亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PCA-ELM的紅外多光譜輻射測溫

        2021-08-02 10:00:48席劍輝
        上海交通大學學報 2021年7期

        席劍輝, 姜 瀚, 陳 博, 傅 莉

        (沈陽航空航天大學 自動化學院, 沈陽 110136)

        紅外輻射測量得到的目標熱輻射通量與目標溫度以及材料發(fā)射率緊密相關,所以紅外測溫通常需要已知目標的發(fā)射率[1-2].常用的測溫方法主要有光譜極值法、全輻射測溫法和亮度測溫法等[3-5].光譜極值法用于當目標為黑體或灰體時,發(fā)射率為一個小于或等于1的固定常數(shù).通過測量輻射峰值點處波長,根據(jù)Wien位移定律計算溫度.全輻射測溫法依據(jù)Stefan-Boltzmann定律,通過測量目標的總輻射能量計算目標溫度,只能通過局部波段能量近似獲得.亮度測溫法通過測量目標在給定波長下的輻射亮度值,獲得與目標光譜輻射亮度相等的黑體溫度,稱為亮溫,再根據(jù)亮溫和發(fā)射率求得目標溫度.

        但在實際測量中,發(fā)射率與目標材料的成分、表面狀況、所處的溫度和考察的波長等因素均有關,無法建立完備的目標發(fā)射率數(shù)據(jù)庫,因此在測溫過程中,目標的發(fā)射率往往都是未知的.目前,針對目標發(fā)射率未知情況下的紅外測溫方法一般有比色測溫法[6-7]以及多光譜測溫法[8-9].比色測溫法是通過測量兩個波段的輻射能量之比計算溫度的.通常選取兩個相近波段,認為兩者的發(fā)射率近似相等可以互相消除.若所選波段的發(fā)射率發(fā)生較大變化時,其相應的測溫誤差也會較大.多光譜測溫法通過測量多個目標光譜的輻射亮度建立測溫模型.最初,Svet等[10]引入發(fā)射率非線性模型,建立一組與模型未知參數(shù)個數(shù)相等的方程組,通過求解方程組估計目標溫度和光譜發(fā)射率.所建立的方程組數(shù)量與結構對估計結果的影響較大,線性方程難以表征目標溫度與紅外光譜信息之間的強非線性關系.建立非線性高階方程組會導致方程組維數(shù)迅速上升,對樣本數(shù)量和求解算法提出更高的要求. 測溫過程中,大氣、背景等復雜影響因子要求模型辨識方法應該具有良好的穩(wěn)健性和適應性.近年來,自適應的智能模型辨識方法經(jīng)常被用于多光譜測溫[11-12].

        神經(jīng)網(wǎng)絡通過充分的樣本訓練自適應學習樣本中隱含的非線性關系,進而建立測溫模型,建模過程不需要預知目標光譜發(fā)射率[12-14].本文主要采用一種動態(tài)神經(jīng)網(wǎng)絡極限學習機(ELM),學習在不同溫度情況下,目標輻射亮度譜與溫度之間的非線性映射關系;引入主元分析(PCA)方法對輸入向量降維且保留主元特征,減弱輸入樣本中的冗余信息,避免網(wǎng)絡過度學習,提高建模精度.

        1 目標輻射溫度建模

        當溫度為T時,目標輻射亮度的典型曲線如圖1所示.其中:λj為波長;Lj(λj,T) 為輻射亮度.當λj分別取固定值為λ1,λ2,…,λp時,固定溫度下對應的輻射亮度值分別為L1,L2,…,Lp.

        圖1 當溫度為T時的典型目標輻射亮度曲線

        由Planck定律和光譜發(fā)射率定義可得,當溫度為T時,目標的輻射亮度為

        (1)

        式中:ε(λj,T)為光譜發(fā)射率;C1和C2分別為第一熱輻射常數(shù)、第二熱輻射常數(shù).在同一溫度T下,不同波長λ1,λ2,…,λp對應的亮度為

        (2)

        式中:ε(λ1,T),ε(λ2,T),…,ε(λp,T)為未知的光譜發(fā)射率,只與T和λj有關.因此,L1,L2,…,Lp可以看成p個關于溫度T和λj的隱函數(shù),通過選用固定波長下的多光譜亮度信息,就可以對溫度進行估計,建立基于多光譜亮度信息的目標溫度模型.

