改进的算法提高了野鸟追踪压力传感器的精度

中国科学院空天信息研究所(AIR)的研究人员提出了一种称为动态量子粒子群优化(DQPSO)的改进算法，以提高用于跟踪和监测野生候鸟的压力传感器的准确性和可靠性。该算法优化了专为温度补偿而设计的径向基函数(RBF)神经网络的性能。

该研究于10月22日发表在《Electronics》杂志上。

DQPSO算法采用整体方法来应对温度波动时传感器精度的挑战。它采用了温度-压力拟合模型，其中包括温度变化率和梯度参考项等关键参数。该模型确保压力传感器能够有效地适应不同的环境条件，这是监测野生候鸟迁徙时的关键要求。

该算法具有创新的损失函数，同时考虑了拟合精度和复杂性。这种方法增强了压力传感器的鲁棒性，使其能够在存在复杂温度变化的情况下提供可靠的数据。

研究人员进行了校准实验来验证算法的有效性。根据常用的商业传感器算法确定，压力传感器在动态温度变化期间表现出145.3帕斯卡的平均绝对误差。然而，使用DQPSO算法后，该误差已降至20.2帕斯卡。

他们在嵌入式环境中部署并验证了该算法，保证了野生候鸟跟踪监测过程中的低功耗、高精度、实时压力补偿。这项研究为了解和保护野生候鸟的旅程打开了新的大门。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！