一种基于ISMA算法的多光谱辐射测温反演计算方法技术

本发明专利技术公开了一种基于ISMA算法的多光谱辐射测温反演计算方法，包括以下步骤：步骤一：获取样品和黑体所对应的第i个光谱通道的电压值；步骤二：为每个光谱通道构建一个方程，形成方程组，建立目标函数；步骤三：基于ISMA算法，初始化参数，根据目标函数值，计算出相应的适应度值，根据最优适应度确定最优的黏菌位置；步骤四：引入自适应反馈因此和算数交叉算子，根据贪婪策略保留较优个体；步骤五：判断是否满足结束条件；若满足，输出全局最优解和适应度值。本发明专利技术通过不需要假设发射率模型的基于SMA算法的多光谱辐射测温反演计算方法，不需要大量的数据样本，满足既快又准的要求。满足既快又准的要求。满足既快又准的要求。

【技术实现步骤摘要】
一种基于ISMA算法的多光谱辐射测温反演计算方法


[0001]本专利技术属于多光谱辐射测温反演计算方法
，具体涉及一种基于ISMA算法的多光谱辐射测温反演计算方法。

技术介绍

[0002]多光谱测温技术具有非接触性、高精度、大范围性、高效性等优点，因此广泛应用于航空航天发动机尾喷焰的瞬态高温测量、高性能飞行器的部件设计等航天领域,金属冶炼，半导体生产，焊接等工业领域，具有很高的应用价值和发展前景。因为它可以同时测量目标物体的光谱发射率和实际温度，对于多光谱辐射测温技术，数据处理是至关重要的一环，处理的精准度和速度直接影响着技术的应用范围和工作效率。然而经过几十年的发展，光谱发射率的精确求解仍然是多光谱辐射测温法的重点和难点,故所有研究人员在数据处理过程中都需要面对的难题是光谱发射率未知的问题，即在基于多光谱温度计的n个光谱通道建立方程组时，包含n个方程，但有n+1个未知数，该方程组是欠定的，因此求解困难。
[0003]辐射方程如下式所示：基于参考温度的测温：就是利用有N个通道的高温计，记录第i个通道的电压输出信号V
i
，则由普朗克辐射定律可得：
[0004][0005]V
i
:目标为样品时第i个通道的电压输出信号，
[0006]V
ib
:目标为黑体时第i个通道的电压输出信号，
[0007]λ
i
:第i个通道的光谱波长，
[0008]T:物体真实温度，
[0009]T
b
:黑体参考温度，
[0010]ε(λ
i
,T)温度为T时波长为λ
i
下的光谱发射率，
[0011]C2:第二辐射常数，
[0012]为了解决以上问题，传统的数据处理方法需要在数据处理前预先假设发射率函数模型，假设模型一般是发射率和波长或温度的多项式、对数多项式或傅里叶级数的形式。然后采用线性和非线性最小二乘拟合参数求出相应的多项式系数，将这些模型代入欠定方程，使方程变为确定或超定后[14
‑
17]，可使用基于方程求解的数据处理方法计算样品的真实温度然而，这种方法特别依赖于假设模型与真实发射率之间的一致性。低一致性会导致反演温度误差较大；
[0013]常用的假设模型有：
[0014]lnε(λ,T)＝a+bλ
[0015][0016]ε(λ,T)＝a0+a1λ
[0017][0018]ε(λ,T)＝exp[
‑
(a0+a1λ)2][0019]随着机器学习技术的发展，无发射率假设模型的神经网络算法被应用于多光谱测温，机器学习方法避免了发射率假设模型带来的误差，但需要事先获取大量的数据样本来训练神经网络，训练时间也比较长。不能较好的应用于实际应用中。
[0020]然而，在实际应用的在线温度监测场景中，大多数都需要快速的获取实时温度信息，从反演温度的理论来看，急需一种不需要发射率假设模型的既快又准的反演方法来解决这一系列问题。

