一种基于交替惩罚三线性分解的海面失事飞机溢出油液油种
成分检测方法
【技术领域】
本发明涉及混合油液油种成分检测领域,尤其涉及关于基于交替惩罚三线性分解(APTLD)检测海面失事飞机溢出油液油种成分的方法研究的技术领域。
【背景技术】
随着全球经济的迅速发展,海洋上空的交通运输更加繁忙,旅客、货物的运输量与飞机的需求量呈现出持续增长的形势。而海上恶劣的气候条件及飞机机械故障等因素可能会导致飞机的偶发性失事,造成严重的人员伤亡和财产损失,因此对海上失事飞机的搜救问题成为世界各国不断加大投入研究的课题。目前,针对海上失事飞机的搜寻问题,绝大多数情况下是依据飞机上“黑匣子”所发出的特征信号来进行追寻其所在的大致位置,并结合目测的方法。但是在实际复杂的海洋环境中,搜救人员通过目测的方法所观测的范围有限、工作量大、时间成本高且观测的准确度低;而对于利用“黑匣子”定位失事飞机位置的方法,在某些特定情况下来说,其效果反而很低,比如在飞机以极快的速度坠海后,“黑匣子”可能会承受不了飞机失事时的巨大冲击力,抵抗不住落入深海后的高压、高腐蚀性,导致存储数据的严重毁坏,无法对其进行有效判读,即便其功能依旧正常,但如果搜救时间过长,“黑匣子”所携带的电量用尽,这种方法也便失去了其意义。基于飞机在解体、沉没过程中,失事飞机溢出的油液在一定时间之内能够保持性质稳定且易被机载探测设备大范围扫描、探测,近年来依据海面可疑油液的荧光特征而鉴别是否为目标飞机上所携带的油液的方法被陆续提出。在耿春茂申请的发明专利(申请号:201610053742.X)中公开了一种三维荧光光谱结合PARAFAC算法测定污染物的方法,预先建立荧光物质的样本数据库,利用平行因子分析法(PARAFAC)进行处理获得其浓度数据,进而与标准数据库中的目标物质浓度进行对比。该方法是利用PARAFAC算法对三维荧光光谱数据进行解析,收敛速度较慢,对噪声或模型偏差较敏感,且在迭代过程中容易受多重共线性的影响而导致分解结果失真,从而无法做到搜救工作所需的及时性。如何利用现有的成熟技术实现对海面可疑油液进行可靠、快速地检测是目前急需解决的一个重要问题。
利用荧光光谱仪采集航空煤油和润滑油在不同体积比配制下共N个样本的原始荧光光谱数据,再利用Delaunay插值法对所得到的原始荧光光谱数据进行校正,得到校正后的三维荧光光谱数据,然后借助核一致诊断函数对三维荧光光谱数据进行处理,得出交替惩罚三线性分解(APTLD)算法解析三维荧光光谱数据时所需的成分数,进而利用APTLD对三维荧光光谱数据进行处理,得到航空煤油和润滑油纯油液及混合油液的载荷矩阵A、B、C,再对航空煤油和润滑油纯油液的载荷矩阵B、C和其混合油液的载荷矩阵B、C进行数据拟合,进而得出航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,最后利用均方根误差(RMSE)和相关函数corrcoef来判断各光谱曲线的相关程度,从而实现对混合油液中油种成分检测的目的。与传统的基于“黑匣子”和目测方法对失事飞机进行搜寻的方法相比,本发明所提出的利用交替惩罚三线性分解(APTLD)算法检测混合油液中油种成分的方法更加可靠、快速、省力。与基于PARAFCA算法进行混合油液检测的方法相比,本发明所提出的利用APTLD算法对混合油液的三维荧光光谱数据进行处理的方法,克服了收敛慢的问题,能在荧光光谱严重重叠且不经分离的情况下,更好地以“数学分离”代替“物理及化学分离”,直接、简便、可靠地检测混合油样中的油种,从理论上来说,本发明所提出的混合油液检测方法将具有更高的检测精度。
【发明内容】
本发明是一种基于交替惩罚三线性分解的海面失事飞机溢出油液油种成分检测方法。利用荧光光谱仪采集航空煤油和润滑油在不同体积比配置下共N个样本的原始荧光光谱数据。对所得到的原始荧光光谱数据进行Delaunay插值校正,获取经校正后的三维荧光光谱数据。借助核一致诊断函数对三维荧光光谱数据进行处理,得出交替惩罚三线性分解(APTLD)算法解析三维荧光光谱数据时所需的成分数。利用APTLD算法对三维荧光光谱数据进行处理,得到航空煤油和润滑油纯油液及混合油液的载荷矩阵A、B、C。对航空煤油和润滑油纯油液的载荷矩阵B、C和其混合油液的载荷矩阵B、C进行数据拟合,得出航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,再利用均方根误差(RMSE)和相关函数corrcoef来判断各光谱曲线的相关程度。
