大進化代數(shù)為200，選擇概率為0.6，交叉概率為 0.4，變異概率為0.16。

2.4 神經網絡算法對采集的濕度值的優(yōu)化

將遺傳算法訓練的參數(shù)作為神經網絡的初始權值訓練。

（1）給各連接權值分別賦一個區(qū)間（-1，1）內的隨機數(shù)，設定誤差函數(shù) e -21，給定計算精度值 ε =10-21和最大學習次數(shù) M =100，完成對神經網絡參數(shù)值的初始化。

（2）隨機選取第 k 個輸入樣本及對應期望輸出：

d（k）=[d1（k），d2（k），…，dn（k）]；

x（k）=[x1（k），x2（k），…，xn（k）]。

輸入層有7個神經元，隱含層有25+7+7個神經元，輸出層有7個神經元；

輸入向量 x=（x1，x2，…，x7）；

隱含層輸入向量hi=（hi1，hi2，…，hi7）；

隱含層輸出向量ho=（ho1，ho2，…，ho7）；

輸出層輸入向量yi=（yi1，yi2，…，yi7）；

輸出層輸出向量yo=（yo1，yo2，…，yo7）；

期望輸出向量d=（d1，d2，…，d7）；

輸入層與隱含層的連接權值Wih（初始化為相同值1/n）；

隱含層與輸出層的連接權值Who（初始化為相同值1/n）；

隱含層各神經元的閾值bh（初始化為測量的最大值）；

輸出層各神經元的閾值bo（初始化為測量的最大值）。

樣本數(shù)據(jù)個數(shù)k=1，2，...，7。

激活函數(shù)為S型函數(shù)，誤差函數(shù)為e=12qo=1[do（k）-yoo（k）]2。

（3）計算隱含層各神經元的輸入和輸出。

初始化各連接權值為相同的，隨著訓練的進行，不斷地逆向反饋修正各個連接權值。隱含層各神經元的輸入即為輸入層的各神經元與其權值的代數(shù)和。經過激勵函數(shù)的作用，結果即為隱含層神經元的輸出。

（4）利用網絡期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經元的偏導數(shù) δ0（k） 網絡期望輸出見步驟（2），實際輸出為各輸出層神經元的代數(shù)和。

（5）利用隱含層到輸出層的連接權值、輸出層的 δ0（k） 和隱含層的輸出計算誤差函數(shù)對隱含層各神經元的偏導數(shù) δ0（k） 。

（6）利用輸出層各神經元的 δ0（k） 和隱含層各神經元的輸出來修正連接權值 who（k） 。

（7）利用隱含層各神經元的 δn（k） 和輸入層各神經元的輸入修正連接權。

（8）計算全局誤差。

E=12m mk=1qo=1[do（k）-yo（k）]2。

（9）判斷網絡誤差是否滿足要求：當誤差達到預設精度或學習次數(shù)大于設定的最大次數(shù)，則結束算法。否則，選取下一個學習樣本及對應的期望輸出，返回到步驟（3），進入下一輪學習。

整個流程模擬圖如圖4所示。

3 Matlab模擬試驗結果

根據(jù)以上理論基礎[8]，在MATLAB R2014a[9]模擬GA-BP網絡[10]算法。從實測的300組有效數(shù)據(jù)中隨機地挑出50組作為測試數(shù)據(jù)，其余作為訓練數(shù)據(jù)。

從圖5可以看出，A4線表示最佳的濕度的適應度進化曲線，A3線表示實際的濕度平均適應度進化曲線，當進化到50代時，該濕度群體最優(yōu)適應度達到峰值，表示在第50代群體中對應于最大適應度的濕度已經達到該優(yōu)化算法最優(yōu)解。從圖6可以看出，A2為最佳理想的目標函數(shù)進化曲線，A1線為實際平均目標函數(shù)曲線，當經過大約50代搜索后，GA優(yōu)化BP算法使得試驗結果與實際濕度之間誤差最小。

從圖7可以看出，訓練33步后網絡訓練結束，濕度的樣本均方誤差為5.448×10-21，說明網絡具有良好的收斂效果。從圖8可以看出，對網絡的實際輸出值和期望輸出值進行線性回歸分析，相似度 R =1，表示實際輸出的濕度計算結果完全吻合期望值。

經過試驗檢驗，該算法迭代步數(shù)少，誤差較小，實際輸出與期望值完全吻合，驗證了GA-BP網絡模型在濕度測量中的可行性。

4 結論

模擬預測結果表明，GA優(yōu)化BP神經網絡權值和閾值的方法能夠較好地解決BP神經網絡易下陷入局部最優(yōu)的問題，縮短了網絡的計算時間。

通過濕度計算的實例可知，GA-BP神經網絡比BP神經網絡的預測平均相對誤差大大降低，為濕度測量提供了一種準確度更高的方法。

經上述論證，基于神經網絡遺傳算法的濕度控制系統(tǒng)具有極高的可行性和有效性，對于提高濕度控制系統(tǒng)自我調控的精準度具有實際意義，可廣泛應用于實際生活的濕度測量及控制。

基于神經網絡遺傳算法的濕度調節(jié)器充分利用了神經網絡算法的魯棒性和遺傳算法的全局優(yōu)化性，使得將儀器置于一角，就可以準確測量出整個空間的濕度。濕度測量計結構簡單，測量誤差小。當進化代數(shù)達到60代時，濕度的適應度可達15.6×10-3。當進化代數(shù)達到50代時，測量誤差低于5.448×10-21。將該算法應用于濕度的測量，對提高人們對周圍環(huán)境濕度的監(jiān)控精度具有重要意義。

參考文獻

[1] 程黎.數(shù)字溫濕度計測量示值誤差不確定度評定[J].現(xiàn)代測量與實驗室管理，2015（6）：28-30.

[2] 劉巨強.干濕球法測量濕度影響因素分析[J].科技創(chuàng)新與應用，2014（5）：300.

[3] KAMPOUROPOULOS K，ANDRADE F，GARCIA A，et al.A combined methodology of adaptive neuro-fuzzy inference system and genetic algorithm for short-term energy forecasting[J].Advances in electrical and computer engineering，2014，14（1）：9-14.

[4] 李茂權，何國政，楊焱.阻容法露點濕度計示值誤差測量值的不確定度評定[J].計量與測試技術，2015，42（12）：68-70.

[5] 李妙玲，仝軍鋒，趙紅霞.基于遺傳算法和神經網絡的C/C復合材料等溫CVI工藝參數(shù)優(yōu)化模型[J].復合材料學報，2016，33（11）：2666-2673.

[6] 雷英杰，張善文，李續(xù)武，等.MATLAB 遺傳算法工具箱及應用[M].2版.西安：西安電子科技大學出版社，2014.

[7] 聞新，李新，張興旺，等.應用MATLAB實現(xiàn)神經網絡[M].北京：國防工業(yè)出版社，2015.

[8] MOLER C.Experiments with MATLAB [M].北京：北京航空航天大學出版社，2013.

[9] XIAO Z，YE S J，ZHONG B，et al.BP neural network with rough set for short term load forecasting[J].Expert systems with applications，2009，36（1）：273-279.

[10] 王劍，張書畢，史先領，等.MATLAB工具箱在測繪數(shù)據(jù)處理中的應用[J].四川測繪，2006，29（1）：17-20.