基于神经网络的多光谱测温数据处理方法

多光谱辐射测温技术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,主要是为了解决高温目标真实温度的动态测量,其研究内容包括多波长辐射温度计仪器研制和多光谱辐射测温理论研究两大方面。

就多波长辐射温度计的仪器研制而言,目前已趋于成熟[1,2],但多光谱辐射测温的理论研究要滞后许多,主要问题是如何由多个光谱下的物体辐射亮度测量信息得到物体的真实温度[3,4]。目前国际上常常假设光谱发射率的对数与波长成线性关系,基于最小二乘法得到物体的真实温度,但此类假设模型只适用于某种特定材料[5,6]。

本文将神经网络应用到多光谱辐射测温领域,提出了基于误差后向传播(BP)神经网络的多光谱数据处理方法,并分析了随机噪声对真实温度计算结果的影响。

1　基本原理

如果多波长温度计有n个通道,则第i个通道的输出信号Vi可表示为

式中:Aλi是只与波长有关而与温度无关的检定常数,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。在定点黑体参考温度T′下,第i个通道的输出信号V′i为

由此可知,同一通道下的两个电压值之比Vi/V′i与真实温度T存在某种非线性映射关系,此处即采用BP网络来解决上述非线性映射问题, BP神经网络的基本原理请见有关参考文献。

2　仿真试验

2.1　仿真试验1

此处采用的八波长辐射温度计的有效波长分别为0.4、0.5、0.6、0.7、0.8、0.9、1.0、1.1μm,参考温度为1 200 K,训练的温度范围为1 500～3 000K,温度间隔为50K。在每个温度点上采用如图1所示的5类发射率样本,每类为25种。在各类样本中分别取出一种作为验证样本,不参加训练,则实际参加训练的样本数为3 720个(120×31)。在已参加训练的各类样本中也分别取出一种作为验证样本,则已参加训练的验证样本为155个(5×31)。网络的拓扑结构为8-5-5-1,网络经过3×104次左右的迭代,真实温度的识别误差大部分在±50 K以内,计算结果见表1和表2。

由表1、表2得知,对训练过的发射率样本,真实温度的识别误差大部分在±30K以内。对未训练过的发射率样本,真实温度的识别误差大部分在±50K以内。说明如果用更多地发射率训练样本,将更好地解决目标真实温度的测量问题。