本发明的技术方案是这样实现的:
本发明的一种基于交替惩罚三线性分解的混合油液中油种成分识别方法,步骤如下:
步骤一、利用荧光光谱仪采集航空煤油和润滑油在不同体积比配制下共N个样本的原始荧光光谱数据。
利用荧光光谱仪采集航空煤油和润滑油在不同体积比配制下共N个样本的原始荧光光谱数据,根据被测样本的荧光特性,设定合适的激光与发射端狭缝宽度以及激发、发射扫描起始波长和终止波长,发射扫描起始波长滞后激发扫描起始波长20nm的波长间隔。
步骤二、对步骤一中所得到的原始荧光光谱数据进行Delaunay插值预处理,获取经校正后的荧光光谱数据。
针对步骤一中所得到的航空煤油和润滑油混合油液的原始荧光光谱数据,利用Delaunay插值法进行处理,得到经校正后的N个荧光光谱数据。
步骤三、利用核一致诊断函数对步骤二中所得到的荧光光谱数据进行处理,得出算法解析三维荧光光谱数据时所需的成分数。
对步骤二中经Delaunay插值预处理后所得到的共N个航空煤油和润滑油混合样本的荧光数据进行处理,每个样品都得到一个M×L的荧光数据矩阵,N个样本的光谱数据构成M×L×N的三维荧光数据矩阵,再利用核一致诊断函数对其进行处理,从航空煤油和润滑油混合油液的核一致曲线图中分析得出算法解析荧光光谱数据时所需的成分数。
步骤四、利用交替惩罚三线性分解(APTLD)算法对步骤二中所得到的荧光光谱数据进行处理,得到分解后的荧光光谱数据。
利用APTLD算法对步骤二中得出的荧光光谱数据矩阵进行分解,得到三个载荷矩阵,进而得到经算法分解后航空煤油和润滑油混合油液的荧光光谱数据。
步骤五、对经算法分解后航空煤油和润滑油纯油液的荧光光谱数据和其混合油液的荧光光谱数据进行数据拟合,得出航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,再利用均方根误差(RMSE)和相关函数corrcoef来判断曲线的相关程度。
针对步骤四中得出的经APTLD和算法处理后航空煤油和润滑油纯油液的荧光光谱数据和航空煤油和润滑油混合油液的荧光光谱数据进行数据合并,得出四维光谱数据,再利用数据拟合方法得到航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,最后利用均方根误差(RMSE)和相关函数corrcoef来判断曲线的相关程度。
本发明的有益效果:本发明利用荧光光谱仪采集航空煤油和润滑油在不同体积比配置下共N个样本的原始荧光光谱数据;利用Delaunay插值法对所得到的原始荧光光谱数据进行校正,得到经校正后的三维荧光光谱数据;借助核一致诊断函数对三维荧光光谱数据进行处理,得出交替惩罚三线性分解(APTLD)算法解析三维荧光光谱数据时所需的成分数;利用APTLD算法对所得到的三维荧光光谱数据进行处理,得到航空煤油和润滑油纯油液及混合油液的载荷矩阵A、B、C;再对航空煤油和润滑油纯油液的载荷矩阵B、C和其混合油液的载荷矩阵B、C进行数据拟合,进而得出航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,最后再利用均方根误差(RMSE)和相关函数corrcoef来判断曲线的拟合程度。与传统的基于“黑匣子”和目测方法对失事飞机进行搜寻的方法相比,本发明所提出的利用交替惩罚三线性分解(APTLD)算法检测混合油液中油种成分的方法更加可靠、快速、省力。与基于PARAFCA算法进行混合油液检测的方法相比,本发明所提出的利用APTLD算法对混合油液的三维荧光光谱数据进行处理的方法,克服了收敛慢的问题,能在荧光光谱严重重叠且不经分离的情况下,更好地以“数学分离”代替“物理及化学分离”,直接、简便、可靠地检测混合油样中的油种,从理论上来说,本发明所提出的混合油液检测方法将具有更高的检测精度。
【说明书附图】
图1是本发明所述的一种基于交替惩罚三线性的海面失事飞机溢出油液油种成分识别方法的示意图;
图2是利用本发明所述方法对多个航空煤油和润滑油混合油液样本进行实际检测的具体实施例的示意图。
【具体实施方式】
本发明的一种基于交替惩罚三线性分解的混合油液中油种成分识别方法,步骤如下:
