基于PSO-BP神經網絡的氣溶膠質量濃度測量系統濕度補償*

張加宏,劉 毅,顧 芳,沈 雷,冒曉莉2,,吳佳偉,汪 程,包志偉

(1.南京信息工程大學江蘇省大氣環(huán)境與裝備技術協同創(chuàng)新中心,南京 210044;2.南京信息工程大學江蘇省氣象探測與信息處理重點實驗室,南京 210044;3.南京信息工程大學物理與光電工程學院,南京 210044;4.南京信息工程大學電子與信息工程學院,南京 210044)

?

基于PSO-BP神經網絡的氣溶膠質量濃度測量系統濕度補償*

張加宏1,2,4,劉 毅1,2,4,顧 芳3*,沈 雷4,冒曉莉2,4,吳佳偉4,汪 程4,包志偉4

(1.南京信息工程大學江蘇省大氣環(huán)境與裝備技術協同創(chuàng)新中心,南京 210044;2.南京信息工程大學江蘇省氣象探測與信息處理重點實驗室,南京 210044;3.南京信息工程大學物理與光電工程學院,南京 210044;4.南京信息工程大學電子與信息工程學院,南京 210044)

氣溶膠質量濃度是衡量大氣質量的一項關鍵性指標。在基于單粒子光散射的氣溶膠質量濃度測量時,環(huán)境濕度變化對其影響較大。尤其在濕度較高時,顆粒物的外貌特征和折射率都會發(fā)生相應變化,采用低濕度條件下系統的標定參數來反演氣溶膠質量濃度會產生較大誤差?？紤]以上原因,提出建立基于粒子群優(yōu)化的BP神經網絡補償模型對不同濕度條件下的測量結果進行數據融合修正。實驗結果表明,經過PSO-BP神經網絡濕度補償后,相對濕度較高時引起的測量誤差約從原來的-10%～-45%減小為-5%～-30%,整體平均相對誤差減小了10%,說明該方法削弱了相對濕度對氣溶膠質量濃度測量系統的影響,有效提高了系統的測量精度。

氣溶膠質量濃度;光散射;濕度補償;PSO-BP神經網絡

大氣環(huán)境是人們賴以生存的基本環(huán)境之一,而隨著社會進步和科技的發(fā)展,環(huán)境污染已經成為全球普遍關注的問題,尤其涉及到人類身體健康的空氣污染問題更是備受關注[1-2]。眾所周知,工業(yè)生產和生活污染物排放的不斷增加導致大氣氣溶膠懸浮顆粒物的濃度顯著增加,降低了大氣能見度,導致霧霾天氣經常發(fā)生。霧霾天氣日益增多,大量懸浮的氣溶膠顆粒對人們的呼吸道系統和心血管系統都造成很大危害[3],因而高效準確地測量氣溶膠質量濃度值從而提高預報與預警的準確度是治理大氣環(huán)境污染的一個極為重要的環(huán)節(jié)。目前,在氣溶膠質量濃度測量方面,常見的方法主要分為電學方法和光學方法[4-6]。電學方法包括電暈帶電離子計數法、離心法、撞機法、篩分法等。光學方法則主要包括光散射法、光學成像法、光掃描法、偏振法等。光成像法等相對簡單,但得不到粒子的光散射信息。光散射法具有速度快、穩(wěn)定性好、便攜性強的優(yōu)點,可實現在線測量。利用光散射原理測量氣溶膠質量濃度主要分為兩類:一類是單粒子光散射法,也稱為粒子計數法[7-8];另一類是顆粒群光散射法(光度計法)[9]。

