CN116625519A - 一种基于isma算法的多光谱辐射测温反演计算方法 - Google Patents
一种基于isma算法的多光谱辐射测温反演计算方法 Download PDFInfo
- Publication number
- CN116625519A CN116625519A CN202310590906.2A CN202310590906A CN116625519A CN 116625519 A CN116625519 A CN 116625519A CN 202310590906 A CN202310590906 A CN 202310590906A CN 116625519 A CN116625519 A CN 116625519A
- Authority
- CN
- China
- Prior art keywords
- value
- isma
- algorithm
- inversion
- temperature measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 241001611138 Isma Species 0.000 title claims abstract description 28
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 30
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000004861 thermometry Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- -1 (i) -F Chemical class 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 5
- 229910010271 silicon carbide Inorganic materials 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000863434 Myxococcales Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
- G01J5/53—Reference sources, e.g. standard lamps; Black bodies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于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。
Description
技术领域
本发明属于多光谱辐射测温反演计算方法技术领域，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。
背景技术
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。
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Vi，则由普朗克辐射定律可得：
Vi:目标为样品时第i个通道的电压输出信号，
Vi b:目标为黑体时第i个通道的电压输出信号，
λi:第i个通道的光谱波长，
T:物体真实温度，
Tb:黑体参考温度，
ε(λi,T)温度为T时波长为λi下的光谱发射率，
C2:第二辐射常数，
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；
常用的假设模型有：
lnε(λ,T)＝a+bλ
ε(λ,T)＝a0+a1λ
ε(λ,T)＝exp[-(a0+a1λ)2]
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。
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。
发明内容
本发明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。
为实现上述目的，本发明采用如下技术方案：
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,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
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Vi为样品对应的第i个光谱通道的电压值，Vi'为黑体对应的第i个光谱通道的电压值。
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。
优选的，步骤二中，构建方程，建立目标函数的具体方法为：
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Ti为各个光谱通道所测得的样品温度；T'为黑体的参考温度；λi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(λi,T)为温度为T时波长为λi下的光谱发射率；Vi是目标为样品时第i个光谱通道的电压输出信号；Vi'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/> E(Ti 2)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；
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。
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)。
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；
初始化种群：在搜索空间随机产生初始种群。
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。
