基于参考温度的多目标极小值优化原理的多光谱真温反演

多光谱辐射测温法是一种能够反演出辐射体真实温度(真温)的非接触式的温度测量方法,这种方法通过采集不同波长下被测目标的亮度温度信息,利用相关的算法反演被测目标的真温,多光谱高温计就是利用这种方法反演被测目标真温的最重要的测量工具之一。经过近半个世纪的不懈努力与探索,国内外众多学者在此领域取得了长足的进步。由于光谱发射率都小于1,因此采用辐射高温计不能直接测量得到被测目标的真温,只有通过处理多个光谱通道的波长和亮度温度,利用多光谱辐射测温数据的处理方法才可以获得被测目标的真温。在真温的反演的过程中,一般都需要找到光谱发射率与波长或温度等变量之间的函数关系,用含有波长或温度等变量的表达式代替光谱发射率,这类方法模型选取缺乏足够的理论支持,对于非专业人员,选择合适的光谱发射率模型存在一定的难度。由于光谱发射率具有瞬时多变性,假设的光谱发射率模型与实际光谱发射率的变化之间往往存在一定的差异,有可能导致真温反演产生较大的误差。另外,光谱发射率与波长或温度等变量之间的数学模型是需要通过大量的实验和经验才能确定,这种数学模型通用性较差,尤其是当待测辐射体发生改变时,这种数学模型也就失去了意义。因此,找到一种无需假定光谱发射率与波长或温度之间数学模型而且又具有一定通用性的多光谱真温反演方法成为一种迫切的需要。对于多波长高温计的N个光谱通道,每一个光谱通道的测量数据满足一个数学方程,对于N个光谱通道可以构成一个欠定方程组。为了求解这个方程组,将优化的思想引入多光谱求解过程中,提出了一种基于参考温度的多目标极小值优化原理的多光谱真温反演方法,将多光谱真温的求解问题转化为多目标极值优化问题,实现了无需假设光谱发射率模型的真温和光谱发射率的反演。与传统的二次测量法相比,新方法在反演精度上与二次测量法大体相同,但在反演速度上得到了较大幅度的提高。借助于以往学者测量的真实数据,利用基于参考温度的多目标极小值优化原理的多光谱真温反演方法实现了真温和光谱发射率的反演。新方法在反演速度上得到了较大幅度的提高,借助于以往的固体火箭发动机羽焰温度真实的测量数据,利用基于参考温度的多目标极小值优化方法实现了真温的反演。     

基于发射率温差模型的多光谱辐射测温理论研究

对于辐射测温数据的处理过程实质就是要解决光谱发射率与真温之间的关系。如果假设的光谱发射率模型与实际光谱发射率模型不符,则会造成较大的测温误差。因此,如何减少光谱发射率和真温对测量模型的依赖程度进而使算法具有一定的通用性,是该领域亟待解决的主要问题之一。提出的算法无需预先假定的发射率与波长之间的模型关系即可找出求解出光谱发射率和真温。通过仿真和实验验证结果表明,使用该算法可以求解出一个相对合理的光谱发射率和满足一定精度要求的真温。算法简单、可靠、具有一定的通用性,适合光谱发射率和真温的测量。     

基于多元极值优化的多光谱温度测量方法

多光谱测温依据黑体辐射定律,通过辐射光强、多组波长即能推测出温度值,克服了比色测温要求光谱单一和比色光谱相近的约束,在工程实际中得到了广泛的应用。在多光谱温度反演的过程中,光谱发射率的求解及多光谱数据处理是精确测温的关键。目前,光谱发射率的求解大多以光谱发射率假设模型为主要的方法,当假设模型与实际情况接近时,反演的温度与光谱发射率精度很高,当二者不相符时,反演的结果与实际情况相差甚大,对于复杂材料和燃烧过程中材料性能动态变化情况下的测温,以光谱发射率假设模型的方法存在盲目性;近年来,基于神经网络的深度学习的方法应用于多光谱测温,避免了光谱发射率假设模型,可建立温度与多光谱的非线性统计规律关系,但需要海量数据与超强算力支撑,且建模过程复杂。针对上述问题,提出了一种基于多元极值优化的多光谱温度测量方法(MEVO),该方法利用不同温度下多光谱信号之间的关联性,通过分析在多光谱温度反演过程中各通道测量温度之间的联系,基于多光谱辐射测温原理以及温度反演过程中各通道数据之间的信息关联,建立多元温差关联函数,通过关联函数的寻优,建立高精度测温模型。该方法将建模过程简化为多元温差函数的寻优问题,避免了...     