本文采用單粒子光散射法測量懸浮顆粒物的質量濃度,而顆粒物的光散射特性與其自身的性質有很大關系,當環(huán)境相對濕度較高時,氣溶膠粒子與水分子混合,顆粒物的吸濕性和溶解性會改變其形狀和化學性質,其折射率也會因此發(fā)生相應的變化,從而影響顆粒的散射光信號[10-12]。此時若采用低濕度條件下系統的標定參數反演氣溶膠質量濃度,將會產生較大測量誤差,降低了整體測量精度。因此,在濕度較大情況下需要對系統的標定參數進行重新標定或者補償修正,這就必然要確定標定參數與相對濕度之間的關系。為避免反復重新標定,本文采用基于粒子群優(yōu)化的BP神經網絡算法[13-15],對不同濕度環(huán)境下氣溶膠濃度值進行數據融合補償修正從而來提高測量精度。本文對氣溶膠濃度精確測量的研究,符合國家當前對大氣環(huán)境監(jiān)測的實際需求,同時也使得基于單粒子光散射的質量濃度測量方法更加完善。

1 基于光散射法的氣溶膠質量濃度測量系統

本文研制的氣溶膠質量濃度測量系統主要包括光電傳感器、采樣氣泵、流量計、數據采集電路、顯示器、密封箱等部分,數據采集電路主要由高速ADC、FPGA、STM32等芯片組成。標定儀器使用美國TSI公司生產的8 530臺式粉塵儀,此儀器具有操作方便、能夠實時測量、可自動調零等優(yōu)點,可測量的氣溶膠濃度范圍是0.001 mg/m3～150 mg/m3,開啟TSI 8530粉塵儀時要先對其進行清零處理從而保證誤差最小。圖1為搭建好的基于單粒子光散射法的氣溶膠質量濃度測量系統的實驗平臺。在實驗過程中控制系統的氣流量,將基于光散射的光電傳感器的氣流量值調節(jié)為2.83 L/min。光電傳感器產生的電壓脈沖信號經過ADC器件采集后,將其傳送給FPGA,由FPGA內部編程實現的多通道計數器進行分通道計數,STM32實現的單片機系統則對獲取的電壓信號幅度分布數據進行算法處理與分析,并可利用電腦或手機顯示測量值。值得注意的是,本文在多通道計數器計數方面,采用了非均勻通道劃分,結合氣溶膠質量濃度的分形反演模型,完成了對顆粒物質量濃度的測量。作者的前期工作[16]表明在相對濕度≤55%的低濕度條件下,對于煙塵和空氣樣品,采用多通道信號采集電路給出的顆粒物電壓信號幅度分布反演的質量濃度值與標準儀器實際測量值吻合較好,擬合直線斜率與1的絕對差為0.034和0.016,相關系數高于0.999,平均相對誤差均小于7.7%,這說明在低濕度的條件下本文采用的氣溶膠質量濃度分形反演模型準確可靠,限于篇幅,這里不做詳細的介紹,具體的數據和方法的驗證分析請參見文獻[16]。

圖1 基于單粒子光散射法的氣溶膠質量濃度測量系統實驗平臺

2 氣溶膠質量濃度反演模型

氣溶膠顆粒物質量濃度C是指單位體積氣體中所含顆粒的總質量,根據該定義,我們已經提出了一種利用顆粒物電壓脈沖信號幅度分布反演其質量濃度的分形模型,該模型的質量濃度反演公式為[7,16]:

(1)

式中:k為比例系數,它與氣溶膠顆粒的折射率有關;q為電壓脈沖信號的通道數;N(vi)為電壓幅度為vi的信號數,即表示實驗系統測量的顆粒物電壓脈沖信號幅度分布;β表示顆粒物對應電壓脈沖信號的分形維數,它是氣溶膠顆粒物形貌具有統計自相似性的體現。

