基于神经网络模型的辐射真温测量方法研究

    引言

    80年代以来,欧共体和美国国家技术及标准研究院(NIST,原NBS)先后研制了光导纤维分光,干涉滤光片限定工作波长的6波长高温计[1～3].90年代初哈尔滨工业大学成功地研制成35波长像差补偿焦平面式高温计,克服了以往多波长高温计需要干涉滤光片限定工作波长的缺点[4～5].但对于多光谱辐射测量数据,国内外均采用最小二乘法进行数据处理,这必须要假设发射率与波长之间的函数关系.由于假设模型与实际情形是否相符会对目标真温的计算结果影响很大,所以人们一直在寻求一种能取消发射率与波长假设模型的新方法.本文采用目前应用最为广泛,且理论上也最为完善的BP模型处理多光谱辐射测量数据,通过大量的计算机仿真实验表明,该方法是一种解决目标真温测量行之有效的新方法,具有良好的应用价值.

    1　数学模型的建立

    设多波长温度计有n个通道,则第i个通道的输出信号V_i可表示为

式(1)中A_λi为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;ε(λ_i,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V_i′为:

    由此可知,同一通道下两个电压值之比V_i/V′_i与目标真温T存在某种非线性映射关系,神经网络在处理非线性映射问题上有其优越性,理论上已经证明:三层BP模型可以任意精度逼近任意非线性映射,本文即采用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.

    2　神经网络的原理

    从结构上讲,BP网络是典型的多层网络,分为输入层、隐层和输出层,层与层之间多采用全互连方式,同一层单元之间不存在相互连接.BP网络的每一层连接权值可以通过学习来调节,基本处理单元(输入层单元除外)为非线性输入—输出关系,最常用的节点作用函数有Sigmoid、双曲正切、正弦函数等S型函数,即分别为:

    BP模型实现了多层网络学习的设想.当给定网络的一个输入模式时,它由输入层单元传到隐层单元,经隐层单元逐层处理后再送到输出层单元,由输出层单元处理后产生一输出模式,这是一个逐层状态更新过程,称为前向传播.如果输出响应与期望输出模式有误差,不满足要求,那么就转入误差后传播,将误差值沿连接通路逐层传送,并修正各层连接权值.对于给定的一组训练模式,不断用一个个训练模式训练网络,重复前向传播和误差后向传播过程,当各个训练模式都满足要求时,即BP网络已学习好了.应该强调一点,从网络学习的角度关系来看,网络状态前向更新及误差信号后向传播过程中,信息的传播是双向的,但是这并不意味着网络层与层之间的结构连接也是双向的,BP网络是一种前向网络.