基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法

技术领域

本发明涉及目标红外隐身技术领域，尤其涉及一种基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法。

背景技术

发动机尾焰主要由高温高压的混合气体组成，不同种类气体具有不同的红外辐射光谱特征，混合气体成分的种类决定了其红外辐射光谱的谱线特征。FTIR光谱仪具有测量精度高、速度快等优势，可有效获取待测物质的指纹区特征峰位置以及红外辐射光谱亮度信息，被广泛应用于发动机尾焰红外辐射光谱测量中。

对于使用FTIR光谱仪测量得到的红外辐射亮度光谱数据，通常先利用红外辐射亮度光谱，反演目标气体温度后，转换为吸光度光谱再进行光谱成分识别。气体吸光度具有线性叠加性，即混合气体吸光度可由其单一气体成分吸光度线性叠加求得。使用HITRAN数据库、HITEMP数据库和CDSD数据库中各气体基础物性参数，采用逐线法可精确计算不同温度、压强下的各气体吸光度光谱。因此可获得各单一气体吸光度光谱在尾焰吸光度光谱中的贡献度，依据贡献度即可判断尾焰吸光度光谱中，是否含有该气体光谱成分。该红外光谱成分识别方法，需要反演红外辐射亮度光谱的温度，然后获得辐射亮度光谱对应的吸光度光谱，然后通过吸光度光谱识别光谱成分，步骤较为繁琐。

气体光谱谱线不是一条线，它是以谱线中心波数为谱线强度最大值，光谱沿中心线向两侧递减的轴对称曲线，曲线的线型由线型函数描述，并且气体分子的辐射是不连续的，并呈现出一定的光谱选择性。每种气体都有独特的红外光谱谱带和特征峰，因此可获取每种气体在其指纹区的特征峰位置，依据谱线线型函数和谱线的叠加特性，然后便可使用每种气体在其独特波峰位置的特征峰和气体辐射亮度计算模型拟合尾焰辐射亮度光谱。利用每种气体特征峰位置的不同能够完成每种气体拟合结果的分离，最后使用WSGG模型便可计算出每种气体在尾焰红外辐射亮度光谱中的贡献度。

发明内容

针对现有技术的不足，本发明提供一种基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法，以实现在尾焰红外辐射亮度光谱中各气体红外辐射重叠波段，进行各气体红外辐射亮度光谱分离、计算各气体红外辐射亮度光谱在尾焰红外辐射亮度光谱中的贡献度，进而依据各气体红外辐射亮度光谱贡献度的大小判断尾焰红外辐射亮度光谱中是否含有该气体成分。

一种基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法，包括如下步骤：

步骤1：使用FTIR光谱仪采集尾焰目标红外辐射亮度光谱；

步骤2：对红外辐射亮度光谱进行预处理，进行基线校正、滤波处理；

步骤3：提取单一气体的红外光谱特征峰；

步骤4：依据单一气体的红外光谱特征峰，基于气体红外辐射谱线特征以及Kirchhoff定律、普朗克黑体辐射定律，建立尾焰红外辐射亮度光谱拟合模型；

所述尾焰红外辐射亮度光谱拟合模型为：

式中，n为洛伦兹单峰总数，f

步骤5：基于群优化算法和最小二乘法设计尾焰红外辐射亮度光谱拟合算法LS-SPSO；

所述拟合算法的目标函数为：

式中m为红外光谱中包含的波长点个数，e

步骤6：依据单一气体的红外光谱特征峰以及灰气体加权和模型WSGG实现红外辐射亮度光谱重叠波段单一气体的分离。

所述灰气体加权和模型WSGG中为：

式中，L′为混合气体辐射亮度，τ

步骤7：计算各单一气体红外辐射亮度光谱在尾焰红外辐射亮度光谱中的贡献度，依据贡献度判断尾焰红外辐射亮度光谱中是否含有该气体成分，实现尾焰红外辐射亮度光谱成分识别；

所述贡献度deg表示为：

式中m为m个红外辐射亮度光谱数据，L

采用上述技术方案所产生的有益效果在于：

本发明提供一种基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法，基于气体红外谱线叠加及红外光辐射原理，综合考虑了尾焰各组分单一气体的重叠波段分离、各组分在红外辐射亮度光谱中的贡献度，实现利用红外辐射亮度光谱高效识别红外辐射光谱成分。具体具备以下有益效果：

(1)直接使用红外辐射亮度光谱进行光谱成分识别，不再需要转换为其他红外光谱。

(2)实现红外辐射亮度光谱重叠波段组分的分离，能够有效在红外辐射亮度光谱重叠波段识别光谱成分。

附图说明

图1是本发明公开实施例提供的尾焰红外辐射亮度光谱成分识别方法流程图；

图2是本发明公开实施例提供的尾焰原始辐射亮度光谱；

图3是本发明公开实施例提供的预处理后尾焰辐射亮度光谱；

图4是本发明公开实施例提供的气体特征峰；

图5是本发明公开实施例提供的红外光谱谱线线型函数；

图6是本发明公开实施例提供的红外光谱谱线叠加示意；

图7是本发明公开实施例提供的红外辐射亮度光谱拟合结果；

图8是本发明公开实施例提供的WSGG模型拟合结果；

图9是本发明公开实施例提供的尾焰红外辐射亮度光谱分离结果对比。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