氣溶膠質量濃度反演式(1)中同時包含了各通道電壓脈沖信號的個數信息N(vi)和幅度信息vi,使得被測顆粒物的散射光脈沖信號幅度分布得到了充分利用,且反演公式中含有反映顆粒物形貌信息的參數β,從而確保了反演結果的正確性。實際應用該公式時,只需通過標定實驗獲得參數k和β,即可利用實驗測得的N(vi)反演出氣溶膠顆粒物質量濃度C[7,16]。盡管如此,當環(huán)境的相對濕度較高時,顆粒物的外貌特征和折射率都會發(fā)生相應變化,它們的變化又直接導致k和β改變,因此,如果將低濕度條件下標定好的k和β應用在高濕度環(huán)境便會產生較大的誤差。此時可對不同濕度區(qū)間的顆粒物進行分段反復重新標定,但是成本相對較高。為了盡量避免反復重新標定,同時只需考慮隨環(huán)境濕度變化的顆粒形貌和折射率對氣溶膠質量濃度測量最終的外在影響,本文采用低濕度條件下系統的標定參數來反演氣溶膠質量濃度的過程中,通過和標準儀器TSI8530粉塵儀的測量結果比較,根據粒子群優(yōu)化的BP神經網絡的濕度補償模型對不同濕度條件下測量的氣溶膠質量濃度數據CRH進行數據融合補償修正從而減小環(huán)境相對濕度RH引起的誤差。

3 算法原理

3.1BP神經網絡

BP神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伾窠浘W絡,根據預測誤差調整網絡權值和閾值,從而使BP神經網絡預測輸出不斷逼近期望輸出[17]。如圖2所示,其具有三層網絡的拓撲結構,即輸入層、隱含層、輸出層。BP神經網絡的原理是基于誤差-修正的學習算法,由數據流的前向傳播和誤差反向傳播構成,在層與層之間流通的有兩種信號,一種是施加輸入信號向前傳播,在輸出端產生的實際工作信號,即輸入函數和權值函數。另一種是誤差信號,由輸出端開始反向傳播。因此BP神經網絡的學習過程是由前向工作信號的計算過程和誤差信號的反向傳播過程組成。這兩個過程在反復計算,不斷調整各層網絡的權值和閾值,直到網絡的誤差信號達到最小或所期望的值。

圖2 BP神經網絡的拓撲結構圖

本文在實現BP神經網絡算法中按照輸入到輸出的方向計算實際的輸出,設定BP神經網絡的輸入層神經元為2個,隱含層神經元為5個,輸出層神經元為1個。輸入層的2個節(jié)點分別對應于氣溶膠質量濃度信號C和相對濕度信號RH,輸出層節(jié)點對應于考慮了相對濕度補償后的預測值CRH;輸入層和隱含層的激活函數都選取tansig型函數,輸出層激活函數選取pureline型線性函數;輸入層與隱含層之間的連接權值為ωij,隱含層的閾值為θi,隱含層與輸出層之間的連接權值為ωjk,輸出層的閾值為θq;i為輸入層節(jié)數,i=1,2;j為隱含層節(jié)點數,j=1,2,…,5;q為輸出層節(jié)點數,q=1。Tansig型函數定義為:

(2)

(3)

f(·)函數是隱含層激勵函數,為S型函數,一般取為(0,1)內連續(xù)的取值Sigmoid函數,如下:

y=1/(1+e-x)

(4)

BP神經網絡的預測輸出為:

ΔC=ωjqHj+θq

(5)

由此可計算網絡預測誤差:

e(n)=CTSI-ΔC

(6)

CTSI為標準儀器TSI8530粉塵儀的氣溶膠質量濃度測量值。

值得注意的是,BP神經網絡算法本質上是一種梯度下降的迭代學習方法,通過工作信號和誤差信號的計算過程,動態(tài)迭代搜索一組權向量,其進行穩(wěn)定學習要求學習率很小,因此收斂速度很慢。同時訓練從某一點開始沿誤差函數的斜面逐漸達到誤差的最小值,所以起點不同將產生不同的極小值,即得到不同的最優(yōu)解,因而BP神經網絡算法還需進一步利用粒子群算法進行優(yōu)化。

