（a） 大型候鸟，斑头雁，在飞行中。（b） 神经记录器：收集鸽子脑电信号和GPS位置信息，并将其记录在SD卡上[7]。（c） 安装在信鸽头部和背部的神经记录器。（d） 鸟类可穿戴生物记录仪收集有关心率、血氧饱和度、加速度、磁场、气压和温度的信息。图片来源：电子（2023 年）。DOI： 10.3390/electronics12204373

中国科学院（CAS）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。该算法优化了径向基函数 （RBF） 神经网络的性能，该神经网络专为温度补偿而设计。

该研究于10月22日发表在《电子学》杂志上。

DQPSO算法采用整体方法，以应对温度波动时传感器精度的挑战。它包含一个温度-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，这是监测野生候鸟运动的关键要求。

该算法具有创新的损失函数，兼顾拟合精度和复杂度。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，以验证该算法的有效性。根据常用的商业传感器算法，压力传感器在动态温度变化期间的平均误差为145.3帕斯卡。但是，使用 DQPSO 算法后，此误差降低到 20.2 帕斯卡。

他们在嵌入式环境中部署并验证了该算法，确保了在跟踪和监测野生候鸟期间实现低功耗、高精度、实时的压力补偿。这项研究为了解和保护野生候鸟的旅程打开了新的大门。