目标真温及光谱发射率智能识别法

　　多光谱辐射测温法是利用多个光谱下的物体辐射亮度测量信息,经过数据处理得到物体的真实温度及光谱发射率.已往对于多波长辐射温度计的数据处理均局限于最小二乘范畴,这必须要假设发射率与波长的函数关系[1～4],但问题的关键在于对某种未知材料进行测量之前,并不知道此种材料的发射率与波长符合哪种函数关系,因此在对测量数据进行数据处理时,发射率与波长假设模型的选取是盲目的,迄今为止还无法找到一种适合于所有材料的发射率与波长的假设模型[5].

　　本文基于神经网络技术,提出了一种同时解决目标真温及光谱发射率测量问题的方法[6],并就如何提高精度问题做进一步探讨.由于提供给某个神经网络的训练样本总是有限的,所以当一个训练好的神经网络面对众多不同的目标进行识别时,其精度不一定很高,本文提出的二次辨识方法,可以较好地解决上述问题.

　　1　基本原理

　　若多波长温度计有n个通道,则第i个通道的输出信号可表示为

　　式中:i=1,2,…,n;Aλi为与波长有关的检定常数,它与该波长下探测器的光谱响应率,光学元件透过率、几何尺寸以及第一辐射常数有关;ε(λi,T)为温度T的目标光谱发射率.

　　在定点黑体参考温度T′下,第i个通道的输出信号为

　　由式(1)、(2)可得

　　由此可知,同一通道下的两个电压值之比Ui/U′i与目标真温T存在某种非线性映射关系.本文采用误差后向传播神经网络(BP)模型来解决多个波长下的电压测量值与目标真温的非线性映射问题.

　　网络的学习过程如下:假定有一个m层网络,把第k层的第i个节点记为Uki,Uki的输入为Iki,输出为Oki.输入、输出函数记为Oki=f(Iki).从Uki到Uk+1j的连接权为Wk,k+1i,j.对于输入模式P,如果输出层M的第j个节点的实际输出为OMj,期望输出为Yj,则平方型误差函数可定义为

　　为了减小误差Ep,根据梯度下降法,Wk-1,ki,j的修正量为

　　式中,ε为修正系数(ε>0).故有

　　当k=m时,由Ep的定义,有

　　当k=m时,由Ep的定义,有

　　经整理后可得

　　2　仿真结果分析

　　基于神经网络技术进行二次辨识的框图如图1所示,一次辨识的目的是看经过多类发射率样本训练过的根网络能否自动识别出某一目标;在自动识别出某一目标后,再经过子网络进行二次辨识,以便提高测试精度.

　　本文采用的8波长辐射温度计其有效波长λ分别为0.4、0.5、0.6、0.7、0.8、0.9、1.0、1.1μm,参考温度选为1　400 K.训练的温度范围选为2　000～2　400 K,每隔50 K为一个温度点,即根网络在每个温度点上将采用如图2所示的A、B、C、D、E5类发射率样本,每类又分别包括10种发射率样本进行训练,也就是说实际输给根网络的训练样本共450个(50×9),但对于每类来说只是90个(10×9).此处采用温度为2　120 K,发射率分别为A、B、C、D、E类的5种检验数据作为被测目标,其具体数值见表1.