3.2 粒子群算法

粒子群優(yōu)化算法(PSO)是對鳥群社會系統的研究得到的,它是基于群體智能的具有全局搜索能力的算法,具有實數求解、調整的參數少、易于實現等特點[18]。粒子群優(yōu)化算法根據群體對環(huán)境的適應度將其中的個體移動到最佳區(qū)域,可將群體的個體看作d維搜索空間內的一個粒子。每個粒子都有一個決定它們飛行距離和方向的速度,之后粒子群在解空間中搜尋通過迭代的方式找到最優(yōu)解。在每一次的迭代過程中,粒子通過跟蹤個體極值和全局極值來更新本身。個體極值就是粒子本身找到的最優(yōu)解,全局極值是指整個種群得到的最優(yōu)解。通過群體的信息共享和個體自身經驗的總結不斷調整個體的飛行方式,進而使整個群體運行到最優(yōu)的區(qū)域。為了改善算法在粒子群向目標極值的收斂性能,在速度更新公式中引入慣性因子,位置和速度的更新方程表示為:

(7)

(8)

3.3PSO-BP神經網絡濕度補償算法

本文將BP神經網絡和PSO優(yōu)化算法結合起來,利用粒子群優(yōu)化的函數對BP神經網絡進行網絡訓練,可以進一步提高神經網絡的自組織能力。PSO算法用于優(yōu)化BP神經網絡的權值,把優(yōu)化得到的全局最優(yōu)值作為BP神經網絡的初始權值,把BP神經網絡的局部快速搜索能力和PSO算法的全局搜索能力友好的結合來提高網絡的訓練速度。BP網絡訓練的關鍵就是權值和閾值的更新過程,PSO搜索過程主要是不同維數上速度和位置的更新,PSO中的粒子位置對應著BP神經網絡中待優(yōu)化的權值閾值,通過找到最優(yōu)粒子位置間接得到最佳的網絡結構。之后使用這個網絡結構對濕度影響的測量值進行補償,使得網絡結構的預測輸出值與樣本期望輸出值的誤差絕對值之和達到最小值,其適應度函數為:

(9)

式中:M為學習樣本數,p(t)為網絡的實際輸出,d(t)為樣本函數輸出,訓練使得fit≤ζ(設定的最小誤差)。

圖3 PSO優(yōu)化的BP神經網絡的流程圖

光散射法測量氣溶膠質量濃度有很多優(yōu)勢,這種測量方法主要缺點是所測量顆粒物的特性及其成分容易受到空氣相對濕度等因素的影響,然而人們對這方面的研究相對較少。利用PSO-BP神經網絡算法對光散射方法測量的數據進行融合補償有望提高其測量精度。PSO-BP算法收斂速度快,精度高,不受模型結構的影響,兼顧了初始權值和閾值的優(yōu)選,具有更小的訓練誤差和檢驗誤差,在一定程度上提高了學習能力與泛化能力[13-15]。PSO-BP神經網絡流程如圖3所示,算法的實現步驟如下:(1)對輸入數據進行歸一化處理;(2)初始化BP網絡結構,設定輸入層、隱含層、輸出層的神經元個數,初始化粒子群及每個粒子速度;(3)計算每個粒子的適應度:先計算每個輸出值及其均方誤差,再計算出所有樣本的均方差,計算出該粒子的適應度;(4)比較適應度,尋找并且更新每個粒子的個體和全局極值點;(5)查看適應度是否小于設定誤差,迭代次數是否大于設定的最大迭代次數,如果不滿足返回步驟(3);(6)將PSO優(yōu)化后的權值和閾值作為BP網絡的初始權值和閾值對網絡進行訓練。