为直接使用红外辐射亮度光谱实现光谱成分识别，本实施方案提供了一种基于LS-SPSO-WSGG模型的尾焰红外辐射亮度光谱成分识别方法，如图1所示，包括如下步骤：

步骤1：使用FTIR光谱仪采集尾焰目标红外辐射亮度光谱；

傅立叶变换红外(FTIR)光谱仪是一种可用于测量排气系统红外辐射亮度的仪器,它的测量原理建立在对双光束干涉度量的基础上,并应用傅立叶变换实现光谱测量,相对于其它依据光的折射和衍射而设计的光谱仪具有多通道同时测量、高通量、高信噪比等优点,并且对于高精度的红外光谱测量而言,它几乎是目前唯一的选择。为方便后续光谱拟合，使用FTIR光谱仪测量尾焰目标的红外辐射亮度光谱，如图2所示。

步骤2：对红外辐射亮度光谱进行预处理，进行基线校正、滤波处理，降低测量误差对光谱成分识别的影响；

由于大气环境背景以及仪器自身状态的不断变化，会对测量得到的红外辐射亮度光谱造成一定程度的基线漂移，因此我们需要对光谱进行基线校正，这也是对光谱进行定性定量分析的关键步骤。对红外辐射亮度光谱数据的滤波等预处理方法，为定性识别分析方法建立统一的光谱数据格式并消除了不同光谱之间的差异性。结果如图3所示。

步骤3：提取单一气体的红外光谱特征峰；

提取尾焰可能存在组分的单一气体红外光谱谱峰，由于气体分子组成不同，每种气体都有独特的红外光谱谱峰，这些独属于某种气体的谱峰是运用红外光谱技术对其进行识别分析的基础。

为更好的采用分峰拟合方法获取光谱单峰特征，首先获取目标光谱的特征峰，然后根据该特征峰即可有效分离得到每种气体的拟合结果，进而判断目标尾焰中是否含有该气体；对光谱曲线取一阶导以获取极大值点，可有效获取目标光谱主要的特征峰。如图4所示。

步骤4：依据单一气体的红外光谱特征峰，基于气体红外辐射谱线特征以及Kirchhoff定律、普朗克黑体辐射定律，建立尾焰红外辐射亮度光谱拟合模型；

本实施例中首先基于Kirchhoff定律计算气体辐射亮度。

L＝εB＝αB

式中，α为吸收率，ε为发射率，L为气体样品的辐射亮度，B为相同温度下黑体的辐射亮度；

根据普朗克黑体辐射定律有，在绝对温度为T时理想黑体的辐射亮度表示为：

式中λ为黑体红外辐射的波长(μm)，c

与固体、液体的红外辐射和吸收在表面不同，气体的红外辐射和吸收在整个体积内进行。根据比尔朗伯定律，照射到气体层的热射线，辐射能量穿过气体层时，会被沿途的气体分子吸收而呈指数衰减，衰减程度与气体浓度和光程长度有关，气体对特定波长红外辐射的吸光度A(λ)如下式所示。

式中λ为红外光辐射的波长(μm)，I

吸光度具有线性叠加性，含有n种气体成分的混合气体的吸光度如下式所示。

式中n表示混合气体中气体组分数，A

气体吸光度谱线是由图5所示的线型函数叠加形成，叠加效果如图6所示。对于同一气体，在波长λ处，光谱吸收系数K

式中，

尾喷口处产生的燃气是高温高压气体，其压强远大于0.05atm，因此选择下式洛伦兹函数作为红外光谱谱线的线型函数。

式中，Δυ

在热平衡状态下，浓度为C的单一气体的波长处的辐射亮度单峰L

式中S(λ)为波长λ处的谱线强度，l为光程长度(cm)，c

所述尾焰红外辐射亮度光谱拟合模型为：

式中，n为洛伦兹单峰总数，f

步骤5：基于群优化算法和最小二乘法设计尾焰红外辐射亮度光谱拟合算法LS-SPSO；

为了使拟合光谱尽可能接近真实光谱，可以将该分峰拟合问题转化为下式的优化问题，即寻找最优拟合参数使拟合残差之和最小。

融合SO(Snake Optimization)算法和PSO(Particle Swarm Optimization)算法的优点提出了SPSO(Snake Particle Swarm Optimization)算法，并与最小二乘法相结合来解决式(11)的超参数拟合问题。SPSO算法借鉴了PSO算法通过当前搜索到的最优值进行信息共享和梯度下降法的思想更新粒子群搜索的方向和步长，借鉴SO算法在两组粒子群中共享最优结果，拟合结果如图7所示。

所述拟合算法的目标函数为：

式中m为红外光谱中包含的波长点个数，e

步骤6：依据单一气体的红外光谱特征峰以及灰气体加权和模型WSGG实现红外辐射亮度光谱重叠波段单一气体的分离。

所述灰气体加权和模型中为：

式中，L′为混合气体辐射亮度，τ

WSGG模型拟合结果如图8所示，红外辐射亮度光谱分离结果如图9所示。

步骤7：计算各单一气体红外辐射亮度光谱在尾焰红外辐射亮度光谱中的贡献度，依据贡献度判断尾焰红外辐射亮度光谱中是否含有该气体成分，实现尾焰红外辐射亮度光谱成分识别；

当对发动机尾焰红外辐射亮度光谱进行识别时，首先通过一阶导数谱获取的H

所述贡献度deg表示为：

式中m为m个红外辐射亮度光谱数据，L

其中混合气体样本数据如表1所示，识别结果如表2所示。

表1混合气体样本

表2识别结果

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。