黏菌算法在迭代过程中更新个体位置的模型为：
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，Xb(t)表示当前获得的最佳位置；W为权重；XA(t)和XB(t)是随机选择的2个个体,Vb是控制参数，Vb∈[-a,a]；VC的值从1线性减小到0；t代表当前迭代次数；X(t)表示当前位置；p是选择开关；r表示[0，1]区间内的随机值，z表示切换概率
其中：p＝tanh|S(i)-F(D)|,i∈1，2，3，4......N
S(i)是进行排序后的种群,F(D)是所有迭代中最佳值；
a值的更新公式如下：
权重W的公式为：
Smelllndex＝sort(S)
其中:r表示[0，1]区间内的随机值，矢量Fb表示当前迭代过程中获得的最优适应值；Fw表示当前迭代过程中得到的最差适应值；condition表示S(i)是种群的前半部分，i＝N/2,Smelllndex表示对适应度值进行排序；
引入自适应可调节的反馈因子，其数学模型如下：
式中，t为当前迭代次数，tmax为最大迭代次数，k是调节因子。
引入改进的算数交叉算子更新个体位置，让当前个体与种群最优个体进行交叉操作，其公式如下：
其中，Xbest(t)为当前种群最优个体位置，XA(t)为当前个体位置，t为当前迭代次数，和/>分别为交叉产生的两个子代个体位置，Xbest(t)为当前种群最优个体位置，L为取值(0,1)的随机参数；
所述参数L数学模型描述公式如下：
μ和λ为拉普拉斯系数，其中μ取自然数，控制位置，λ>0，λ为控制尺度，r为取值[0,1]的随机数。
本发明与现有技术相比，具有显著优点：本发明不需要事先确定发射率模型，克服了现有辐射测温技术中要求假设模型与真实发射率之间的一致性必须较高，需要根据人为经验选择假设模型；不能普遍适用于不同发射率材料；所需数据集过大，训练时间较长不能快速的进行反演温度计算等缺陷。本发明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，可以在不需要任何先验知识的情况下同时精确计算被测目标的温度和发射率，避免了因发射率受波长、温度、表面粗糙度等因素的影响进而影响反演的温度的准确性的问题，且不需要大量的数据样本，满足既快又准的要求。反演时间较短,小于0.08s,精度较高，温度计算精度相对误差在0.55％以内,对1800K下6种不同发射率模型的仿真结果表明，反演温度的相对误差小于0.55％，绝对误差小于10K，碳化硅的反演结果表明，样品反演温度的相对误差小于0.35％，绝对误差小于4K。验证了该方法在实际应用中的有效性。
附图说明
图1为本发明基于ISMA算法的多光谱辐射测温反演计算方法的流程图。
图2为本发明基于ISMA算法的多光谱辐射测温反演计算方法在A种情况下的发射率模型结果图；
图3为本发明基于ISMA算法的多光谱辐射测温反演计算方法在B种情况下的发射率模型结果图；
图4为本发明基于ISMA算法的多光谱辐射测温反演计算方法在C种情况下的发射率模型结果图；
图5为本发明基于ISMA算法的多光谱辐射测温反演计算方法在D种情况下的发射率模型结果图；
图6为本发明基于ISMA算法的多光谱辐射测温反演计算方法在E种情况下的发射率模型结果图；
图7为本发明基于ISMA算法的多光谱辐射测温反演计算方法在F种情况下的发射率模型结果图。
具体实施方式
下面结合实施例对本发明做进一步的说明，但本发明的保护范围并不仅限于此。
一种基于ISMA算法的多光谱辐射测温反演计算方法，其流程如图1所示，具体步骤为：
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；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；即由多光谱辐射温度计测量波长分别为0.4um，0.5um，0.6um，0.7um，0.8um，0.9um，1.0um，1.1um(8个波长通道)样品所对应的电压值，然后以同样的方式测量黑体在上述对应波长的电压值，计算出其中Vi为样品对应的第i个光谱通道的电压值，Vi'为黑体对应的第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；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Ti为各个光谱通道所测得的样品温度；T'为黑体的参考温度；λi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(λi,T)为温度为T时波长为λi下的光谱发射率；Vi是目标为样品时第i个光谱通道的电压输出信号；Vi'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/> E(Ti 2)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；
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；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＝8(一般选用光谱仪8个通道的电压数据进行反演)，随机初始化N个黏菌的初始位置；
步骤四：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；
始化种群：在搜索空间随机产生初始种群。
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。
黏菌算法在迭代过程中更新个体位置的模型为：
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，Xb(t)表示当前获得的最佳位置；W为权重；XA(t)和XB(t)是随机选择的2个个体，Vb是控制参数，Vb∈[-a,a]；VC的值从1线性减小到0；t代表当前迭代次数；X(t)表示当前位置；p是选择开关；r表示[0，1]区间内的随机值，z表示切换概率，