4 實驗仿真與測試分析

4.1 實驗樣本獲取

采用粒子群優(yōu)化BP神經網絡算法進行顆粒物濃度的濕度補償之前,需要利用搭建的實驗平臺進行一定數量的實驗數據測量,測得在不同濕度下的顆粒物的質量濃度值作為訓練樣本,以保證測量結果的完整性和準確性,同時以美國TSI公司的8530粉塵儀作為標準測量儀器。為了保證所測環(huán)境的一致性,實驗在超凈實驗室進行,實驗使用同一密封箱引出兩根導氣管分別送給TSI 8530氣溶膠監(jiān)測儀和本文研制的氣溶膠質量濃度測量系統,使用煙塵的顆粒改變密封箱內顆粒物的濃度,同時運用加濕器來改變密封箱內的濕度值,濕度的調節(jié)范圍在50%～90%之間,每個濕度下都要進行多次測量以避免實驗數據的偶然性。本文實驗采樣數據的保存和傳輸由FPGA芯片控制,保證數據的高速傳輸。數據處理由STM32完成,并實時顯示測量出的濃度值。

需要說明的是,本文在沒有對k和β進行重新標定的情況下,結合不同濕度下的信號幅度分布利用低濕度時的分形模型先反演出了質量濃度,并且以TSI 8530粉塵儀(標準儀器)不同濕度下同時測量的質量濃度值作為標準值進行了歸一化處理,再以低濕度TSI8530測量的質量濃度做反歸一化處理,經過上述處理之后實際上把相對濕度合理的影響做了保留(比如相對濕度引起顆粒物粒徑的變化),同時有利于數據融合算法去除相對濕度多余的影響(比如相對濕度引起折射率的變化),本文氣溶膠質量濃度測量系統的原始數據見表1,最終處理后的訓練數據見表2,它們將作為PSO-BP數據融合算法的樣本。

表1 不同濕度下本文氣溶膠質量濃度測量系統測得的質量濃度值 單位:μg/m3

表2 不同濕度下測得的質量濃度值樣本數據 單位:μg/m3

由表2不難發(fā)現,相對而言本文設計的氣溶膠濃度測量系統測算的質量濃度值要偏大一些,而且由以上采集到的數據可以看到,不同濕度下的濃度值變化很大,并且濕度越高對測量值的影響越大,更加偏離真實的濃度值。如果要得到準確的濃度值,需要利用軟件算法補償修正濕度對氣溶膠質量濃度值的影響。

4.2 基于PSO-BP算法的氣溶膠質量濃度濕度補償仿真

本文利用MATLAB數學建模工具建立基于粒子群優(yōu)化的BP神經網絡的數學預測模型,對實驗測量數據進行數據融合,并利用MATLAB軟件實現了數據預測仿真。具體地,將表2中的濕度和質量濃度值作為網絡輸入,標準濃度值作為期望輸出,對數據進行歸一化處理后建立單隱層BP神經網絡模型。根據濕度補償的需求,確定2個輸入節(jié)點,5個隱層節(jié)點和1個輸出節(jié)點。網絡訓練步數設置為1 500,目標誤差為0.000 001,訓練函數選擇為trainlm,學習函數采用learngdm,網絡訓練的速度設置為0.01;其中,輸入層與隱含層之間的連接權值為ωij,隱含層的閾值為θi,隱含層與輸出層之間的連接權值為ωjk,輸出層的閾值為θq?；赑SO算法的函數極值尋優(yōu)算法,其中粒子和速度初始化對初始粒子位置和粒子速度賦予隨機值,種群規(guī)模設置為40,最大迭代次數設置為1 000,規(guī)定精度為0.05,初始慣性權重設置為0.9,迭代至最大次數時的慣性權重為0.4,學習因子為2.5;從初始化的40個粒子中選取30個最優(yōu)適應度的粒子,隨機數為2.5。利用PSO算法尋優(yōu)結束后相應的隱層神經元和輸出層神經元的權值與閾值矩陣分別為:

(10)

