基于自适应差分进化算法的LED光谱匹配

为实现用单色发光二极管(LED)合成所需要的各种目标光谱,提出将自适应差分进化算法作为光谱匹配算法。以高斯修正模型表征单色LED的分布,基于均匀分布的LED,模拟了标准AM1.5太阳光谱和植被光谱,并采用相关指数和均方根误差作为评价标准。在此基础上,利用实验室现有的LED进行了实验验证,所提算法的拟合效果均比模拟退火算法和遗传算法好。实验结果表明,提出的自适应差分进化算法可自动设置参数,拟合效果好,可以被广泛应用于各种LED光谱匹配仿真实验和工程实践中。     

基于LED的光谱可调光源的光谱分布合成

从实测的LED光谱分布出发,对基于LED光谱可调光源进行了可行性验证。提出用非对称高斯分布函数的数学模型来拟合单个LED光谱分布,并以该数学模型为基础,运用多种不同峰值波长的LED来合成所需要的光谱分布。在原理上实现了对任意目标光谱的最小二乘拟合,使用不同峰值波长的单色LED分别对D65、溴钨灯、5 500 K理想黑体、日光照射下的标准白板的光谱分布进行拟合,相关指数均在0.94以上。最后通过对数据的分析,总结出在工程实践中必须注意的要点。     

基于LED峰值的太阳光谱合成方法

为了利用不同波段LED快速准确地模拟太阳光谱,基于LED的光谱合成原理,提出了一种利用LED光谱峰值波长处的数据合成太阳光谱的方法,简化了太阳光谱的拟合过程。首先,建立所有LED峰值波长处的函数方程组,利用约束最小二乘法确定各波段的拟合参数。进而,通过3组等间隔的LED光谱数据组对该方法进行了仿真分析,间隔40,30,20 nm的LED合成光谱与目标光谱相关系数对应为0.902,0.935,0.977,并对合成光谱失真处进行了分析和修正。最后,根据所选LED的实际光谱对太阳光谱进行了仿真分析。仿真结果表明：合成光谱与太阳光谱最大失配误差为4%,达到AM1.5的A级标准,满足LED太阳模拟器光谱匹配要求。     

发光二极管归一化光谱模型的修正

受自吸收等因素的影响,由发光二极管(LED)归一化光谱模型得到的光谱与实测LED光谱之间存在差异。为得到与实测LED光谱相吻合的归一化光谱模型,将由归一化光谱模型得到的理论光谱与实测光谱相减得到近似的自吸收谱。通过分析自吸收谱的峰值强度和半峰全宽与温度之间的关系以及其峰值能量与实测光谱峰值能量之间的定量关系,结合LED光谱的高斯模型和归一化光谱模型给出了自吸收谱的拟合表达式,并作为归一化光谱模型的修正项,对归一化光谱模型进行修正。在不同测试温度下的实验结果表明修正后的平均模型误差小于4%,证明由修正后的归一化光谱模型得到的光谱与实测光谱相吻合。     

基于有效集算法的大功率单色LED太阳光谱模拟仿真

利用单色LED实现对AM1.5标准太阳光谱可见光（380~780 nm）波段和标准光源CIE-D65的匹配,提出了通过有效集算法作为目标光谱的匹配算法,将Epitex公司的大功率单色LED的峰值波长和半高全宽数据作为有效集,并建立了一个数据库。将相关指数R²最大作为优化目标,通过MATLAB编程求解超定方程组的最小二乘解求出拟合所需要的单色LED的种类和数量。拟合AM1.5可见光的最佳组合中使用24种单色LED,相关指数R²高达0.850 2,拟合标准光源CIE-D65的最佳组合中使用25种单色LED,相关指数R²高达0.940 5。进行了增加LED和减少LED的优化实验。得出的结果对工程实践中单色LED拟合太阳光谱的研究提供了理论基础。     