        由式(2)可知:① 方程組具有強非線性,常規(guī)模型辨識方法很難獲取亮度譜與溫度之間的關系;② 方程組個數(shù)p不少于等式右邊展開后未知參數(shù)的個數(shù),p值過大時,式(2)求解困難.神經(jīng)網(wǎng)絡不需要具體知道系統(tǒng)動態(tài)特性,無需建立初始數(shù)學模型,尤其適用于難以用確定數(shù)學模型表達的非線性系統(tǒng)建模[13].所設計的測溫模型結構如圖2所示,其中z1,z2,…,zm(m

        圖2 測溫模型結構框圖

        2 PCA-ELM紅外光譜測溫方法

        在不同溫度T下測量光譜亮度,總共測量n個不同溫度.設第k個溫度下,對應p個波長的光譜輻射亮度輸入為L(k)=[L1(k)L2(k)…Lp(k)]T(k=1,2,…,n).若輸入變量間方差越大,相關性越小,則越具有好的區(qū)分能力.PCA 方法正是利用這一規(guī)律,以確定具有較大方差的主元變量為目標,對輸入變量進行線性組合,使獲得的輸入向量具有更好的模式區(qū)分能力.

        ELM是一種單隱層前饋網(wǎng)絡,網(wǎng)絡結構簡單,輸入層與隱含層連接權值以及隱含層神經(jīng)元閾值在訓練過程中無需調(diào)整,訓練時間快,因此本文神經(jīng)網(wǎng)絡選用ELM神經(jīng)網(wǎng)絡.

        2.1 PCA的原理和步驟

        設有n個不同溫度下的目標輻射亮度向量,每個向量包含p個不同波長下對應的亮度值,構成一個p×n階的矩陣Λ,

        (3)

        令z(k)=[z1(k)z2(k)…zm(k)]T(m

        (4)

        從以上分析可以看出,主成分分析的實質(zhì)是確定權值aij(i=1,2,…,m;j=1,2,…,p),分別為相關矩陣m個較大特征值所對應的特征向量.PCA的步驟如下[15-16]:

        (1) 將原始數(shù)據(jù)標準化.

        (2) 建立變量的相關系數(shù)矩陣R=[rij]p×p.

        (5)

        (3) 求R的特征根λ1≥λ2≥…≥λp>0及其相應的單位特征向量.

        (4) 計算前m個特征值的累計貢獻率γm.

        (6)

        (5) 一般當γm>85%~95%時,可得m個主成分zi,令i=1,2,…,m

        zi=ai1L1+ai2L2+…+aipLp

        (7)

        2.2 ELM的原理

        ELM[14-17]是一種單隱層神經(jīng)網(wǎng)絡,可以隨機初始化輸入權重和偏置,網(wǎng)絡結構圖如圖3所示,其中N為隱含層神經(jīng)個數(shù).

        圖3 ELM網(wǎng)絡結構圖

        對第k個學習樣本,有網(wǎng)絡輸入為z(k)=[z1(k)z2(k)…zm(k)]T,網(wǎng)絡輸出為對應該輸入的第k個溫度T(k).共測量n個溫度,則有k=1,2,…,n;m為PCA確定的主元維數(shù).ELM網(wǎng)絡隱含層的輸出為

        (8)

        式中:g(·)為激活函數(shù),ELM對激活函數(shù)沒有特別要求,常見的激活函數(shù)有sigmoid函數(shù)和tanh函數(shù);Wl為輸入權重;βl為隱含層第l個神經(jīng)元到輸出的權重;bl為隱含層第l個神經(jīng)元的閾值.單隱層神經(jīng)網(wǎng)絡的訓練目標是要使得擬合的誤差最小,即網(wǎng)絡輸出T(k)與理想輸出O(k)差的范數(shù)趨向于0,可表示為

        (9)

        尋找bl、Wl、βl使得

        (10)

        設Y為隱含層節(jié)點輸出矩陣,通過矩陣初等變換得到矩陣的秩為h,則矩陣Y可分解為

        Y(W1…WN,b1…bN,z(1)…z(n))=

        (11)

        式中:F為n×h滿秩矩陣;G為h×N滿秩矩陣.

