CN1587986A - 基于激光多普勒测量粒子的非理想粒子分类识别方法 - Google Patents

Abstract

本发明公开了一种基于激光多普勒测量粒子的非理想粒子分类识别方法，属于粒子测量技术。该方法利用激光相位多普勒粒子测量装置，获取运动粒子特性参数的动态信息，分类识别包括以下过程：利用测量数据确定粒子的统计特性，建立被测对象参数的结构模式，用模糊模式识别获取对象的参数，综合多个特性模式实现非理想粒子的分类识别。本发明的优点在于利用粒子测量所获得数据的分析可以得到粒子参数的分散性信息，可针对粒子的多个特征进行分类识别，得到更符合测量对象实际特点的结果，避免了实际粒子的非理想特性对测量的影响。本方法可以应用于各种粒子测量数据的分析过程。

Description

基于激光多普勒测量粒子的非理想粒子分类识别方法

                            技术领域

本发明涉及一种基于激光多普勒测量粒子的非理想粒子分类识别方法，属于粒子测量技术。

                            背景技术

在冶金、化工、医药、环保、气象、食品、建材、航天等诸多技术领域，粒子的特性与工作效率、产品质量以及生产过程等有着直接的关系，正是粒子速度、尺寸分布、材料特性及其空间分布等方面的动态信息，直接影响甚至完全决定了过程环境中的热量、动量和质量交换及由此产生的各种结果的性能，因此粒子特性测量在工业生产中极为重要。现有的粒子测量技术和仪器很多，但都认为被测粒子的特性是理想的，即粒子形状为球形，所有粒子均属同一种材料。然而，实际生产过程中的粒子流多为混合粒子流，其成份构成具有不一致性，其形状构成具有不规则性，粒子的所有特性参数都只可能满足某种分布，这些因素的存在或者给测量引入误差，或者限制了测量手段和技术的应用。因此，针对非理想粒子特性测量中存在的技术问题，开发具有实用价值的粒子特性识别方法，对于推动工业过程的在线动态监测设备的开发具有极其重要的意义。

实际粒子流中粒子的分散性特性(形状的不规则性和材料的不一致性)服从一定的分布规律，无论何种粒子测量技术，测量系统总是将反映这些特性的信息寄生在所获得测量信号的某个参数(幅度、频率、相位等)上，由于粒子非理想特性的存在，测量数据中必然包含粒子非理想特性的信息，粒子特性的分散性必然表现为这些参数的分散性，相应地也能找到这些参数的分布规律。利用这些信息可以了解粒子的非理想特性。

                            发明内容

本发明的目的在于提供一种基于激光多普勒测量粒子的非理想粒子分类识别方法。该方法有效地消除了实际粒子的不规则性和不一致性对测量的影响，从而得到更符合测量对象实际特点的结果。

本发明是通过下述技术方案加以实现的：采用包括激光光源、起偏器、分束器、物镜和APD探测器的光学探测系统和包括信号预处理器、高速同步模数转换器、小波处理器、参数处理器、数据分析器和同步控制器的信号处理系统的激光多普勒粒子测量装置，获取运动粒子特性参数的动态信息，建立能反映粒子非理想特性的描述模式，综合多个特性模式实现非理想粒子的分类识别；并依据在激光多普勒粒子测量技术中，被测粒子直径与多普勒信号的相位差成正比，粒子的相对折射率与多普勒信号相位差的比值成正比，以及在一定范围内，粒子形状不规则情况下多普勒信号相位差服从正态分布，粒子材料特性不一致情况下多普勒信号相位差比值服从正态分布，将粒子的粒径和相对折射率定义为两种模式进行其统计特性，该统计特性反映了粒子的非理想化特性，根据其统计特性与已知模式的贴近程度，实现了粒子的分类识别，其特征在于包括以下步骤：

1.利用激光多普勒测量粒子装置获得粒子的直径数据x＝{x₁，x₂，…，x_N}和相对折射率数据y＝{y₁，y₂，…，y_N}；

2.将数据x、y的分布规律定义为相应的模式 依据测量数据，模式的统计特征可初步估计为

均值

$\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

$\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i$

方差

${\mathrm{\σ}}_x=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2$

${\mathrm{\σ}}_y=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2$

从而建立描述模式

的从属函数μ(x)、μ(y)，μ(x)、μ(y)均在[0，1]区间上取值，其大小反映了模式 中元素x、y对于该模式的从属程度；

3.利用测试数据调整模式的统计特征，使模式描述更准确、可靠。以直径模式为例：

①将数据x等间距地分为t个区间，区间间隔 $\mathrm{\Δx}=\frac{x_{\max }-x_{\min }}{t};$

②求各区间粒径中值d₁，d₂，…，d_t；

③统计各区间内的粒子个数l₁，l₂，…，l₁，并确定最大值 $l_{\max }=\underset{i=1}{\overset{i}{\max }}\left(l_i\right);$