步骤一、利用荧光光谱仪采集航空煤油和润滑油在不同体积比配置下共N个样本的原始荧光光谱数据。
利用荧光光谱仪采集航空煤油和润滑油在不同体积比配置下共N个样本的原始荧光光谱数据,根据被测样本的荧光特性,设定合适的激光与发射端狭缝宽度,发射扫描起始波长滞后激发扫描起始波长20nm的波长间隔。
步骤二、对步骤一中所得到的原始荧光光谱数据进行Delaunay插值校正,获取经校正后的三维荧光光谱数据。
针对步骤一中所得到的航空煤油和润滑油混合油液的原始荧光光谱数据,利用Delaunay插值法进行校正,得到N个荧光光谱数据。
步骤三、利用核一致诊断函数对步骤二中所得到的荧光光谱数据进行处理,得出交替惩罚三线性分解(APTLD)算法解析三维荧光光谱数据时所需的成分数。
对步骤二中经Delaunay插值校正后所得到的共N个航空煤油和润滑油混合油液的荧光数据进行处理,每个样品都得到一个M×L的荧光数据矩阵,N个样本的光谱数据构成M×L×N的三维荧光数据矩阵,再利用核一致诊断函数对其进行处理,进而,从航空煤油和润滑油混合油液的核一致曲线图中分析得出APTLD算法解析三维荧光光谱数据时所需的成分数。其中,M=(激发扫描终止波长—激发扫描起始波长)/对应步长+1;L=(发射扫描终止波长—发射扫描起始波长)/对应步长+1。
在实际计算过程中,核一致诊断法利用三维数据分解的唯一性来估计三维数据的秩,其主要思路是评价平行因子(PARAFAC)模型中超对角阵和最小二乘拟合矩阵之间的相似性,利用核一致函数来判断出正确的成分数。当选取的成分数大于正确的成分数时,核一致函数的值接近于0或为负数;当所选取的成分数小于或等于正确的成分数时,核一致函数的值等于1或接近于1;通常选取0.6作为阈值来确定成分数选取的大小。
步骤四、利用交替惩罚三线性分解(APTLD)和平行因子(PARAFAC)算法分别对步骤二中所得到的三维荧光光谱数据进行处理,得到经这两种算法分解后的航空煤油和润滑油纯油液及混合油液的载荷矩阵A、B、C。
利用APTLD算法和PARAFAC算法分别对步骤二中得出的荧光光谱数据矩阵进行分解,得到三个载荷矩阵A、B、C。
在利用APTLD算法和PARAFAC算法对三维荧光光谱数据矩阵进行分解过程中,混合油液的荧光光谱矩阵被分解为具有清晰物理意义的三个矩阵A、B、C,其中矩阵A为相对浓度矩阵、矩阵B为相对激发光谱矩阵、矩阵C为相对相对发射光谱矩阵。
步骤五、对经APTLD算法分解后航空煤油、润滑油纯油液的载荷矩阵B、C和其混合油液的载荷矩阵B、C进行数据拟合,得出航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,再利用均方根误差(RMSE)和相关函数corrcoef来判断曲线的相关程度。
针对步骤四中得出的经APTLD和PARAFAC两种算法处理后航空煤油和润滑油纯油液的B、C和其混合油液的载荷矩阵B、C进行数据合并,再利用数据拟合方法得到航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线,最后再利用均方根误差(RMSE)和相关函数corrcoef来判断曲线的相关程度。
在分析真实荧光光谱和经算法分解后的荧光光谱过程中,将经算法分解后航空煤油、润滑油纯油液的荧光光谱矩阵B、C分别和其混合油液的荧光光谱矩阵B、C进行拟合,进而可初步通过观察光谱曲线的拟合效果来判断算法分解的效果;然后分别利用均方根(RMS)误差和相关函数corrcoef来判断各曲线的相关程度。为了保证有较低的数据冗余度和较高的数据精度设置均方根误差的阈值为H1以及相关函数矩阵中非对角线元素的阈值为H2,当相应两曲线数据的均方根误差小于阈值H1时,认为该混合油液即为已知种类的纯油液经混合后得到的;而当两曲线数据的均方根误差不小于阈值H1时,认为该混合油液不是已知种类的纯油液经混合后得到的。同样,当两曲线数据经相关函数corrcoef处理后得到的矩阵中非对角线元素大于阈值H2时,认为该混合油液即为已知种类的纯油液经混合后得到的;当两曲线数据经相关函数corrcoef处理后得到的矩阵中非对角线元素不于阈值H2时,认为该混合油液不是已知种类的纯油液经混合后得到的。
通过应用本发明所述方法对混合油液中所含油种的成分进检测的具体实施例对本发明所述方法做进一步说明:
在利用荧光光谱仪采集样本的荧光光谱数据之前,根据本实施例中所采购使用的某型号航空煤油和润滑油的荧光特性,同时为了消除一级瑞利散射的干扰,设定激光与发射端狭缝宽度为0.44mm,发射扫描起始波长滞后激发扫描起始波长20nm的波长间隔,激发波长范围为300~580nm,发射波长范围为320~600nm,步长均为10nm(进而可得到一个29×29的荧光数据方阵)。为了保证有较好的数据精度,本实施例所用混合油液样本的个数为20。
利用Delaunay插值法对所得到的原始荧光光谱数据进行预处理前,航空煤油的三维荧光光谱图和等高线图如图2(a)和图2(b)所示,经预处理后,航空煤油的三维荧光光谱图和等高线图如图2(c)和图2(d)所示;润滑油的三维荧光光谱图和等高线图如图2(e)和图2(f)所示,经预处理后,航空煤油的三维荧光光谱图和等高线图如图2(g)和图2(h)所示。对20个航空煤油和润滑油混合油液进行预处理后,每个样品都得到一个29×29的荧光数据矩阵,进而20个样本的光谱数据构成29×29×20的三维荧光数据矩阵,再利用核一致诊断函数对其进行处理得到航空煤油和润滑油混合油液的核一致曲线如图2(i)所示。在利用算法解析荧光数据前,得出第16个航空煤油和润滑油混合油液的三维荧光光谱图和等高线图如图2(j)和图2(k)所示。针对所得出的成分数,利用APTLD算法和PARAFAC算法分别对经校正后的荧光光谱数据矩阵进行分解,航空煤油和润滑油混合油液的荧光光谱矩阵被分解为具有清晰物理意义的矩阵A、B、C,进而将经算法分解后航空煤油、润滑油纯油液的荧光光谱矩阵B、C分别和其混合油液的荧光光谱矩阵B、C进行拟合,得到经APTLD算法分解后航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线如图2(l)和图2(m)所示,经PARAFAC算法分解后航空煤油和润滑油荧光相对强度与激发、发射波长对应关系下的光谱拟合曲线如图2(n)和图2(o)所示。
为对本发明所述方法的有效性和优越性进行验证,利用APTLD算法和PARAFAC算法分别解析三维荧光光谱数据,然后计算出各光谱曲线数据之间的均方根误差值和相关函数矩阵。先分析这两种算法解析荧光光谱数据后得出的均方根误差值,根据数据冗余度和精度的要求,将均方根误差值的阈值设定为0.05,APTLD算法解析时:在荧光激发光谱中,航空煤油和润滑油对应曲线的均方根误差值分别为0.0223和0.0265;在荧光发射光谱中,航空煤油和润滑油对应曲线的均方根误差值分别为0.0286和0.0357。PARAFAC算法解析时:在荧光激发光谱中,航空煤油和润滑油对应曲线的均方根误差值分别为0.1232和0.0370;在荧光发射光谱中,航空煤油和润滑油对应曲线的均方根误差值分别为0.1249和0.0497。然后分析这两种算法解析荧光光谱数据后得出的相关函数矩阵中非对角线元素的值,根据数据冗余度和精度的要求,将相关函数矩阵中非对角线元素的阈值设定为0.95,APTLD算法解析时:在荧光激发光谱中,航空煤油和润滑油对应曲线的相关函数矩阵中非对角线元素值分别为0.9826和0.9826;在荧光发射光谱中,航空煤油和润滑油对应曲线的相关函数矩阵中非对角线元素值分别为0.9777和0.9777。PARAFAC算法解析时:在荧光激发光谱中,航空煤油和润滑油对应曲线的相关函数矩阵中非对角线元素值分别为0.7862和0.7862;在荧光发射光谱中,航空煤油和润滑油对应曲线的相关函数矩阵中非对角线元素值分别为0.8148和0.8148。
通过对上述计算结果进行分析,可以发现:一方面PARAFAC算法的解析效果不如APTLD算法的解析效果好,不能够达到混合油液中油种成分检测的目的;另一方面,经APTLD算法解析后的均方根误差和相关函数矩阵非对角线上元素值均在阈值范围之内,能够达到混合油液中油种成分检测的目的。因此,可以得知,在这个实际应用例子中,相比于基于PARAFAC算法对混合油液进行解析的检测方法,本发明所述的基于APTLD算法的混合油液中油种成分的检测方法具有较更高的检测精度。
以上所述,仅为本发明具体实施方法的基本方案,但本发明的保护范围并不局限于此,任何熟悉本技术领域的人员在本发明公开的技术范围内,可想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。