[发明专利]一种基于模型融合的探空仪温度传感器误差预测方法

说明书

本发明公开了一种基于模型融合的探空仪温度传感器误差预测方法，属于传感器技术领域。本发明包含以下步骤：构建高空气象探测数据集；利用特征工程进行相应影响因素构建；设计增强型深度神经网络模型；设计基于模型融合的传感器误差预测方法。本发明充分利用机器学习在误差预测中的优势，并以残差为思想，设计了针对探空仪温度传感器误差的预测模型，有效地提升了传感器的测量精度。

技术领域

本发明涉及传感器技术领域，尤其涉及一种基于模型融合的探空仪温度传感器误差预测方法。

背景技术

目前，在高空气象探测领域，温度传感器误差预测主要采用定性分析方法，通过测量温度传感器在不同经纬度、海拔高度等气象条件下的测量误差，构建温度传感器误差修正表从而实现传感器误差预测。然而，查表法仅给出了一个大概的误差范围，并无准确地误差数据，且由于传感器制作原料、流程、工艺等方面的影响，简单的查表法并不能满足传感器测量精度的要求。

随着计算机仿真技术的发展，通过流体力学仿真进行误差量化分析成为了高空探测领域主要的研究方法。通过设计流体动力学模型，构建温度传感器仿真模式图，并对传感器测量误差进行计算，通过最小二乘法对测量误差进行回归分析，实现了温度传感器误差预测，此方法一直保留在仿真数据中，并未在实际环境中得到应用，缺乏一定的实用性因素。

机器学习作为一种新兴的信息处理方法，为高空气象探测领域带来了新的解决方案，通过构建基于模型融合的探空温度传感器误差预测模型，并通过对实际气象探测过程中传感器采集的数据进行学习，可以实现温度传感器误差预测，提高传感器测量精度。

发明内容

本发明针对于高空气象探测过程中，由于太阳辐射、入云出云等因素干扰导致传感器存在测量误差的问题，提出了一种基于模型融合的探空仪温度传感器误差预测方法。该方法通过将深度神经网络、高斯函数、支持向量机、XGBoost、逻辑回归相结合，基于残差思想设计了一种针对探空仪温度传感器误差的预测方法，通过对温度传感器进行误差预测，实现误差补偿，使温度传感器测量精度进一步提升，满足了高空气象探测领域对传感器测量精度的需求。

为实现上述目的，本发明采用如下技术方案：

一种基于模型融合的探空仪温度传感器误差预测方法，主要包含以下步骤：

步骤1：构建高空气象探测数据集

在进行传感器误差预测模型构建时，首先需要进行传感器数据采集。所使用数据基于高空探测过程中实际测量的数据，研究对象为待修正温度传感器与国际标准温度传感器。探空仪数据传输系统每1s传输一次测量的高空气象要素数据。所构造的数据集共有18种与传感器测量误差相关的数据。

步骤2：设计增强型深度神经网络模型

对于探空仪温度传感器误差预测，由于其有较高的预测精度需求，采用传统的深度神经网络结构无法高精度地进行预测。因此提出了将高斯函数代替Sigmoid函数作为网络隐藏层的激活函数，以进一步地提取不同特征值之间的关系，提升模型的预测性能。

步骤3：设计基于模型融合的传感器误差预测方法

首先通过3折交叉验证将原始数据集划分成3个子数据集，然后将分割的数据输入到第1层的预测模型中，并输出各自的预测结果。最后，根据残差思想，将第1层的输出值作为第2层的输入，对第2层预测模型的学习算法进行训练，使其学习第一层预测值与最终标准值之间的残差，以进一步提升预测精度。

在进行模型构建时，选择了基于超平面的支持向量机模型(SVM)、基于树原理的XGBoost模型、基于神经元的深度神经网络模型(DNN)、基于加权的逻辑回归模型(LR)。在SVM、DNN、XGBoost预测结果的基础上，再训练一个LR模型，通过对不同模型预测结果进行加权分析，把各个模型在提取特征较好的部分给抓取出来，同时舍弃它们各自表现不好的部分，以有效地优化预测结果、提高最终预测精度。