本文属于类型a（单一原创研究报告），以下是基于该文献生成的学术报告。

本研究由合肥工业大学电气工程与自动化学院的易瑞（yi ruan）、袁莉芬（lifen yuan）、袁伟博（weibo yuan）和陆莉（li lu），以及武汉大学电气工程学院的何怡刚（yigang he）共同完成。通讯作者为袁莉芬。该研究成果于2021年6月14日发表在ieee transactions on instrumentation and measurement期刊第70卷，文献编号为1008610。

该研究的学术背景主要围绕压阻式压力传感器（piezoresistive pressure sensor）在现代工业应用中所面临的温度漂移挑战展开。压阻式传感器因其成本低、精度高、灵敏度好、线性度优、体积小以及制造工艺成熟等特性，被广泛应用于气象、环境科学、航空航天、医疗及汽车工业等领域。然而，受硅材料固有属性的影响，此类传感器普遍存在较高的温度系数（temperature coefficient），这导致其响应特性会随着环境温度的变化而产生强烈的非线性偏移，严重限制了其应用的温度范围和测量精度。因此，对传感器进行温度补偿（temperature compensation）是确保其性能的关键步骤。传统的硬件补偿方法虽然实现简单，但精度有限；而软件补偿方法则能以较低的成本和体积实现高精度在线补偿。在软件补偿方法中，人工神经网络（artificial neural networks, ann）等人工智能方法虽然有效，但可能陷入维度灾难或局部最优等困境。相比之下，基于贝叶斯框架的相关向量机（relevance vector machine, rvm）具有更稀疏的模型和更优的泛化能力，但其性能高度依赖核函数的选择，单核rvm容易陷入次优状态。此外，现有研究多聚焦于补偿传感器的输出电压漂移，而忽略了传感器应用的本质——直接补偿输入压力（input pressure）偏差可以更高效、更直观地达到目标。为解决上述复杂非线性问题，实现高精度的输入压力偏差估计，本文提出了一种基于动态混沌量子行为粒子群优化（dynamic chaos quantum-behaved particle swarm optimization, dcqpso）算法优化多核相关向量机（multiple kernel relevance vector machine, mkrvm）的新方法。

该研究的详细工作流程由理论推导、算法构建、实验校准和模型验证四个主要环节构成。首先，研究团队从理论层面分析了温度对压阻式压力传感器的影响机理。他们选取了freescale semiconductor公司的mpx2000系列传感器作为研究对象，并基于其复合系数模型（compound coefficient model）推导了输出电压的表达式。通过模型分析，揭示了在固定输出电压下，输入压力偏差值与环境温度变化量之间存在复杂的非线性关系，且各电阻温度灵敏度系数的差异会进一步加剧这种非线性。这一理论分析奠定了后续建立补偿模型的基础，并明确提出了通过估计输入压力偏差值进行补偿的新思路。其次，研究团队详细构建了核心算法dcqpso-mkrvm。他们采用异构核学习（heterogeneous kernel learning）方法，组合了三个高斯核函数（gaussian kernel function）和四个多项式核函数（polynomial kernel function），并加权构成多核rvm，以保持核函数的多样性，从而获得更高的估计精度。为寻找最优的稀疏权重分布，他们引入了dcqpso算法。该算法对原始量子行为粒子群优化（quantum-behaved particle swarm optimization, qpso）算法进行了两项关键改进：一是利用动态参数将整个种群动态划分为两个相互连接的子群，一个执行原始qpso，另一个在全局最优位置的吸引点附近进行混沌搜索；二是采用skew帐篷映射（skew tent map）生成混沌变量，并定义了基于均方根误差（root-mean-square error, rmse）的适应度函数以及一种判断早熟收敛的准则。当检测到早熟时，会启动额外的混沌搜索以逃脱局部最优。这一系列计算步骤被完整地编码为初始化、适应度计算与种群划分、早熟判断与处理、位置更新和终止判断五个步骤的优化流程。随后，研究团队搭建了实验平台进行校准实验。他们使用一个压力范围为0-100kpa的mpx2000系列传感器，将其置于温度控制箱中，在223.15k至423.15k的温度范围内，每2k为一个步进，并在每一温度点通过控制外部压力，使输出电压分别固定在0.005v、0.01v、0.015v、0.02v、0.025v、0.03v、0.035v和0.04v这八个水平，从而采集了输入压力偏差值与温度变化之间的完整实验数据。

实验结果详细验证了所提方法的优越性。在算法优化性能的比较方面，实验以输出电压为0.01v的数据为例，对比了dcqpso与遗传算法、粒子群算法以及原始qpso在寻找mkrvm最优核权重时的效果。结果显示，dcqpso不仅收敛速度最快，优化时间缩短至7.1954秒，而且能够有效逃脱局部最优，获得了最低的rmse值6×10⁻⁵，避免了早熟收敛问题，这一系列结果为后续的精确估计提供了高质量的模型参数。在偏差估计性能的比较方面，研究将dcqpso-mkrvm与反向传播神经网络（bpnn）、单核rvm以及支持向量机（svm）进行了对比。如图7所示，虽然bpnn和rvm表现尚可，但mkrvm的估计曲线与实测数据点最为吻合，展现了最高的估计精度。为了量化评价，研究采用了平均绝对误差（mean absolute error, mae）和平均相对精度（mean relative accuracy, mra）两个指标。在全部八个输出电压水平下，所提方法的最大mae仅为5.9×10⁻³ kpa，最低mae更是达到了1.8×10⁻³ kpa，最终的估计结果mra高达99.5%。各个具体电压水平下的估计误差分布图（图8）直观地展示了的估计值与真实值之间的微小偏差。最后，为了证明该补偿思路的有效性，研究对比了温度补偿前后的输入压力测量误差。结果表明，在宽温度范围内，经过所提方法补偿后的压力测量误差显著降低，有效地校正了因温度效应导致的测量偏差。

本研究的结论具有重要的科学价值和应用意义。它成功证实了所提出的dcqpso-mkrvm方法能够有效、快速且精确地估计由温度效应引起的输入压力偏差，并通过偏差补偿实现了高精度的温度补偿目标。从科学角度来看，该研究开创性地从补偿输入压力偏差这一新视角解决压阻式传感器的温度漂移问题，避免了传统输出电压补偿方式中因二次映射可能引入的额外误差，为传感器信号处理领域提供了新的研究范式。从应用价值来看，该方法高达99.5%的平均相对精度，以及低于传统优化算法的计算时间，证明了其在解决复杂非线性问题上的强大能力，使其完全适用于对实时性和精度要求苛刻的工业现场环境。

本研究的亮点主要体现在三个方面。首先，发现了温度变化的本质影响是导致输入压力产生一个非线性的偏差值，并明确指出直接补偿该偏差值比补偿输出电压更直观且能减少误差，这构成了重要的理论见解和指导思想。其次，在方法论上，将异构的多核学习与改进的动态混沌量子粒子群算法相结合，用于优化rvm的稀疏权重，这种组合不仅新颖，而且从实验上证明了其在逃离局部最优、提升收敛速度及估计精度方面，相较于bpnn、svm、传统rvm及qpso等现有方法具有显著优势。最后，研究建立了从理论建模、算法设计、硬件实验到效果验证的完整研究流程，为后续类似研究提供了坚实的理论和实践参考。文末提到，未来的研究将聚焦于温度效应引起的灵敏度系数偏差及潜在的故障诊断问题，为该方向的深入探索指明了路径。