④求各区间归一化的粒子分布W＝(W₁，W₂，…，W_t)，其中 $W_i=\frac{l_i}{l_{\max }},0\≤W_i\≤1;$

⑤取x的值分别等于d₁，d₂，…，d_t，代入分布式μ(x)，得到μ_i(d_i)，i＝1，2，…，t，并确定最大值 ${\mathrm{\μ}}_{\max }=\underset{i=1}{\max }\left({\mathrm{\μ}}_i\left(d_i\right)\right);$

⑥求粒子分布W′＝(W₁′，W′₂，…，W_t′)，其中 $W_i^{\′}=\frac{{\mathrm{\μ}}_i\left(d_i\right)}{{\mathrm{\μ}}_{\max }},0\≤W_i^{\′}\≤1;$

⑦比较分布W′＝(W₁′，W₂′，…，W_t′)与W＝(W₁，W₂，…，W_t)，得到误差值 $\mathrm{\ϵ}=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{(W_i-W_i^{\′})}^2;$

⑧不断调整( x，σ_x)重复步骤①-⑧；

⑨取最小误差对应的一组( x，σ_x)作为粒径分布的参数。

4.确定未知模式 或

与已知模式 之间的相似性，定义为贴近度：

其中： 为未知模式

与已知模式 的内积， 为未知模式 与已知模式

的外积。已知模式的分布规律是可以通过理论或实验方法获得的。

5.对于未知模式

若它和n个已知模式 之间有不同的贴近度，于是有择近原则：

则认为

与

最贴近，从而把

归类为 模式。

本发明的优点在于利用粒子测量所获得的数据分析可以得到粒子参数的分散性信息，得到更符合测量对象实际特点的结果，避免了实际粒子的非理想特性对测量的影响。本方法可以应用于各种粒子测量数据的分析过程。

附图说明

图1为用于实现本方法的装置中光学检测系统结构示意图；

图中：1-激光光源，2-起偏器，3-分束器，4-物镜，5、6-入射光束，8-被测粒子流，7、9-APD探测器。

图2为用于实现本方法的装置中信号处理系统结构框图；

图3为血液样本粒径分布图；

图中：纵坐标为血细胞数量，单位：万个；横坐标为血细胞直径，单位：微米(μm)

图4为血液样本相对折射率分布图；

图中：纵坐标为血细胞数量，单位：万个；横坐标为相对折射率；

图5为血液样本粒径—相对折射率分布图：

图中：纵坐标为相对折射率；横坐标为血细胞直径，单位：微米(μm)。

                             具体实施方式

表1为血液样本直径和相对折射率的描述模式；表中：列表示样本的不同模式；行表示不同的细胞群。

                           表1

该血细胞识别实施过程：

1、用激光多普勒测量系统获得粒子的直径数据x＝{x₁，x₂，…，x_N}和相对折射率数据y＝{y₁，y₂，…，y_N}。

2、建立估计模式：

由于粒径主要集中分布在两个直径段上，假设其模式分别为 ${\mathrm{\μ}}_1\left(x\right)=e^{-{\left(\frac{x-{\stackrel{\‾}{x}}_1}{{\mathrm{\σ}}_{x1}}\right)}^2}$ 和 ${\mathrm{\μ}}_2\left(x\right)=e^{-{\left(\frac{x-{\stackrel{\‾}{x}}_2}{{\mathrm{\σ}}_{x2}}\right)}^2}.$ 总体模式应假设为双峰分布 $F\left(x\right)=e^{-{\left(\frac{x-{\stackrel{\‾}{x}}_1}{{\mathrm{\σ}}_{x1}}\right)}^2}+{\mathrm{ke}}^{-{\left(\frac{x-{\stackrel{\‾}{x}}_2}{{\mathrm{\σ}}_{x2}}\right)}^2},$ μ₁(x)和μ₂(x)之间的相对大小用参数k描述。

假设相对折射率模式为 $\mathrm{\μ}\left(y\right)=e^{-{\left(\frac{y-\stackrel{\‾}{y}}{{\mathrm{\σ}}_y}\right)}^2}$

3.修正模式参数。

具有最小误差的两个直径段上的模式分布分别为 ${\mathrm{\μ}}_1\left(x\right)=e^{-{\left(\frac{x-7.6}{0.237}\right)}^2},$ 均值为7.6μm，方差0.237μm； ${\mathrm{\μ}}_2\left(x\right)=e^{-{\left(\frac{x-2.86}{0.161}\right)}^2},$ 均值为2.86μm，方差0.161μm。

