基于ISSA-BP神经网络的激光甲烷传感器温度补偿研究

为有效提高宽温应用环境下激光甲烷传感器的探测精度,提出基于改进麻雀搜索算法优化BP神经网络的温度补偿模型,并利用实测大规模数据集进行验证。在模型框架上,提出具有全局寻优能力的ISSA-BP算法:利用准反射学习策略初始化麻雀种群以提高麻雀种群多样性,引入变色龙算法、Levy飞行策略和人工兔扰动策略分别对探索者位置、反捕食者位置和每代麻雀个体位置进行更新,避免算法陷入局部最优。在数据上,通过建立不同温度、不同浓度的传感器大规模实验数据集,提升温度补偿模型的训练效果并减小模型的预测误差。在-20℃~65℃温度范围内利用15800组传感器测量数据分别对BP、PSO-BP、SSA-BP和ISSA-BP四种模型进行对比。结果表明,基于ISSA-BP神经网络的温度补偿模型预测值最大相对误差仅为0.52%,比BP、PSO-BP和SSA-BP模型分别减少了7.70%、2.46%和0.74%,MAE、MAPE、RMSE和RE量化评价指标均远优于BP、PSO-BP和SSA-BP模型。本文算法可大幅提高宽温应用环境下激光甲烷传感器探测精度,对提升激光甲烷传感器的环境适用性具有重要的参考意义。

小波去噪在非合作目标激光甲烷遥测中的应用

针对非合作目标激光甲烷遥测噪声复杂、信噪比低、检测限差等问题,开展小波去噪在非合作目标激光甲烷遥测中的应用研究。通过对系统实际测量信号小波去噪分析,确定了最优去噪方法为coif5小波基7层分解固定软阈值法。开展小波去噪对遥测系统的标定、测量误差及检测下限等性能参数的研究,研究结果表明,小波去噪后系统的测量误差范围由-2.89%~7.20%减小为-2.32%~6.51%,检测下限由425.664 7×10-6m(3σ)提高到104.839 0×10-6m(3σ),检测下限提高了3倍。选取的小波去噪方法对非合作目标激光甲烷遥测系统的复杂噪声去噪效果显著,可大大提升系统的探测性能。