利用人工神经网络进行多光谱温度测量的研究

　　1　引言

　　多光谱辐射测温法是利用多个光谱下的物体辐射亮度信息,经过数据处理得到物体的真实温度,其研究内容主要包括多波长辐射温度计研制和多光谱辐射测温理论研究两大方面。尽管1954年Pyatt[1]就已研制成三波长辐射温度计,1979年Svet[2]、Lyzenga[3]分别研制成功四波长和六波长高温计,1986年Hiernaut[4]研制成了亚毫秒级六波长高温计,但时至今日多波长辐射温度计也未真正走向实用阶段,其原因是以往对于多波长辐射温度计的数据处理均局限于最小二乘法范畴,这必须要假设发射率与波长的函数关系,否则无法求解。由于现有的几种发射率与波长假设模型的选取没有任何规则可循,而且每种假设模型也只适用于某一种材料,无法适用于所有材料[5]。当假设模型与实际情况相符时,通过计算得到的物体真实温度会与实际情况符合得很好;但当二者不一致时,通过计算得到的物体真实温度则与实际情况差别甚大[6]。而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,发射率与波长关系的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关系的假设模型。

　　因此,各国学者研制的多波长高温计只能称为一个实验装置或样机,还无法用以解决各种各样的实际问题,所以人们一直在探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网络处理多光谱辐射测量方法,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实温度测量问题的行之有效的新方法,具有良好的应用价值。

　　2　数学模型的建立

　　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(λi,T)为温度T时的目标光谱发射率。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,同一通道下的两个电压值之比Vi/ 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网络可以任意精度逼近任意非线性映射[7],本文即采用BP网络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。

　　3　神经网络的原理

　　所谓BP网络即指误差后向传播网络,从结构上讲,BP网络是一种典型的多层网络,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,在理论上,节点作用函数只需处处可微即可。BP网络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输出信号,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信号有误差,那么就转入误差后向传播,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,不断地训练网络,重复前向传播和误差后向传播过程,当各训练模式都满足要求时,BP网络就完成学习了。