基于单色LED补偿白光LED技术的模拟太阳光谱研究

提出一种基于单色LED补偿白光LED技术,模拟日光在可见光范围内的光谱。实际调研了大功率单色LED现状,采用光子在二维空间内联合态密度函数作为单色LED的光谱辐射模型,建立LED模拟仿真数据库。通过求解超定方程组的非负最小二乘解,优化选择不同峰值波长以及半高宽的单色LED与白光LED组合,实现对目标光谱的匹配及太阳光谱的再现。对比研究了白光LED补偿技术和纯单色LED组装技术,并分析了不同种类LED组合对太阳光谱的模拟情况。结果表明,白光LED补偿技术拟合太阳光谱相关指数达到90.74%,优于纯单色LED组装技术。并且当单色LED种类减少时,白光LED补偿技术相比纯单色LED组装技术可以实现更好的模拟效果。该方法对实现基于LED类日光照明具有较好的指导意义。     

新生儿黄疸治疗仪用LED光源光谱功率分布匹配

为了有效降低胆红素脑病的风险和减少换血的需要,以实验测试的标准胆红素溶液最有效的吸收光谱作为光疗的目标光谱,根据光谱构造理论,采用不同峰值波长和半高宽的单色LED作为匹配光源,首次提出简单遗传算法作为光谱匹配算法,通过求解超定方程组的非负最小二乘解,得到最优LED组合比例,进而推得所需各种峰值波长的LED的数量。仿真实验结果表明：拟合的光谱曲线与目标光谱曲线十分近似,光谱匹配度达到了98.39%,获得了一种新型的LED黄疸治疗仪光源光谱功率分布。该算法简单,效率高、拟合误差小,可应用基于LED光源的光谱功率分布匹配技术的研究。     

基于SAM-ED光谱匹配的绝缘子污秽类型检测方法研究

污闪是威胁电网安全可靠运行的重要原因之一，污秽类型差异将直接影响闪络电压大小。因此，及时掌握绝缘子污秽类型信息对预防污闪有重要作用。为此提出了一种基于SAM-ED光谱匹配的绝缘子污秽类型检测方法。采集不同污秽类型样本高光谱数据，经黑白校正及多元散射校正(MSC)去除噪声等干扰因素；利用竞争自适应重加权采样法(CARS)对光谱数据进行特征选取，分别在特征波段和全波段范围内通过SAM-ED光谱匹配法将测试组样本光谱与参考光谱进行匹配，根据匹配结果对样本进行分类；实验结果表明：相比于光谱角匹配法和最小距离法，SAM-ED光谱匹配法检测效果更好；基于全波长数据进行SAM-ED光谱匹配准确率可达95%,基于特征波长数据进行SAM-ED光谱匹配准确率可达98.33%。     

基于光学薄膜的LED光谱调制技术

针对白光LED光谱与自然光谱的不同,讨论了采用光学薄膜改善白光LED光谱的可行性,同时提出了一种利用光学薄膜消除白光LED发光光谱中蓝光成份的方法,设计了光学薄膜的透过率曲线,并分析了其可行性.针对单色LED光谱随温度不同发生变化的特点,根据分析样品在4.9°、24°和49°三种环境温度下的光谱分布,设计了一种光学薄膜的透过率曲线,分析利用该设计薄膜改善单色LED光谱温度稳定性的可行性及结果.研究结果表明,在保证白光LED出光效率的前提下,仅靠在发光芯片上镀制光学薄膜的方式并不能改善光谱的结构,而使之与自然光中的可见光谱相似.采用设计的光学薄膜,可以消除白光LED发光光谱中的蓝光波段,提高光谱的舒适性.在4.9°、24°和49°三种环境温度下,利用设计的薄膜可将分析LED的发光光谱的中心波长稳定在700 nm附近,相对发光强度稳定在0.2附近,不同温度时光谱分布的相似性也有了较大的改善,研究结果有助于LED照明光源的进一步应用.     