通過采用PSO-BP神經網絡建立的模型,將PSO算法優(yōu)化好的權值和閾值賦給BP神經網絡,進而對BP神經網絡進行訓練,然后對訓練的結果進行測試與分析,所得結果如圖4所示。圖4(a)給出了PSO-BP神經網絡的預測輸出(圓點)與期望輸出(星號)的關系曲線,從圖4可以看出,原點和星號能夠高度的重合,每個輸出值隨濕度變化很小,可見經過算法融合后的仿真輸出值與標定值之間誤差已減小,說明PSO-BP神經網絡算法可用于氣溶膠質量濃度值的濕度補償修正。粒子群優(yōu)化的BP神經網絡訓練后的適應值如圖4(b)所示,不難發(fā)現其收斂速度較快,經過100多次的迭代后適應度已達到最低,最終得到的最優(yōu)個體適應度值為1.44。PSO算法尋優(yōu)得到最優(yōu)值接近函數實際最優(yōu)值,說明PSO-BP算法具有較強的函數極值尋優(yōu)能力。

圖4 PSO-BP網絡預測輸出和適應度曲線圖

圖5 PSO-BP神經網絡均方誤差曲線

基于MATLAB的PSO-BP神經網絡算法訓練后的均方誤差如圖5(a)所示,其中Train是訓練樣本數據,Validation是驗證樣本數據,Test是測試樣本數據。每用Train訓練一次,系統自動將Validation中的樣本數據輸入神經網絡進行驗證,在Validation輸入后會得出一個誤差,由圖5(a)不難發(fā)現,誤差在連續(xù)122次檢驗后不下降,停止訓練,因此訓練次數在122時收斂性達到最好。圖5(b)則給出了PSO-BP神經網絡與傳統BP神經網絡濕度補償的誤差對比曲線,可以看出PSO-BP神經網絡的補償精度明顯高于BP網絡。

4.3 補償效果測試與分析

經過上述研究可以看到基于粒子群優(yōu)化的BP神經網絡對濕度造成誤差修正的效果良好,此時可以取出PSO-BP神經網絡輸入層與隱含層連接的權值和閾值,隱含層與輸出層連接的權值和閾值。值得注意的是以上都是基于MATLAB仿真實驗的結果,還沒有應用到具體的在線補償實驗中,為了確保在實際應用中的可行性,需要取出上述的權值和閾值,并且要寫成C語言代碼形式,燒寫到STM32微控制器中,本文中具體帶有對相對濕度影響進行修正的質量濃度公式如下:

CRH=pureline[ωj1tansig(ωi1C+ωi1RH+θj)+θq]

(11)

圖6 不同相對濕度下本文氯溶液膠濃度測量系統(未補償)和TS18530粉塵儀的對比測量結果

為了驗證PSO-BP神經網絡的補償的效果,使用本文的氣溶膠質量濃度測量系統和標準的TSI8530粉塵儀進行最終的對比測量實驗。首先控制實驗環(huán)境的濕度,這里設置了兩個不同高濕度環(huán)境為例,即74.8%和85.4%。在同一濕度下測量多組實驗數據。如圖6(a)和圖6(b)所示,在不重新標定的情況下,先來考察一下直接利用低濕度的分形模型計算的質量濃度值的效果,從兩幅圖不難發(fā)現計算值要明顯高于TSI8530粉塵儀測量的質量濃度值,帶來了-10%～-45%的相對誤差。

圖7(a)給出了PSO-BP數據融合算法補償后的結果,不難發(fā)現,對比沒有數據融合補償的測量數據,誤差有了明顯的減小。為了更好地說明PSO-BP數據融合算法的效果,我們同時也給出了重新標定k和b后的反演結果。從圖中不難發(fā)現PSO-BP數據融合算法與TSI8530測量的質量濃度值吻合較好,尤其在濃度較大時,而重新標定反演的質量濃度與TSI8530在濃度較低時吻合的更好。為了清楚看出這些差別,圖7(b)給出了它們與TSI8530測量值之間的相對誤差,從圖中可以看出兩種方法對濕度均有一定的補償作用,將濕度造成的誤差降低了不少。經過PSO-BP神經網絡濕度補償后,相對濕度較高時引起的測量誤差約從原來的-10%～-45%減小為-5%～-30%,整體平均相對誤差約從-26.3%減小為-15.5%,由此可見PSO-BP補償算法提高了系統的測量精度。

