一种非均匀流场积分吸光度的计算方法和系统技术方案

本发明专利技术公开了一种非均匀流场积分吸光度的计算方法及系统，方法包括步骤1、获取利用仿真系统在固定光线、不同流场模型下产生的吸收光谱第一积分吸光度和第一谐波信号；步骤2、通过确定单隐层前馈神经网络，选择极限学习机算法，构建积分吸光度与谐波信号的回归模型；步骤3、确定利用吸收光谱法测量仿真非均匀流场时，吸收谱线的第二谐波信号；步骤4、输入第二谐波信号，利用回归模型，实现被测非均匀流场第二积分吸光度的求解。第二积分吸光度的求解。第二积分吸光度的求解。

【技术实现步骤摘要】
一种非均匀流场积分吸光度的计算方法和系统


[0001]本申请涉及一种非均匀流场积分吸光度的计算方法和系统，属于燃烧场二维重建


技术介绍

[0002]中国专利技术专利申请CN112255186A公开了一种非均匀流场积分吸光度的计算方法及系统，该方法包括步骤1、获取利用吸收光谱法测量实际的非均匀流场时，吸收谱线的第一谐波信号；步骤2、确定利用吸收光谱法测量仿真流场的仿真系统中，吸收谱线的第二谐波信号，其中仿真流场为利用设定的初始参数建立的非均匀流场；步骤3、计算第一谐波信号和第二谐波信号的偏差，结合偏差确定实际的非均匀流场的积分吸光度。本专利技术可以实现对非均匀流场积分吸光度的求解，可以用于燃烧场参数的二维重建测量。
[0003]该技术核心是计算第一谐波信号与第二谐波信号的偏差，结合偏差利用模拟退火算法确定实际的非均匀流场每条光线的积分吸光度；该方法克服了直接吸收方法计算积分吸光度的缺点，但该申请是以2阶伏赫特线型开展研究，并将两个线型的权重系数设为相等来进一步简化，即，将一个非均匀流场的伏赫特线型表示为两个相同的均匀流场的伏赫特线型之和，对于其他非特殊情况的伏赫特线型表示方法的实验结果则无从验证；且由于模拟退火算法迭代寻找最优解的解算原理导致光线解算对应的积分吸光度的速度较慢，经过仿真验证发现每条光线经过同一非均匀流场后，利用该方法处理探测器采集的数据解算积分吸光度需要约23min，这相较于最初的直接吸收方法获取积分吸光度，时间太长，效率低，尤其是对于光线数为几十条甚至上百条的测量环的数据处理，解算时间之长，效率之低，无法为二维重建提高有效的数据支持。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中存在的对于光线数为几十条甚至上百条的测量环的数据处理，解算时间之长，效率之低，无法为二维重建提高有效的数据支持的不足之处，而提出一种非均匀流场积分吸光度的计算方法和系统，以实现在波长调制光谱中的积分吸光度的快速测量，以及燃烧流场二维重建的快速有效实现。
[0005]本专利技术提出的一种积分吸光度解算积分吸光度的新方法，仍然引入抗噪声性能好的波长调制技术，将谐波信号与积分吸光度建立直接的联系，利用机器学习中神经网络可以逼近真值的特性，选择极限学习机算法构建神经网络，输入训练集开展网络训练，耗时仅为秒量级即可完成训练，而后输入谐波信号即可实现积分吸光度的预测，执行完成训练和预测这一模块下来耗时也仅是秒量级。相比较现在使用的方法执行效率大大提高，甚至可以实现在线预测，为二维重建提供了有力的数据支持。
[0006]本专利技术的技术方案：
[0007]本专利技术提供了一种非均匀流场积分吸光度的计算方法，包括：
[0008]步骤1、获取利用仿真系统在固定光线、不同流场模型下产生的吸收光谱第一积分
吸光度和第一谐波信号；
[0009]步骤2、通过确定单隐层前馈神经网络，选择极限学习机算法，构造第一积分吸光度与第一谐波信号的回归模型；
[0010]步骤3、确定利用吸收光谱法测量仿真非均匀流场时，吸收谱线的第二谐波信号；
[0011]步骤4、输入第二谐波信号，利用回归模型，实现非均匀流场的第二积分吸光度的求解。
[0012]优选地，所述步骤1，具体为：
[0013]随机生成大量流场模型，计算光线经过流场的第一积分吸光度、透射系数，结合参考光强得到透射光强信号，解调透射光强，确定吸收谱线的第一谐波信号。
[0014]优选地，所述步骤2，具体为：
[0015]步骤2.1、步骤1仿真生成的数据集作为训练集，其中第一谐波信号作为训练数据，第一积分吸光度信号是训练数据对应标签，在神经网络中作为输出值；
[0016]步骤2.2、依据算法的特性确定网络中隐藏层输入权重、偏置以及激活函数，再根据训练数据确定隐藏层节点数目，从而确定隐藏层输出矩阵；其中输入权重和偏置是在一定范围内随机确定的；
[0017]步骤2.3、结合隐藏层输出矩阵和网络输出权重，计算训练数据输入单隐藏层前馈神经网络ELM的预测输出值；
[0018]步骤2.4、目标函数为网络预测输出与训练集数据标签的偏差，最小化目标函数时的输出权重值即为最优解，从而推导出输出权重最优解表达式。
[0019]优选地，所述步骤2.2具体为：
[0020]步骤2.2.1、随机产生隐藏层输入权重和输入偏置；
[0021]步骤2.2.2、利用第一公式计算隐藏层节点的输出值，所述第一公式为：
[0022]h
