文档介绍：多光谱辐射测温数据处理技术研究
 
 
屈彤辉
摘要：分别用BP神经网络和支持向量机（SVM）两种方法建立相应的网络模型对多光谱辐射测温的测量数据进行处理以得到真实温度。用合适的训练样本分别对两种方法建立的模型进行训练，收敛之后用验证样本测试其精度。结果表明用支持向量机处理多光谱辐射测温数据是可以满足实际要求的，与BP神经网络相比精度更高，而且由于支持向量机对训练样本需求较小，进一步增加了工程可行性。
关键词：辐射测温;支持向量机;BP神经网络
高温测量是航空发动机试验、测试过程中非常重要的一环，航空发动机的工作温度随着性能的提升而不断提高，现有的高温测量技术已经无法满足测量需要，亟需新的测温技术。在诸多新技术中，多光谱辐射测温是一种很有发展前景的高温测量技术，但是由于测量过程中材料发射率导致的测温精度问题而一直无法实现工程应用。
本文通过收集和整理国内外航空发动机多光谱辐射测温技术的理论研究成果和最新进展，总结研究辐射测温的基本原理。分析已有测量方法的特点，在现有基础上进一步研究并改进多光谱辐射测温的数据处理方法，将支持向量机应用到多波长测温的数据处理领域，改进了人工神经网络的缺点，实现发射率模型的自动辨识，消除发射率假设模型带来的误差，提高多光谱测温的精度。
1 确定模型
由普朗克定律可知，黑体的光谱辐射力和绝对温度有关，辐射测温就是通过测量物体的辐射力来测量温度的。在多光谱辐射测温领域目前有三种根据普朗克定律推导的数学模型：
基于检定常数的数学模型[1]
如果多波长辐射温度计有n 个波长通道，则第i个通道的输出信号可以用下式表示：
上述三种多光谱辐射测温的数学模型，想要得到目标真温，都必须知道目标的光谱发射率ελi，T，而ελi，T通常是由诸多因素决定的，不仅和目标本身材料的性质有关，还和表面是否光滑、是否氧化等诸多方面的表面状态有关，一般不通过专业设备测量的话很难确定。
对于有n个波长的多光谱温度计来说，共有n个方程，却包含（n +1）个未知量，即目标真温T和n个光谱发射率ελi，T，如果无法在理论中或实验中找出它们之间的关系，就无法得到真实温度。
目前的解决方法主要分为两类：一类是基于固定发射率假设模型的方法。由于每种固定的发射率假设模型只适合于某一种或者某一类材料，所以此类方法在大多数情况下还无法用于解决实际问题。另一类是神经网络法，针对神经网络较差的泛化性能以及本身需要尽可能多的训练样本，本文采用基于亮度温度模型的支持向量机多光谱测温数据处理方法。
2 数据准备
为了对比BP神经网络和支持向量机两种算法模型的计算精度与优缺点，需要使用相同的样本数据分别对两种模型进行训练后，对比仿真精度。
本文以八波长多光谱测温仪为例，分别以BP神经网络和支持向量机两种方法对数据进行仿真实验。在高温区域黑体辐射的能量主要集中在短波区域，因而实验波长选取
、、、、、、、。
为了尽可能的减小外在因素，选择式（3）所示的基于亮度温度的测温模型，所以每组训练样本为八个输入样本和一个输出样本，输入样本为目标物体在每个波长下的亮度温度，输出样本为目标物体的实际真实温度。
由于两种方法都是基于机器学****的方法，因而需要大量的样本对网络模型进行训练。但是实际中想要通过实验测量来获得各种材料在不同温度下、不同测量波长下的亮度温度以及真温，势必要花费巨额的人力物力。因而要从理论上入手，本文的研究是为了解决高温测量中处理数据时的发射率问题，说到底用于训练网络的大样本实质上就是各种不同材料的发射率样本，而目前关于发射率主要有五种假设模型，这五种模型几乎涵盖了绝大部分材料的发射率特性。
将八个波长分别代入上述公式中，通过给K和b取不同的值，可以得到不同的发射率样本。为了尽可能涵盖更多的材料发射率特性，每种发射率样本取30个，共150个发射率样本。
在仿真实验中，结合发射率样本可以通过式（5）计算出某一个温度下各个波长的亮度温度值，从而构造出网络的训练样本。训练的温度取1500K到3000K，每隔50K取一个温度点，共31个温度点。每个温度点通过计算可以得到150组训练样本，所以网络的训练样本共有4650组。为了验证网络训练的精度，在每个温度点上随机取每种发射率样本的训练样本各一组不参加网络的训练，作为验证样本。因而，用于验证的训练样本共有155（31*5）组，而参加网络训练的样本共有4495（31*145）组。
由于训练温度的跨度较大，为了避免造成较大训练误差，因此要对训练样本数据进行归一化处理。
3 仿真研究
利用以上准备的数据集，对两种算法模型分别进行训练仿真。