        (12)

        (13)

        Y+=GH(GGH)-1(FHF)-1FH

        (14)

        式中:GH和FH為G和F的共軛轉置矩陣,則有:

        (15)

        3 具體實例

        實驗采用加拿大ABB BOMEN 的MR170 型光譜輻射計,測量目標在不同溫度下的輻射特性.輻射計的分辨率為32/cm,探測器的光譜范圍為3~14 μm波段.

        3.1 黑體測溫及驗證

        實驗室現(xiàn)有3種不同型號的黑體,發(fā)射率出廠值以及測溫范圍略有不同.黑體A的發(fā)射率為0.98、有效測溫范圍為50~250 ℃;黑體B的發(fā)射率為0.96、有效測溫范圍為300~600 ℃;黑體D的發(fā)射率為0.99、有效測溫范圍為700~1 200 ℃.分別將3種黑體作為測試目標源,利用光譜輻射計分別測量不同溫度下的輻射特性,得到43組樣本數(shù)據(jù),其中黑體A有28組、黑體B有9組、黑體D有6組.3種黑體的發(fā)射率有差異、溫度范圍沒有交叉,現(xiàn)將這3種黑體的數(shù)據(jù)同時做為訓練樣本,驗證所提方法的測溫精度.測試曲線采用文獻[13]的方法進行校準補償,最終得到測量波段光譜亮度樣本,隨機選取7組不同溫度下的亮度曲線如圖4所示.

        圖4 黑體在不同溫度下的光譜輻射亮度

        光譜亮度會受到雜散輻射、大氣吸收散射等影響,導致某些固定波段內(nèi)的值會產(chǎn)生較大震蕩.選擇測溫訓練樣本時,可以避開這些波段.在同一溫度下,選擇有效輻射亮度值141個,樣本可對測量波段全覆蓋,使得構成的輸入向量中包含溫度估計需要的光譜信息,最終獲取樣本共43組,部分樣本數(shù)據(jù)如表1所示.

        表1 黑體光譜亮度樣本

        在不同溫度段隨機選取35組光譜亮度做為訓練樣本,可得式(3)的亮度矩陣Λ是一個35×141階矩陣.根據(jù)PCA計算主元成分,獲得的特征值和特征向量如表2所示.

        表2 黑體光譜亮度PCA結果

        由式(6)可知,計算前兩個特征值的貢獻率γ1=98.3%,γ2=1.614%,累計貢獻率達99.9%,確定主成分為2,得到降維后的網(wǎng)絡輸入為z1(k)=a1·L(k),z2(k)=a2·L(k)(k=1,2,…,n).

        將z1和z2輸入ELM網(wǎng)絡,網(wǎng)絡輸出為T,隱含層節(jié)點數(shù)為8個.訓練結束后,將8組測試樣本輸入網(wǎng)絡得到的驗證結果如圖5所示.

        (16)

        表3 黑體的測溫結果及其相對誤差

        圖6 黑體測試樣本的光譜發(fā)射率估計

        通過黑體實驗可以驗證所提測溫方法的合理性,且測溫范圍廣,主要取決于所選網(wǎng)絡訓練樣本的溫度范圍.

        3.2 目標涂層的測溫及驗證

        將所提方法應用于飛機機身表面涂層的溫度估計,如圖7所示.涂層溫度通過外接溫度控制器控制,利用光譜輻射計測量表面涂層的輻射特性,得到41組不同溫度下的光譜亮度輻射數(shù)據(jù),溫度范圍為80~180 ℃.

        圖7 鋼板涂層目標

        與黑體實驗相同,在每條溫度曲線上,選取141個不同波長對應的輻射亮度值作為初始輸入向量.部分樣本數(shù)據(jù)如表4所示.