多目标普朗克极小值优化法的多光谱真温反演研究

光谱发射率是辐射体辐射能力的重要参数,通过光谱发射率可以建立辐射体与黑体的之间的桥梁,从而黑体辐射的相关理论就可以应用于辐射体。采用普朗克公式,光谱高温计的每一个光谱通道可以构成一个方程,这个方程中包含有真温、亮度温度和光谱发射率。对于N个光谱通道可以构成N个方程,这N个方程中也包含一个真温、N个亮度温度和N个光谱发射率,其中亮度温度是已知量,真温和光谱发射率是未知量。由于方程组是欠定的,理论上存在着大量的解。为了求解这个方程组常需要假设光谱发射率与波长和温度之间的数学模型,使方程组未知数的个数降为N个,实现真温的求解。当光谱发射率与波长或温度之间的规律被正确获得后,多光谱辐射测温法才能反演出正确的真温。通过对上述较为常用两种光谱发射率模型的分析可知,这两种方法的基本思想都是试图找到光谱发射率与波长或温度之间的函数关系,确立光谱发射率与波长或温度之间数学模型。用含有波长或温度的表达式代替光谱发射率,实现方程的求解。由于光谱发射率具有一定的不确定性,假设的光谱发射率模型与实际光谱发射率的变化之间存在一定的差异,有可能导致真温反演产生较大的误差。光谱发射率与波长或温度之间的数学模型是需要通过大量的实验和经验才能获得的,而且这种数学模型通用性较差,尤其是当待测辐射体发生改变时,这种数学模型也就失去了意义。为了解决多光谱高温计在实际测量中存在的问题,找到一种无需假定光谱发射率与波长或温度之间数学模型而且又具有一定通用性的多光谱真温反演方法成为一种迫切的需要。为此,将优化的思想引入到了多光谱求解过程中,将多光谱真温的求解问题转化为多目标普朗克极小值优化(MMP)问题,从而不再需要建立光谱发射率与波长或温度之间的数学模型,降低了系统的复杂性与难度。该方法以普朗克公式和光谱发射率之间的等式约束条件为基础,构造了六个目标函数,实现了真温的求解。新方法在反演精度上得到了较大幅度的提高,仿真数据的误差都小于1%。借助于以往的真实测量数据,利用多目标普朗克极小值优化法实现了真温的反演。     

基于发射率偏差约束的多光谱真温反演算法

基于二次测量的多光谱辐射测温反演算法由于无需事先假设发射率模型而受到广泛关注,但需要较长的迭代时间,并且需要设定合适初始温度和发射率范围。为此提出了基于发射率偏差约束的多光谱真温反演算法。将二次测量法中发射率连续迭代转变为发射率偏差约束后迭代,拟合了光谱发射率偏差和温度偏差之间的函数关系,依据此函数关系确定每次迭代所产生的发射率偏差,从而迅速减小发射率搜索范围,提高计算效率。针对四种光谱发射率模型的仿真结果表明,与二次测量法相比,新算法无需设定温度初值范围,在保证反演精度的前提下,运算效率提高60%以上。     

多光谱真温快速反演方法

材料的未知发射率是辐射测温的一大障碍,它导致了无法依靠单组测量数据获得材料的真实温度,人们只能通过假定材料发射率模型来计算出材料的亮度温度等非真实温度。基于这样的背景,Gardner J等科学家们提出了多光谱测温法并不断完善其理论,如今多光谱测温广泛应用于高温和超高温测量、高温目标的热性能测量、真实温度动态测量等。2005年,孙晓刚提出了二次测量法,二次测量法属于多光谱真温反演算法的一种,其通过两组测量数据之间的迭代运算解决了反演真温与反演各波长下材料发射率的难题,并且通过构建大量发射率模型来确保各波长下反演出的发射率的精度,但是其在数学运算和软件运行中需要构建数量庞大的发射率模型库、通过匹配库中所有发射率模型来得到真温最优解,这不仅需要大量计算时间而且占用大量软件资源。提出了新的多光谱真温快速反演方法,理论推导出了的材料辐射能量当量与发射率之间的不等式方程组,在二次测量法算法中添加了对发射率模型库优化筛选步骤,这一措施能够筛选掉发射率模型库中不合理的模型以缩小发射率模型库的规模,从而节省大量计算时间和软件资源。首先进行了0.400~1.100波段的仿真实验,实验中分别对六种发射率模型进行了多光谱真温快速反演方法和二次测量法的反演结果对比,结果表明,对于同一个被测目标在相同的温度初值和相同的发射率搜索范围下,真温快速反演方法不仅保证了反演精度,而且相比于二次测量法减少了29%～64%的发射率模型数和26%~57%的计算时间。进行了0.574～0.914波段的实测对比实验,实验结果表明对于相同条件下,真温快速反演方法在保证精度的前提下,相比于二次测量法减少了42%～48%的发射率模型数和35%~49%的计算时间。实验证明真温快速反演方法可行,对于大规模多光谱真温测量和在线多光谱真温测量有重要价值。     

基于光谱响应定标的辐射测温方法

辐射测温是通过测量物体发出的辐射来反演温度,辐射测量方程中含有与空间位置相关的非光谱参数,通常需通过辐射标定予以确认。而该研究将非光谱参数归入有限项级数形式的光谱发射率中,这既不会影响多通道测温方程组的封闭性,又不会影响真温求解,从而在无需测量数据归一化的条件下,实现了无需空间位置标定的辐射测温,该方法仅需要标定仪器的绝对光谱响应或相对光谱响应,但不能解得发射率。以两个特例分别对多波长测温方法和多谱段测温方法的求解特性进行了研究。结果表明：对于任意的测量矢量,有效波长不相同的多波长测温唯一解是存在的;而多谱段测温时,存在无解区域,双解直线,甚至可能存在三解直线。     

基于有限立体角测量的多光谱测温

辐射测温以Planck定律为基础通过测量物体表面的发射辐射来反演温度。推导了有限立体角辐射测量条件下的单色测温方程,发现多光谱辐射测温能够实现温度和光谱发射率同时求解通常需满足特定的辐射测量条件：进行微元立体角辐射测量或仅针对漫发射体的有限立体角辐射测量。引入多项式发射率模型,经过数学转化,可以摆脱以上测量限制,得到具有测量普适性的单色测温方程,但却不一定能同时测量光谱发射率。对测温方程组的多解问题进行了初步研究,提出使测量通道数大于待求变量数及采用非线性最小二乘来解决此问题。     

组合优化算法在冲击温度反演中的应用

冲击物理温度是武器弹药性能测试、极端环境材料状态的重要参量,温度的精准获取在国防建设和工业制造领域有重要意义。冲击过程由于持续时间短、较难接触式测量以及温度范围广等特性,常规测温方法较难满足要求。利用多光谱辐射测温法,获取材料辐射强度值,以普朗克辐射定律为基础建立温度反演模型,从而获取目标的冲击物理温度值。实际中,由于不同目标发射率存在一定随机性,在模型反演温度时误差较大。冲击压缩下材料的结构可能发生相变,发射率随之变化,因此直接将发射率模型假定用于冲击物理温度求解,很难准确的获取温度值。基于约束优化理论,将多光谱测温实验中温度求解问题转为约束优化问题。针对每个通道获取到的温度值应该相同,将物体发射率限制在特定范围,利用约束优化算法计算获取目标温度和发射率,克服了未知发射率对于冲击物理温度求解的障碍。同时,将平衡优化器算法(EO)与序列二次规划法(SQP)相结合应用于温度模型的求解中,避免了单一算法求解稳定性差和速度慢的缺点,提高了温度反演的效率和准确性。对四种常见的发射率模型在3 000 K时的发射率数据进行了仿真验证,结果表明温度反演误差均小于1%,反演时间小于3 s。最后利用本算...     

发射率限定辐射测温原理

辐射测温技术随着辐射测量传感器技术的进步而不断进步,已经由单波长测温发展到多波长和多波段测温,由点温测量发展到二维甚至三维温度场测量。但是在辐射测温更精确反演方面,却很难克服因发射率未知性而引起的模型构建误差。发射率行为难以确定并极大地影响了测温精度,急需发展一种具有通用性,不受发射率具体行为限制,具有较高稳定性的辐射测温方法。双波长测温适用于发射率具有灰体行为的物体温度测量,一系列的发射率补偿算法和波长选择方法均未能很好地实现通用性测量,往往直接单色测量可能误差比比色法更小。多波长测温得到广泛应用,但并不是波长越多越好,发射率模型仍然具有较大局限性。提出了发射率直接限定算法和发射率松驰限定算法来反演温度。在发射率限定条件相同时,这两种方法是等价的。发射率松驰限定算法基于最小二乘算法和松驰因子进行真温求解。推导了松驰限定法的误差传递公式,发现在保证测量信号强度的前提下,λT越小温度误差越小;发射率行为对温度相对误差具有重要影响,在相同的λT条件下,发射率随波长变化越大,在限定区间上覆盖越均匀,测量误差越小。但从直接限定算法可以看出所测波长数越多,测量误差越小。两种方法均可以看出,减少限定区间长度也可以显著地提高测量精度。     

基于发射率缓变特性的光谱发射率反演研究

发射率是辐射测温的重要参数,基于普朗克定律,针对辐射测温中n个方程,n+1个未知数这一病态方程组问题,利用发射率的缓变特性提出一种新的计算方法,以此来减少未知数的个数,简化计算过程。对该计算方法进行了理论及实验验证。结果表明无论是基于理论热辐射谱还是实验数据,均能反演出与材料发射率线形一致的发射率谱及材料真实温度,当T=1 173 K时,反演所得温差最大13 K,发射率的最大绝对误差0.05;且缓变程度越大,波长间隔越小,计算的准确度越高。所述方法可应用于基于多光谱数据提取温度和发射率。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于发射率模型约束的多光谱辐射真温反演法

温度测量是工业生产或科学实验中保证产品质量、降低生产成本和确保实验安全的重要因素之一。目前非接触的测温方法以辐射测温法为主,二次测量法是多光谱辐射测温中一种常用的方法。但是,二次测量法不适用于实时数据处理。针对此问题,基于多光谱亮度温度数学模型引入了发射率模型约束条件,提出了一种多光谱辐射真温快速反演法。对于非黑体,根据不同波长下的亮度温度的关系,得出当亮度温度在一个区间内是增函数或者常数函数时,发射率在该区间内是增函数;当亮度温度在一个区间内是减函数时,则发射率在该区间内满足一个关于发射率和波长的不等式。该发射率模型约束条件根据亮度温度的信息,将发射率假设值的构建由多类减少到一类,避免了不必要的发射率的构建。实验分别采用实际发射率随波长单调下降、单调上升、先下降再上升、先上升再下降和随机变化的具有代表性的五个被测目标,针对两个被测温度点进行了仿真对比分析。结果表明,与二次测量法相比,对于同一个被测目标,在相同的温度初值和相同的发射率搜索范围下,新算法在保证精度的情况下,不仅所得结果相同,而且处理速度提升了19.16%～43.45%。     

The measuring of spectral emissivity of object using chaotic optimal algorithm

There exist a considerable variety of factors affecting the spectral emissivity of an object. The authors have designed an improved combined neural network emissivity model, which can identify the continuous spectral emissivity and true temperature of any object only based on the measured brightness temperature data. In order to improve the accuracy of approximate calculations, the local minimum problem in the algorithm must be solved.Therefore, the authors design an optimal algorithm, i.e. a hybrid chaotic optimal algorithm, in which the chaos is used to roughly seek for the parameters involved in the model, and then a second seek for them is performed using the steepest descent. The modelling of emissivity settles the problems in assumptive models in multi-spectral theory.