具有最小误差的相对折射率模式为 $\mathrm{\μ}\left(y\right)=e^{-{\left(\frac{x-1.49}{0.0263}\right)}^2},$ 均值为1.49，方差0.0263。

4.将模式μ₁(x)、μ₂(x)及μ(y)与参照模式比较，确定贴近度。从血细胞直径特性看，具有较大直径的细胞群应为红细胞，具有较小直径的细胞群应为血小板；从相对折射率特性看，两个细胞群均为红细胞，见附表2。

5、综合血细胞直径和相对折射率两种特征，确定总体贴近度。具有较大直径的细胞群应为红细胞，具有较小直径的细胞群应为血小板，见附表2。

表2为血液样本与参照细胞的相似性：

                         表2

Claims (1)

1、一种基于激光多普勒测量粒子的非理想粒子分类识别方法，该方法采用包括激光光源、起偏器、分束器、物镜和APD探测器的光学探测系统和包括信号预处理器、高速同步模数转换器、小波处理器、参数处理器、数据分析器和同步控制器的信号处理系统的激光多普勒粒子测量装置，获取运动粒子特性参数的动态信息，建立能反映粒子非理想特性的描述模式，综合多个特性模式实现非理想粒子的分类识别；并依据在激光多普勒测量粒子技术中，被测粒子直径与多普勒信号的相位差成正比，粒子的相对折射率与多普勒信号相位差的比值成正比，以及在一定范围内，粒子形状不规则情况下多普勒信号相位差服从正态分布，粒子材料特性不一致情况下多普勒信号相位差比值服从正态分布，将粒子的粒径和相对折射率定义为两种模式进行其统计特性，该统计特性反映了粒子的非理想化特性，根据其统计特性与已知模式的贴近程度，便实现粒子的分类识别，其特征在于包括以下步骤：

1).利用激光多普勒粒子测量装置获得粒子的直径数据x＝{x₁，x₂，…，x_N}和相对折射率数据y＝{y₁，y₂，…，y_N}；

2).将数据x、y的分布规律定义为相应的模式 依据测量数据，模式的统计特征可初步估计为：

均值 $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

$\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i$

方差 ${\mathrm{\σ}}_x=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2$

${\mathrm{\σ}}_y=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2$

从而建立描述模式 的从属函数μ(x)、μ(y)，μ(x)、μ(y)均在[0，1]区间上取值，其大小反映了模式 中元素x、y对于该模式的从属程度；

3).利用测试数据调整模式的统计特征，使模式描述更准确、可靠；以粒子直径模式为例：

①将数据x等间距地分为t个区间，区间间隔 $\mathrm{\Δx}=\frac{x_{\max }-x_{\min }}{t};$

②求各区间粒径中值d₁，d₂，…，d_t；

③统计各区间内的粒子个数l₁，l₂，…，l_t，并确定最大值 $l_{\max }=\underset{i=1}{\overset{t}{\max }}\left(l_i\right);$

④求各区间归一化的粒子分布W＝(W₁，W₂，…，W_t)，其中 $W_i=\frac{l_i}{l_{\max }},0\≤W_i\≤1;$

⑤取x的值分别等于d₁，d₂，…，d_t，代入分布式μ(x)，得到μ_i(d_i)，i＝1，2，Λ，t，并确定最大值 ${\mathrm{\μ}}_{\max }=\underset{i=1}{\overset{t}{\max }}\left({\mathrm{\μ}}_i\left(d_i\right)\right);$

⑥求粒子分布W′＝(W′₁，W′₂，…，W′_t)，其中 $W_i^{\′}=\frac{{\mathrm{\μ}}_i\left(d_i\right)}{{\mathrm{\μ}}_{\max }},0\≤W_i^{\′}\≤1;$

⑦比较分布W′＝(W′₁，W′₂，…，W′_t)与W＝(W₁，W₂，…，W_t)，得到误差值 $\mathrm{\ϵ}=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{(W_i-W_i^{\′})}^2;$

⑧不断调整( x，σ_x)且重复步骤①-⑦；

⑨取最小误差对应的一组( x，σ_x)作为粒径分布的参数；

4).确定未知模式 或 与已知模式 之间的相似性，定义为贴近度：

其中： 为未知模式 与已知模式 的内积，

为未知模式

与已知模式

的外积；已知模式的分布规律是可以通过理论或实验方法获得的；

5).对于未知模式 若它和n个已知模式 之间有不同的贴近度，于是有择近原则：

则认为 与

最贴近，从而把

归类为

模式。

Images