遗传算法在LED光源光谱匹配技术中的应用

为利用单色LED实现CIE-D65标准光源、AM1.5标准太阳光目标光谱的匹配,提出简单遗传算法作为光谱匹配算法,通过求解超定方程组的非负最小二乘解,优化不同峰值波长、峰值波长间隔、半高宽的单色LED匹配光源组合,达到光源光谱匹配的目的.仿真实验表明:该算法拟合的相关指数达0.99以上,模拟光谱与目标光谱基本吻合;匹配光源的峰值波长间隔越小,光谱拟合性越好,但结合工程应用需要,峰值波长要选取适中;所提遗传算法运行速度快、效率高、拟合误差小,可广泛应用于植物照明、医疗照明等特殊照明领域的光谱匹配仿真试验和工程实践.     

基于光学薄膜的LED光谱调制技术

针对白光LED光谱与自然光谱的不同,讨论了采用光学薄膜改善白光LED光谱的可行性,同时提出了一种利用光学薄膜消除白光LED发光光谱中蓝光成份的方法,设计了光学薄膜的透过率曲线,并分析了其可行性.针对单色LED光谱随温度不同发生变化的特点,根据分析样品在4.9°、24°和49°三种环境温度下的光谱分布,设计了一种光学薄膜的透过率曲线,分析利用该设计薄膜改善单色LED光谱温度稳定性的可行性及结果.研究结果表明,在保证白光LED出光效率的前提下,仅靠在发光芯片上镀制光学薄膜的方式并不能改善光谱的结构,而使之与自然光中的可见光谱相似.采用设计的光学薄膜,可以消除白光LED发光光谱中的蓝光波段,提高光谱的舒适性.在4.9°、24°和49°三种环境温度下,利用设计的薄膜可将分析LED的发光光谱的中心波长稳定在700 nm附近,相对发光强度稳定在0.2附近,不同温度时光谱分布的相似性也有了较大的改善,研究结果有助于LED照明光源的进一步应用.     

新生儿黄疸治疗仪用LED光源的研究

为提高胆红素的光降解效应和新生儿黄疸病光疗的效果,设计研制了一种新生儿黄疸治疗仪用发光二极管(LED)光源。以实验测试的体外游离的标准胆红素溶液最有效的吸收光谱作为黄疸治疗仪光源的目标光谱,采用市面上现有的峰值波长和半峰全宽的不同单色LED作为匹配光源,将简单遗传算法作为光谱匹配算法,进行了光源光谱的匹配设计、样灯制作和光谱测试与分析。结果表明:拟合的光谱与目标光谱匹配度达到了97.62%,实际的黄疸治疗仪光源样品的光谱与目标光谱的匹配度达到了93.08%,窄带宽的单色LED能够匹配出所需要的目标光谱,光谱匹配度高,为新生儿黄疸光疗仪用光源的选择提供了研究的基础。     

基于LED的标准太阳光谱灯拟合算法

在测量领域中需要使具有高稳定性及良好光谱匹配性的人工模拟太阳光谱标准灯.本文提出一种基于多种不同峰值波长LED光源的方法来准确模拟AM1.5的光谱分布.以最小二乘法和高斯分布数学模型为基础,在理论上实现了非均匀间隔峰值波长的光谱拟合,从而指导LED的种类选择及其所需的驱动电流值,并通过实验论证其可行性.结果表明:在300～1100 nm的范围内,使用较少LED种类的情况下,此方法光谱失配误差小于±2.76％.此算法可精确地分辨标准太阳光谱AM1.5的吸收谷,且应用于AM0的拟合时获得小于±1.67％的光谱失配度.在工程实践中,该算法对快速、准确获得标准太阳光谱灯具有良好的指导意义.     