        表4 目標涂層光譜亮度部分樣本

        隨機選取34組訓練樣本,可得式(3)的亮度矩陣Λ是一個34×141階矩陣.根據(jù)PCA計算主元成分,得到特征值和特征向量如表5所示.計算累計貢獻率,確定主成分為1,得到降維后的網(wǎng)絡輸入為z1(k)=a1·L(k),k=1,2,…,n.得到第k個樣本降維后的輸入變量為

        表5 目標涂層光譜亮度PCA結果

        z1(k)=0.047 5L1(k)+0.038 6L2(k)+…+

        0.079 6L141(k)

        將降維后的輸入向量送入ELM網(wǎng)絡,輸出為溫度,隱含層節(jié)點數(shù)為20,訓練ELM網(wǎng)絡.目標涂層7組測試樣本的仿真結果如圖8所示.

        從圖8中可以看出,網(wǎng)絡的輸出溫度與樣本的實際溫度比較吻合.目標涂層7個測試樣本的測溫結果以及相對誤差如表6所示.

        圖8 目標涂層溫度的ELM網(wǎng)絡輸出與實測值比較

        表6 涂層的測溫結果以及相對誤差

        由表6可以看出,目標涂層7個測試樣本的測溫結果與真實溫度很相近,相對誤差都不大,最大相對誤差為0.93%,說明這種測溫方法精度很高,進一步驗證了該方法的合理性.所測材料的光譜發(fā)射率未知,沿用黑體測試的思路,根據(jù)估計的溫度計算對應理想黑體的亮度值,根據(jù)式(16)就可獲取材料的光譜發(fā)射率,為下一步實驗驗證提供數(shù)據(jù)指導和支持.由表6中給出的所測材料不同溫度下測量波段的平均發(fā)射率可以看出其低發(fā)射率的特征.

        4 結語

        本文提出一種未知目標發(fā)射率的紅外輻射測溫方法.由紅外輻射基本定律,目標溫度與光譜輻射亮度之間存在著強非線性關系,很難應用常規(guī)辨識建模方法.建立一種基于主元分析與極限學習機相結合的測溫模型.首先,建立能夠充分包含溫度估計信息的高維輸入向量;利用PCA實現(xiàn)輸入降維,確定線性無關的主元輸入變量;利用ELM網(wǎng)絡自適應學習多光譜亮度與目標溫度之間的潛在規(guī)律,建立目標溫度測溫模型,最終構建未知發(fā)射率情況下的目標紅外多光譜測溫方法框架.用黑體和未知發(fā)射率的隱身材料涂層分別作為測試目標,獲得的測溫結果與實際溫度的相對誤差都很小,說明了這種測溫方法的合理性.

        亚洲av高清一区二区三| 99热这里只有精品69| 午夜免费视频| 亚洲第一页综合图片自拍| 欧美freesex黑人又粗又大 | 性久久久久久| 日日婷婷夜日日天干| 人人妻人人爽人人做夜欢视频九色| 欧美日韩国产一区二区三区地区| 国产激情电影综合在线看| 日本熟妇hd8ex视频| 久久婷婷国产精品香蕉| 亚洲精品精品日本日本 | 亚洲精品成人一区二区三区| 国产精品丝袜美女久久| 亚洲一区精品在线中文字幕| 特级做a爰片毛片免费看| 亚洲人成网址在线播放| 又爽又黄禁片视频1000免费| 岛国精品一区二区三区| 日韩av中文字幕一卡二卡| 国产一区二区三区最新地址 | 欧美一级三级在线观看| 亚洲欧美变态另类综合| 国产白浆大屁股精品视频拍 | 亚洲天堂av在线网站| 久久综合狠狠综合久久综合88| 日本亚洲色大成网站www久久| 精产国品一二三产品蜜桃| chinese国产乱在线观看 | 久久精品国产av一级二级三级| 久久精品免费一区二区喷潮| 人妻体体内射精一区二区| 日本三级欧美三级人妇视频黑白配 | 亚洲国产精品福利片在线观看| 久久99精品国产麻豆| 亚洲国产综合精品 在线 一区| 色妺妺视频网| 欧美激情精品久久999| 精品久久人妻一区二区| 日本一区二区三区视频在线观看|