i
(x)＝g(x,w
i
,b)＝g(w
i
x+b),w
i
∈R
D
,b∈R
[0023]式中，x为训练数据，这里代表第一谐波信号，w
i
为隐藏层输入权重(i为隐藏层节点编号)，b为隐藏层输入偏置，g为激活函数。
[0024]步骤2.2.3、利用第二公式表示隐藏层输出矩阵，所述第二公式为：
[0025]H(x)＝[h1(x),
…
,h
L
(x)][0026]式中，h(x)为隐藏层节点，L为隐藏层节点数。
[0027]优选地，所述步骤2.3具体为：
[0028]利用第三公式计算单隐层前馈神经网络ELM的输出，所述第三公式为：
[0029][0030]式中，H(x)表示隐藏层输出矩阵，β表示隐藏层与输出层之间的网络输出权重。
[0031]优选地，所述步骤2.4具体为：
[0032]步骤2.4.1、利用第四公式计算最小化近似平方差的方法对连接隐藏层和输出层的权重β进行求解，所述第四公式为：
[0033]min||Hβ
‑
T||2,β∈R
L
×
M
[0034]式中，T为训练数据对应标签，这里代表第一积分吸光度，M为输出标签个数。
[0035]步骤2.4.2、利用第五公式确定网络输出权重表达式，所述第五公式为：
[0036]β
*
＝H
*
T
[0037]式中，H
*
是矩阵H的Moore
‑
Penrose广义逆矩阵。
[0038]优选地，所述步骤4具体为：
[0039]结合隐层输入权重、偏置及网络输出权重，输入仿真非均匀流场的第二谐波信号，计算获得仿真非均匀流场的第二积分吸光度。
[0040]优选地，所述步骤1和步骤3中仿真流场参数确定，具体为：
[0041]步骤1.1、利用第六公式计算吸收光谱的吸收系数，所述第六公式为：
[0042][0043]式中，P为仿真流场的压强，S为吸收谱线强度，T为仿真流场的温度，φ(ν)为所述吸收谱线的频率v的伏赫特线型函数，χ为仿真流场的组分浓度，l为光视线方向的坐标。
[0044]步骤1.2、利用第七公式计算吸收光谱的积分吸光度，所述第七公式为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非均匀流场积分吸光度的计算方法，其特征在于，该计算方法包括以下步骤：步骤1、获取利用仿真系统在固定光线、不同流场模型下产生的吸收光谱第一积分吸光度和第一谐波信号；步骤2、通过确定单隐层前馈神经网络，选择极限学习机算法，构造积分吸光度与谐波信号的回归模型；步骤3、确定利用吸收光谱法测量仿真非均匀流场时，吸收谱线的第二谐波信号；步骤4、输入第二谐波信号，利用回归模型，实现被测非均匀流场的第二积分吸光度的求解。2.按照权利要求1所述的非均匀流场积分吸光度计算方法，其特征在于，所述步骤1，具体为：随机生成大量流场模型，计算光线经过流场的第一积分吸光度、透射系数，结合参考光强得到透射光强信号，解调透射光强，确定吸收谱线的第一谐波信号。3.按照权利要求2所述的非均匀流场积分吸光度计算方法，其特征在于，所述步骤2，具体为：步骤2.1、步骤1仿真系统生成的数据集作为训练集，其中第一谐波信号作为训练数据，第一积分吸光度信号是训练数据对应标签，在神经网络中作为输出值；步骤2.2、依据算法的特性确定网络隐藏层输入权重、偏置以及激活函数，再根据训练数据确定隐藏层节点数目，从而确定隐藏层输出矩阵；步骤2.3、结合隐藏层输出矩阵和网络输出权重，计算训练数据输入单隐藏层前馈神经网络ELM的预测输出值；步骤2.4、目标函数为网络预测输出与训练集数据标签的偏差，最小化目标函数时的输出权重值即为最优解，从而推导出输出权重最优解表达式。4.根据权利要求3所述的非均匀流场积分吸光度的计算方法，其特征在于，所述步骤2.2具体为：步骤2.2.1、随机产生隐藏层输入权重和输入偏置；步骤2.2.2、利用第一公式计算隐藏层节点的输出，所述第一公式为：h
i
(x)＝g(x,w
i
,b)＝g(w
i
x+b),w
i
∈R
D
,b∈R式中，x为输入训练数据，这里代表第一谐波信号，w
i
为隐藏层输入权重(i为隐藏层节点编号)，b为隐藏层输入偏置，g为激活函数。步骤2.2.3、利用第二公式表示隐藏层输出矩阵，所述第二公式为：H(x)＝[h1(x),
…
,h
L
(x)]式中，h(x)为隐藏层节点，L为隐藏层节点数。5.根据权利要求4所述的非均匀流场积分吸光度的计算方法，其特征在于，所述步骤2.3具体为：利用第三公式计算单隐层前馈神经网络ELM的输出，所述第三公式为：式中，H(x)表示隐藏层输出矩阵，β表示隐藏层与输出层之间的网络输出权重。6.根据权利要求5所述的非均匀流场积分吸光度的计算方法，其特征在于，所述步骤
2.4具体为：步骤2.4.1、利用第四公式计算最小化近似平方差的方法对连接隐藏层和输出层的权重β进行求解，所述第四公式为：min||Hβ
‑
T||2,β∈...

【专利技术属性】
技术研发人员：宋俊玲，饶伟，姜雅晶，冯高平，王殿恺，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：