基于向量空间模型的岩屑LIBS光谱分类识别方法

向量空间模型最初用于文献检索,该模型是通过对文献内容进行特征文本提取后,将文献转换到文本向量空间,然后在文本向量空间中通过计算文献的特征文本向量与检索文本的特征文本向量的相似度,实现文献的检索,该方法基于模式识别中模板匹配的最近邻原则。针对光谱数据的特点和模式识别中模板匹配的基本原则,将向量空间模型引入基于样品光谱的分类识别。通过训练集中光谱数据获得各样品的光谱数据模板,提取训练集中各样品光谱数据模板特征峰的波长和相对强度信息,构建特征峰信息数据库,计算获得特征峰信息权值,将光谱数据转换到特征峰向量空间,获得各样品光谱数据模板的特征峰向量,构建样品特征峰向量数据库。同理获得预测集样品光谱的特征峰向量,在特征峰向量空间中通过计算预测集样品特征峰向量与样品特征峰向量数据库中各样品模板特征峰向量的余弦值,完成对预测集样品的分类识别。以岩屑样品的LIBS光谱为研究对象,将向量空间模型应用于LIBS光谱的分类识别。分类结果表明,该方法能够实现对岩屑样品LIBS全谱的快速分类识别,且在对预测集光谱数据进行平均处理后,分类准确率为100%。提出的基于向量空间模型的LIBS光谱分类方法可以拓展应用于其他光谱数据的分类识别。     

由多个高斯函数表征的发光二极管光谱模型

利用发光二极管（LED）光色电综合测试系统测量不同颜色不同功率的LED在多个电流下的光谱,提出并构建了由多个高斯函数组成的LED光谱模型,并根据各颜色LED在额定电流下的光谱计算模型中的系数,最后将该模型与已报道的模型进行了对比。研究表明：对于光谱有n（n≥1）个波峰的LED,可用3n个高斯函数形式的模型来表示,大功率红、黄、蓝、绿、白色LED模型与实测光谱之间平均误差分别为3．45％、1．01％、2．33％、4．65％、2．49％,小功率LED的平均误差分别为2．61％、2．65％、3．77％、2．87％、2．48％。与已报道的模型相比,该模型精度高,普适性好。本研究对LED光度色度测量仪器的研制及智能化LED产品的设计具有重要意义。     

基于偏最小二乘回归的荧光粉涂覆型白光LED的光谱预测研究

为了更便捷高效地对荧光粉涂覆型白光LED的发光光谱进行预测,利用GaN蓝光LED芯片与杭州萤鹤光电材料有限公司的YH-S525M绿色荧光粉和YH-C640E红色荧光粉进行实验样品的制备。分别测量其单色荧光光谱,测得蓝光芯片的发射峰波长为453 nm,选用的红色和绿色荧光粉的发射峰波长分别为631和526 nm。制备红色和绿色荧光粉通过AB胶混合并涂覆于蓝光芯片上的LED实验样品,红粉/绿粉质量比设置为1∶3,1.2∶3,1.4∶3,1.6∶3,1.8∶3,2∶3,红粉混胶后的浓度为7%,9%,11%,13%,15%,17%。每组质量比和混胶浓度条件下的样品制备3~5份,利用杭州远方色谱有限公司的HAAS-2000高精度快速光谱辐射计测试样品的发光光谱,并进行蓝峰归一化处理得到共36组光谱数据。将白光光谱视为蓝色,绿色和红色三种单色荧光光谱的线性叠加,蓝色和红色峰项直接选用对应的发射谱,而绿色峰项选用两个高斯线型方程拟合,系数均由强度决定。通过循环搜索算法,分别计算36组实验条件下的模型参数最优值,对拟合结果进行优度检验,R2的范围为99.33%~99.88%。然后运用偏最小二乘回归方法建立荧光粉质量比和浓度与模型参数间的回归方程,最终得到一种能够精确预测两种荧光粉混合涂覆的白光LED发光光谱的新方法。用一组新制备的样品测得的光谱功率分布进行预测效果检验,得到的预测光谱相对于实测光谱的拟合优度为99.62%,证明该方法的预测效果良好。该研究建立的预测模型从该类型的白光LED的发光机理出发,分析发光时两种荧光粉之间的相互作用,并引入绿色荧光谱线的展宽效应,更加简单有效地建立起两种荧光粉的质量比和混胶浓度与白光光谱间的数学关系。该方法具有更好的普适性,为荧光粉涂覆型LED的光源参数优化提供了一种新的思路。     

基色LED的光谱漂移及其对显色性能影响的研究

发光二极管(LED)因其低功耗、低成本而被广泛应用于大型文字、图形和图像的显示,通过调节红、绿、蓝LED发光的亮度可产生不同显色指数的彩色图像像素。但是LED发光光谱会随环境温度的变化产生漂移,从而对显色性能产生影响。用驱动电流的变化模拟环境温度的变化对三基色LED的光谱漂移进行了测试,分别得到了三基色的漂移特性,提出了单色LED光谱漂移方程及三基色光谱漂移方程组。通过研究不同驱动电流下基色LED的光谱漂移,得到了相应的光谱漂移率。通过分析人眼对颜色宽容量的大小,以及基色LED的最大漂移波长,得到了只有红色LED的色差会影响显示屏显色性能的结论。该研究为彩色LED工程实践中反馈控制消除由基色漂移造成的显色色差提供了一定的理论依据和实验支持。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

基于HY-1C SCS太阳漫反射板的星上绝对辐射定标与验证

建立了基于星上定标光谱仪(SCS)太阳漫反射板的绝对辐射定标模型。通过对2018年12月12日星上漫反射板定标数据进行处理,得到SCS绝对辐射定标系数。以TERRA MODIS为参考载荷,对SCS辐射定标系数进行三次交叉验证。为了提高光谱匹配精度,消除光谱设置的差异,对SCS各通道实测等效辐亮度进行插值迭代,得到光谱辐亮度,并将该结果与TERRA MODIS光谱响应函数进行积分,得到预测等效辐亮度。通过比较发现,MODIS各通道预测与实测等效辐亮度具有非常好的一致性,相对偏差均值最大为2.78%,表明SCS辐射定标系数真实可靠,具有较高的定标精度。同时也验证了双向反射分布函数(BRDF)、透过率等参数具有较高的测试精度。     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据。卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备“局部感知,权值共享”的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率。将卷积神经网络用于近红外光谱的建模分析,并提出一种基于一维卷积的卷积神经网络和近红外光谱的土壤pH值预测方法。网络由Python语言调用Tensorflow工具包搭建而成,其结构由输入层、卷积层、池化层以及全连接层四部分组成。以欧洲统计局在2008年-2012年开展的土地利用及覆盖面积统计调查所收集的矿物质土壤光谱样本数据集为研究对象,为消除光谱中存在的基线漂移,提高信噪比,对原始可见光近红外光谱（400～2 500 nm）进行一阶导数和Savitzky-Golay平滑处理。在模型训练过程中,随机选取15 000个样本作为训练集,剩余的2 272个样本作为测试集,探讨不同的卷积层个数及训练迭代次数对模型性能的影响,并采用ReLU激活函数及Adam优化器防止模型出现梯度消失现象,提高模型的稳定性,之后通过分析模型的拟合优度和运算成本确定模型的最佳性能,最后将网络模型与传统的BP和PLSR模型进行对比。结果显示,当模型迭代次数为2 500次,卷积层个数为4层时,模型达到最佳状态,模型对训练集的均方误差从1.898降到了0.097;模型对测试集的拟合优度为0.909,分别比BP和PLSR模型高0.117和0.218。使用卷积神经网络可以对土壤近红外光谱的内部特征信息进行抽取,从而实现对大面积土壤pH值的高效准确预测。CNNR模型可对农作物的合理栽种及精准施肥提供指导,从而达到土壤结构稳定和可持续发展的目的。基于卷积神经网络的近红外光谱回归方法也可以推广到其他土壤信息研究。