其中：p＝tanh|S(i)-F(D)|,i∈1，2，3，4......N
S(i)是进行排序后的种群,F(D)是所有迭代中最佳值；
a值的更新公式如下：
权重W的公式为：
Smelllndex＝sort(S)
其中:r表示[0，1]区间内的随机值，矢量Fb表示当前迭代过程中获得的最优适应值；Fw表示当前迭代过程中得到的最差适应值；condition表示S(i)是种群的前半部分，i＝N/2,Smelllndex表示对适应度值进行排序；
引入自适应可调节的反馈因子，其数学模型如下：
式中，t为当前迭代次数，tmax为最大迭代次数，k是调节因子。
引入改进的算数交叉算子更新个体位置，让当前个体与种群最优个体进行交叉操作，其公式如下：
其中，Xbest(t)为当前种群最优个体位置，X(t)为当前个体位置，t为当前迭代次数，和/>分别为交叉产生的两个子代个体位置，Xbest(t)为当前种群最优个体位置，L为取值(0,1)的随机参数；
所述参数L数学模型描述公式如下：
μ和λ为拉普拉斯系数，其中μ取自然数，控制位置，λ>0，λ为控制尺度，r为取值[0,1]的随机数。
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；若不满足，重复步骤三至五。所述结束条件为达到迭代次数。
为了进一步的说明本发明方法的有效性，在以下条件下进行反演：
模拟环境：Python 3.8语言；
视窗10；
Inter(R)Xeon(R)Platinum 8168CPU 24核处理器@2.70GHz；
128G内存；
算法的相关参数设置为：种群规模N＝55，最大迭代次数tmax＝80，维度D＝8，lb＝0.1，ub＝0.9；
实施例1
利用上述本发明方法以1800K为例反演得到的A,B,C,D,E,F六种发射率模型的结果如下表1：
表1：反演得到的A,B,C,D,E,F六种发射率模型的结果
如图2-7所示，A,B,C,D,E,F六种发射率模型的结果曲线图，可以得出本发明反演A,B,C,D,E,F六种发射率模型的温度误差小于0.55％，发射率的绝对误差小于0.1％，证明本发明方法反演精度高。
实施例2
利用上述本发明方法应用于碳化硅样品温度的测量，实验中，黑体温度设定为973K，碳化硅加热温度分别为1023K,1073K,1123K,反演结果如下表2所示：
表2：碳化硅反演结果
结果显示，本发明方法反演时间较短,小于0.08s,精度较高，温度计算精度相对误差在0.55％以内,对1800K下6种不同发射率模型的仿真结果表明，反演温度的相对误差小于0.55％，绝对误差小于10K，真实样品碳化硅的反演结果表明，样品反演温度的相对误差小于0.35％，绝对误差小于4K。验证了该方法在实际应用中的有效性。可以满足实时工业测温的要求。
Claims (8)
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Vi为样品对应的第i个光谱通道的电压值，Vi'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Ti为各个光谱通道所测得的样品温度；T'为黑体的参考温度；λi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(λi,T)为温度为T时波长为λi下的光谱发射率；Vi是目标为样品时第i个光谱通道的电压输出信号；Vi'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(Ti 2)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所述的一种基于ISMA算法的多光谱辐射测温反演计算方法，其特征在于：所述维度D为8。
7.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：
步骤四的具体方法为：
黏菌算法在迭代过程中更新个体位置的模型为：
其中X(t+1)表示黏菌个体更新后新的位置，rand表示[0.1-1]的随机数，ub，lb分别为搜索空间范围的最上限和最下限，Xb(t)表示当前获得的最佳位置；W为权重；XA(t)和XB(t)是随机选择的2个个体，Vb是控制参数，Vb∈[-a,a]；VC的值从1线性减小到0；t代表当前迭代次数；X(t)表示当前位置；p是选择开关；r表示[0，1]区间内的随机值，z表示切换概率，
其中：p＝tanh|S(i)-F(D)|,i∈1，2，3，4......N
S(i)是进行排序后的种群,F(D)是所有迭代中最佳值；
a值的公式为：
权重W的公式为：
Smelllndex＝sort(S)
其中:r表示[0，1]区间内的随机值，矢量Fb表示当前迭代过程中获得的最优适应值；Fw表示当前迭代过程中得到的最差适应值；condition表示S(i)是种群的前半部分，i＝N/2,Smelllndex表示对适应度值进行排序；
引入自适应可调节的反馈因子，其数学模型如下：
式中，t为当前迭代次数，tmax为最大迭代次数，k是调节因子。
引入改进的算数交叉算子更新个体位置，让当前个体与种群最优个体进行交叉操作，其公式如下：
其中，Xbest(t)为当前种群最优个体位置，XA(t)为当前个体位置，t为当前迭代次数，和/>分别为交叉产生的两个子代个体位置，Xbest(t)为当前种群最优个体位置，L为取值(0,1)的随机参数；
所述参数L数学模型描述公式如下：
μ和λ为拉普拉斯系数，其中μ取自然数，控制位置，λ>0，λ为控制尺度，r为取值[0,1]的随机数。
8.根据权利要求1-7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：步骤五中所述结束条件为达到迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590906.2A CN116625519A (zh) | 2023-05-24 | 2023-05-24 | 一种基于isma算法的多光谱辐射测温反演计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590906.2A CN116625519A (zh) | 2023-05-24 | 2023-05-24 | 一种基于isma算法的多光谱辐射测温反演计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116625519A true CN116625519A (zh) | 2023-08-22 |