圖7 本文氣溶膠濃度測量系統(算法補償后或重新標定)和TS18530粉塵儀的對比測量結果和相對誤差結果

5 結論

針對光散射法測量氣溶膠質量濃度時易受空氣相對濕度變化影響的問題,本文提出并運用了基于粒子群優(yōu)化的BP神經網絡數學模型對氣溶膠測量數據進行數據融合補償修正。采用PSO-BP神經網絡可搜索最優(yōu)的連接權值和閾值,克服了BP網絡收斂速度慢和易陷入局部極值的缺陷,且濕度補償的精度更高。以TSI8530粉塵儀作為標準儀器,利用本文研制的氣溶膠質量濃度測量系統測得不同濕度下的氣溶膠濃度值,經過處理后作為訓練樣本,并利用MATLAB軟件構建PSO-BP神經網絡算法修正濕度影響的濃度值,最終對比實驗結果表明PSO-BP神經網絡算法對顆粒物濕度的影響具有補償作用,修正了相對濕度引起的質量濃度測量誤差,提高了測量系統的精度。本文對氣溶膠濃度精確測量的研究,符合國家當前對大氣環(huán)境監(jiān)測的實際需求,同時也使得基于單粒子光散射的質量濃度測量方法更加完善。

[1] 付曉燕. 我國環(huán)境空氣質量標準發(fā)展及現狀[J]. 環(huán)境與可持續(xù)發(fā)展,2014,39(3):41-43.

[2] Kouji A,Serena H C,Peter R B. Shapes of Soot Aerosol Particles and Implications for Their Effects on Climate[J]. Journal of Geophysical Research,2010,115(D15):D15206.

[3] 霍雨佳.“PM2.5”對人體健康的危害[J]. 生命與災害,2011(12):15.

[4] 梁艷,張增福,陳文亮,等. 基于β射線法的新型PM2.5自動檢測系統研究[J]. 傳感技術學報,2014,27(10):1418-1422.

[5] Albert W,Jorge L R,Jos W H,et al. Equivalence Testing of Filter-Based,Beta-Attenuation,TEOM,and Light-Scattering Devices for Measurement of PM10 Concentration in Animal Houses[J]. Journal of Aerosol Science,2015,80:11-26.

[6] Binnig J,Meyer J,Kasper G. Calibration of an Optical Particle Counter to Provide PM2.5 Mass for Well-Defined Particle Materials[J]. Aerosol Science,2007,38(3):325-332.

[7] Gu F,Zhang J H,Chen Y L. Fractal Dimension of Scattering Equivalent Section of Aerosol and Calibration Mechanism[J]. Chinese Optics Letters,2009,7(9):857-860.

[8] G?rner P,Simon X,Bémer D,et al. Workplace Aerosol Mass Concentration Measurement Using Optical Particle Counters[J]. Journal of Environmental Monitoring,2012,14(2):420-428.

[9] G?rner P,Bemer D,Fabriès F. Photometer Measurement of Polydisperse Aerosols[J]. Journal of Aerosol Science,1995,26(8):1281-1302.

[10] 楊軍,李子華. 相對濕度對大氣氣溶膠粒子短波輻射特性的影響[J]. 大氣科學,1999,23(2):239-247.

[11] 黃婧,鄧芙蓉,吳少偉,等. 相對濕度對光散射法測定大氣細顆粒物濃度的影響[J]. 中國預防醫(yī)學雜志,2012,13(5):321-325.

[12] 李燦,崔術祥,楊維,等. 相對濕度對室內細顆粒物粒徑分布影響的試驗研究[J]. 安全與環(huán)境學報,2014,14(4):254-258.

[13] 孫艷梅,苗鳳娟,陶佰睿. 基于PSO的BP神經網絡在壓力傳感器溫度補償中的應用[J]. 傳感技術學報,2014,27(3):342-346.

[14] 郭亞強,王鵬,白艷萍. 基于PSO-BP神經網絡的矢量水聽器的DOA估計[J]. 傳感技術學報,2016,29(8):1229-1233.

[15] 行鴻彥,鄒水平,徐偉,等. 基于PSO-BP神經網絡的濕度傳感器溫度補償[J]. 傳感技術學報,2015,28(6):864-869.

[16] 張加宏,韋圓圓,顧芳,等. 高精度光散射氣溶膠質量濃度測量系統的信號處理研究[J]. 傳感技術學報,2016,29(4):536-544.

[17] Islam T,Ghosh S,Saha H. ANN-Based Signal Conditioning and its Hardware Implementation of a Nanostrucured Porous Silicon Relative Humidity Sensor[J]. Sensors and Actuators B,2006,120(1):130-141.

[18] 李玉軍,湯曉君,劉君華. 粒子群優(yōu)化算法在改善傳感器穩(wěn)定性中的應用[J]. 儀器儀表學報,2010,31(8):1756-1762.

張加宏(1979-),男,博士,南京信息工程大學電子與信息工程學院副教授,碩士研究生導師,主要從事微納電子機械系統與氣象傳感器探測技術等相關研究工作,zjhnuist@163.com;

劉 毅(1991-),男,南京信息工程大學電子與信息工程學院碩士研究生,主要從事大氣環(huán)境光電檢測技術方面的研究,liuynuist@163;

顧 芳(1981-),女,博士,南京信息工程大學物理與光電工程學院副教授,碩士研究生導師,本文通訊作者,主要從事大氣顆粒物的激光檢測技術和光電功能材料性能表征研究,gfnuist@163.com。

The Humidity Compensation for Measurement Systems of Aerosol Mass Concentrations Based on the PSO-BP Neural Network*

ZHANGJiahong1,2,4,LIUYi1,2,4,GUFang3*,SHENLei4,MAOXiaoli2,4,WUJiawei4,WANGCheng4,BAOZhiwei4

(1.Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology,Nanjing University of Information Science and Technology,Nanjing 210044,China;2.Jiangsu Key Laboratory of Meteorological Observation and Signal Processing,Nanjing University of Information Science and Technology,Nanjing 210044,China;3.School of Physics and Optoelectronic Engineering,Nanjing University of Information Science and Technology,Nanjing 210044,China;4.School of Electronic and Information Engineering, Nanjing University of Information Science and Technology,Nanjing 210044,China)

Aerosol mass concentration is a key indicator of air quality. The influence of the changes in ambient humidity on aerosol mass concentration measurement based on single particle light scattering is large. Especially,physical characteristics and refractive index of particulate matter could change accordingly in high humidity,which uses system calibration parameters under low humidity conditions to invert aerosol mass concentration and leads to considerable error. Therefore,considering the above reasons,a compensation model is presented by particle swarm optimization BP neural network for data fusion of the measurement data. The experimental measurements show that after humidity compensation based on the PSO-BP neural network,the measurement error caused by high relative humidity decreases from the original approximately -10%～45% to -5%～30%,and the overall average relative error is reduced by 10%,which indicates that the PSO-BP method can reduce relative humidity effect on the aerosol mass concentration measurement system and improves system measurement accuracy effectively.

aerosol mass concentration;light scattering;humidity compensation;PSO-BP neural network

項目來源:國家自然科學基金項目(61307113,61306138,41605120);江蘇省自然科學基金項目(BK2012460);江蘇省高等學校大學生實踐創(chuàng)新訓練計劃項目(201510300034);江蘇高校品牌專業(yè)建設工程資助項目(TAPP)

2016-07-04 修改日期:2016-11-23

TN247;TN911.7

A

1004-1699(2017)03-0360-08

C:7320P;7220

10.3969/j.issn.1004-1699.2017.03.005