技术实现思路

[0021]本专利技术的目的在于提供一种基于ISMA算法的多光谱辐射测温反演计算方法。
[0022]为实现上述目的，本专利技术采用如下技术方案：
[0023]一种基于ISMA算法的多光谱辐射测温反演计算方法，包括以下步骤：
[0024]步骤一：获取样品和黑体所对应的第i个光谱通道的电压值；
[0025]步骤二：为每个光谱通道构建一个方程，形成方程组，建立目标函数；
[0026]步骤三：基于ISMA算法，初始化参数，根据目标函数值，计算出相应的适应度值，根据最优适应度确定最优的黏菌位置；
[0027]步骤四：引入自适应反馈因此和算数交叉算子，根据贪婪策略保留较优个体；
[0028]步骤五：判断是否满足结束条件,即达到迭代次数；若满足，输出全局最优解和适应度值，全局最优解对应的个体参数即为反演初的发射率数值，同时根据普朗克公式也可反演出样品的温度值；实现了同时反演出发射率和温度功能；若不满足，重复步骤三至五。所述结束条件为达到迭代次数
[0029]优选的，所述步骤一中电压值采用多光谱辐射温度计所测得的光谱信息进行检测；计算出其中V
i
为样品对应的第i个光谱通道的电压值，V
i
'为黑体对应的第i个光谱通道的电压值。
[0030]优选的，所述步骤一中的电压值为多光谱辐射温度计测量8个波长通道分别对应的电压值，其中波长分别为0.4um，0.5um，0.6um，0.7um，0.8um，0.9um，1.0um，1.1um。
[0031]优选的，步骤二中，构建方程，建立目标函数的具体方法为：
[0032]假设发射率已知，各个光谱通道计算的温度是完全相同的，与真实温度相等，故由普朗克公式可得其中T
i
为各个光谱通道所测得的样品温度；T'为黑体的参考温度；λ
i
为各个光谱通道所对应的波长；C2为第二辐射常数，为14388um
·
K；ε(λ
i
,T)为温度为T时波长为λ
i
下的光谱发射率；V
i
是目标为样品时第i个光谱通道的电压输出信号；V
i
'是目标为黑体时第i个光谱通道的电压输出信号，由于目标在某一时刻的温度是唯一的，所以理论上所有通道的温度应该相同，都等于样品的真实温度。然而在实际测量
过程中，各种因素导致的随机误差可能会导致每个通道中的温度不相等。根据误差理论，不同通道测得的目标温度标准差越小，测量的可靠性越大，测量精度越高。所以建立目标函数其中其中E(T
i2
)为多波长辐射温度计所有光谱通道的平均温度，n为通道数量；
[0033]优选的，所述步骤三中，具体方法为：设置搜索空间范围的最上限ub、最下限lb，种群规模N，最大迭代次数tmax，维度D，随机初始化N个黏菌的初始位置。
[0034]优选的，所述维度D为8(一般选用光谱仪8个通道的电压数据进行反演)。
[0035]优选的，步骤四的具体方法为：引入自适应反馈因子改善黏菌收敛速度慢等问题，提高算法的全局搜索能力，进一步加快ISMA算法的收敛速度，引入改进的算数交叉算子更新个体位置，最后根据贪婪策略保留较优个体；
[0036]初始化种群：在搜索空间随机产生初始种群。
[0037]计算种群每个个体的适应度并排序，记录最好适应度wF和最差适应度bF。
[0038]黏菌算法在迭代过程中更新个体位置的模型为：
[0039][0040]其中X(t+1)表示黏菌个体更新后新的位置，rand表示0.1
‑
0.9的随机数，ub,lb分别为搜索空间范围的最上限和最下限，X
b
(t)表示当前获得的最佳位置；W为权重；X
A
(t)和X
B
(t)是随机选择的2个个体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于，包括以下步骤：步骤一：获取样品和黑体所对应的第i个光谱通道的电压值；步骤二：为每个光谱通道构建一个方程，形成方程组，建立目标函数；步骤三：基于ISMA算法，初始化参数，根据目标函数值，计算出相应的适应度值，根据最优适应度确定最优的黏菌位置；步骤四：引入自适应反馈因子和算数交叉算子，根据贪婪策略保留较优个体；步骤五：判断是否满足结束条件；若满足，输出全局最优解和适应度值，全局最优解对应的个体参数即为反演的发射率数值，同时根据普朗克公式也可反演出样品的温度值；若不满足，重复步骤三至五。2.根据权利要求1所述的一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于：步骤一中电压值采用多光谱辐射温度计所测得的光谱信息进行检测；计算出其中V
i
为样品对应的第i个光谱通道的电压值，V
i
'为黑体对应的第i个光谱通道的电压值。3.根据权利要求2所述的一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于：步骤一中的电压值为多光谱辐射温度计测量8个波长通道分别对应的电压值，其中波长分别为0.4um，0.5um，0.6um，0.7um，0.8um，0.9um，1.0um，1.1um。4.根据权利要求1所述的一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于：步骤二中，构建方程，建立目标函数的具体方法为：设发射率已知，各个光谱通道计算的温度是完全相同的，与真实温度相等，故由普朗克公式可得其中T
i
为各个光谱通道所测得的样品温度；T'为黑体的参考温度；λ
i
为各个光谱通道所对应的波长；C2为第二辐射常数，为14388um
·
K；ε(λ
i
,T)为温度为T时波长为λ
i
下的光谱发射率；V
i
是目标为样品时第i个光谱通道的电压输出信号；V
i
'是目标为黑体时第i个光谱通道的电压输出信号，建立目标函数其中E(T
i2
)为多波长辐射温度计所有光谱通道的平均温度，n为通道数量。5.根据权利要求1所述的一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于：步骤三中，具体方法为：设置搜索空间范围的最上限ub、最下限lb，种群规模N，最大迭代次数tmax，维度D，随机初始化N个黏菌的初始位置。6.根据权利要求5所述的一种...

【专利技术属性】
技术研发人员：赵志军，陈丹媛，董竞争，刘玉芳，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：