Family
ID=87591408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310590906.2A Pending CN116625519A (zh) | 2023-05-24 | 2023-05-24 | 一种基于isma算法的多光谱辐射测温反演计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116625519A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117232661A (zh) * | 2023-11-16 | 2023-12-15 | 中国人民解放军63921部队 | 一种多通道红外辐射测量系统及多波长实时温度测量方法 |
-
2023
- 2023-05-24 CN CN202310590906.2A patent/CN116625519A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117232661A (zh) * | 2023-11-16 | 2023-12-15 | 中国人民解放军63921部队 | 一种多通道红外辐射测量系统及多波长实时温度测量方法 |
| CN117232661B (zh) * | 2023-11-16 | 2024-02-23 | 中国人民解放军63921部队 | 一种多通道红外辐射测量系统及多波长实时温度测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109147878B (zh) | 一种水泥熟料游离钙软测量方法 | |
| CN116625519A (zh) | 一种基于isma算法的多光谱辐射测温反演计算方法 | |
| CN112113666B (zh) | 一种基于自适应发射率模型的多光谱测温装置及其测温方法 | |
| Milov et al. | Use of artificial neural networks to correct non-standard errors of measuring instruments when creating integral joints | |
| EP3136065B1 (en) | Method for measuring actual temperature of flame using all information about radiation spectrum and measurement system | |
| US6016190A (en) | Method and apparatus for true temperature determination | |
| CN111275579A (zh) | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 | |
| CN111323145A (zh) | 一种温度测量方法及装置和系统 | |
| CN115493708A (zh) | 航空发动机涡轮叶片辐射测温装置及其测温方法 | |
| CN113910001B (zh) | 一种数控机床空间误差辨识方法 | |
| CN108490873A (zh) | 一种基于最近邻空间点的数控机床主轴热伸长预测方法 | |
| CN116086617A (zh) | 一种基于优化思想的多光谱温度测量方法 | |
| CN116007761A (zh) | 一种基于环境温度的红外测温智能补偿方法 | |
| CN110262393B (zh) | 带滞后数据处理的灰色理论分段式加权热误差建模方法 | |
| Chun-Ling et al. | Optimum identifications of spectral emissivity and temperature for multi-wavelength pyrometry | |
| CN108415372B (zh) | 精密机床热误差补偿方法 | |
| Mazikowski et al. | Modeling of noncontact temperature measurement system using multiwavelength pyrometry | |
| CN110608660B (zh) | 一种电涡流传感器位移、温度预测方法 | |
| CN113722998B (zh) | 一种多光谱高温计无源温区温度标定方法、计算机及存储介质 | |
| Rusin | Determining the temperature of an opaque object by its thermal radiation spectrum: forms of initial data presentation and methods | |
| Wu et al. | Online prediction of cutting temperature using self-adaptive local learning and dynamic CNN | |
| CN113686451B (zh) | 一种光谱发射率的测量方法及系统 | |
| CN116481650A (zh) | 一种高温可变环境下基于Alpha谱-LM算法的多光谱辐射测温方法及系统 | |
| CN113624350B (zh) | 一种基于神经网络的空中远程目标的温度测量装置及方法 | |
| CN117784839B (zh) | 一种滑环加热控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |