辐射参数范文
辐射参数范文（精选5篇）
辐射参数 第1篇
光电开关, 是光电传感器中的一种类型. 通常它由一光电发射器与一个光电接收器组成, 也可由一光电发射器与两个光电接收器组成. 光电开关根据光的传递方式, 可分为传输型光电开关 (Transmissive Optical Switch) 和反射型光电开关 (Reflective Optical Switch) 两种. 传输型光电开关通常将发射器和接收器面对面放置, 光线通过外壳上宽度0.5～2 mm左右的缝隙由发射器传至接收器. 当有物体在发射器和接收器之间时, 光线被阻挡, 光电开关处于“关”的状态; 反之, 光电开关处于“开”的状态. 反射型光电开关中的发射器和接收器则成一定角度, 在有较高反射率的反射物存在时, 光电开关处于“开”的状态; 否则光电开关处于“关”的状态. 光电开关中的发射器一般采用红外发射器 (IRED) , 但也可采用可见光发射器, 即LED. 红外发射器所用半导体材料一般有两种, GaAs和AlGaAs. 前者的发光峰值波长为940 nm, 后者为880 nm[1]. 接收器则可采用光电二极管或光电三极管[2].
光电开关在汽车工业、工业自动化设备、办公设备、医疗设备以及光控玩具等行业有着广泛的应用[3,4,5].在不同应用场合, 对光电开关的要求也各不相同. 一般而言, 光电开关都需要满足发射器在一定驱动电流下, 接收器在一定工作电压下集电极电流在要求范围内. 外壳结构参数对投射到接收器的辐射强度, 进而对接收器集电极输出电流的大小有很大影响.如何选取这些参数是光电开关设计中的一个关键。文中对不同外壳结构参数下光电开关中发射器投射到目标区的辐射强度进行了数值计算, 以便进一步了解这些参数对光电开关输出的影响.
1 光电开关结构
设计的光电开关由一个发射器、一个接收器和一个塑料外壳组成. 红外发射器和接收器之间的距离为10 mm, 如图1所示. 塑料外壳用于固定发射器和接收器, 在发射器和接收器侧的塑料外壳分别有一0.5 mm宽的狭长间隙, 用于红外线的传输. 见图2.
2 射线追踪法及辐射强度计算
射线追踪法是一种基于随机方法Monte Carlo法的数值模拟方法. 光的能量可以认为是由许多光束所携带能量的总和. 对红外半导体晶片, 光子在PN结区产生, 通过晶片中的透明部分向四周辐射[6].通过在晶片表面随机发射相当数量光束, 可以模拟红外光或可见光的强度在空间的分布状况, 以及在不同情况下目标区域所接收到的光的能量.
以晶片顶部表面为例, 首先用两个随机数 (ξ1, ξ2) 确定随机点在顶部表面的位置为
光束由随机点在晶片顶部发出, 其空间方向则由另外2个随机数确定
φ角与β角的定义见图3. 设表面辐射满足兰贝特定律 (Lambert’s Cosine Law) , 平行于z轴方向光束的能量为1, 则与z轴方向成φ角的光束能量为cosφ; 由式 (2) 计算得到的随机角度φ只能保证在
其中方向余弦为
光束与透镜相交后, 在入射平面内以与透镜曲面法线方向成θ2角度的方向射出, 见图4, 然后再判断是否与目标区平面相交在目标区内. 折射角与入射角之间的关系满足折射定律, 又称Snell定律[7]
式中, n1, n2分别为入射光和折射光所在介质的折射率;θ1, θ2分别为入射角和折射角.
光束在透镜曲面的透射比按式 (5) 计算[8]
另外, 由于光束是从光密介质进入光疏的空气介质中, 如果光束的入射角θ1大于临界角θc, 则会产生全反射, 光束到达透镜曲面后不能射出, 而被反射回发射器内. 被反射回发射器内的光束有可能被吸收, 也可能通过一次或多次反射由透镜曲面射出. 由于这部分能量所占比例较小, 为简化计算而予以忽略.
计算过程中在{O′;
则坐标变换关系式为[9]
3 算例及计算结果与分析
文中用上述射线追踪法计算了一光电开关中外壳结构参数对红外发射器辐射强度的影响.首先计算了没有塑料外壳, 即红外发射器与接收器前均没有遮挡物的情况, 见图5. 透镜为半球形, 半径为0.82 mm, 材料为环氧树脂, 折射率为1.5, 临界角41.81°.空气折射率取1.0. 晶片尺寸0.250.250.23 mm, 目标区宽0.5 mm, 长1.65 mm, 也即接收器前外壳槽道缝隙的尺寸. 晶片底部通过银胶 (Silver Epoxy) 被固定于支架的杯体内. 杯体呈圆锥形, 内部反射率取0.92. 晶片顶部及杯体内部在打完金线 (Wire Bonding) 后, 填充并覆盖有硅胶 (Silicone Gel) , 其折射率与环氧树脂十分接近, 故也取为1.5. 计算表面包括晶片顶部和4个侧面的上半部分, 晶片的下半部分材料对光子具有吸收性.4个侧面的计算考虑了杯体内表面对光束的反射.
计算结果如图6所示.横坐标为目标区到透镜顶部的距离, 纵坐标为不同距离下投射到目标区的能量与距离为3 mm时投射到目标区能量的比值.随着目标区至透镜顶部距离的逐渐增加, 离开红外发射器到达目标区的能量逐渐减小, 即辐射强度逐渐减小.当距离比较小时, 投射到目标区能量的减小值相对较大.
发射器前有槽道缝隙时 (如图7所示) , 槽道缝隙宽度对投射到目标区的能量有影响.图7为在目标区与红外发射器间距离为10 mm时槽道缝隙宽度对投射到目标区的能量的影响.纵坐标为不同槽道缝隙宽度与0.5 mm槽道缝隙宽度时投射到目标区能量的比值.结果显示增加槽道缝隙的宽度可增加目标区的辐射强度, 尤其是当槽道缝隙比较窄的时候, 辐射强度的增加比较明显. 随着缝隙宽度的增加, 辐射强度的增加值逐渐减小.
最后计算了目标区前也存在槽道缝隙时的情况, 此时目标区的宽度与槽道缝隙宽度相同, 并随缝隙宽度的变化而变化, 如图9所示.这种情况与光电开关中投射到接收器前的红外辐射状况比较接近.计算结果见图10, 其中纵坐标为不同宽度与0.5 mm宽度时投射到目标区能量的比值.结果显示, 槽道缝隙及目标区宽度增加时, 投射到目标区的能量的增加十分明显.
4 结 论
文中采用基于Monte Carlo法的射线追踪技术, 对不同外壳结构参数下光电开关中发射器投射到目标区的辐射强度进行了计算. 随着目标区与发射器之间距离的增加, 辐射强度逐渐减小. 计算结果还显示了外壳槽道缝隙宽度对目标区辐射强度的影响. 随着槽道缝隙宽度的增加, 目标区的辐射强度也逐渐增大. 当槽道缝隙宽度增加到一定值后, 目标区辐射强度的增加逐渐趋缓. 计算结果有助于了解关电开关中的光学特性; 而且, 在此基础上有助于对光电开关设计过程中的一些结构参数如槽道缝隙的宽度及其厚度等进行合理选取.
摘要：采用射线追踪法, 计算了发射器与目标区不同距离时投射到目标区能量的变化, 随着距离的增加, 投射到目标区的能量逐渐减少;同时, 还计算了光电开关外壳上的槽道缝隙宽度以及目标区宽度变化时, 投射到目标区能量的变化.计算结果有助于了解关电开关中的光学特性;而且, 在此基础上也可为光电开关设计过程中的一些外壳设计参数的合理选取提供参考.
关键词：红外光电开关,光电开关设计,射线追踪法
参考文献
[1]张烽生, 龚全宝.光电子器件应用基础[M].北京:机械工业出版社, 1992:483-485.
[2]明海, 张国平, 谢建平.光电子技术[M].合肥:中国科学技术出版社, 1998:429-439.
[3]吴金宏, 张连中, 刘丽娜.光电开关及其应用[J].国外电子元器件, 2001 (5) :14-18.
[4]邓重一.光电开关原理及应用[J].传感器世界, 2003 (12) :19-22.
[5]全仲余, 舒朝君.光电开关的改进[J].机床电器, 2001 (6) :6-10.
[6]E Uiga.Optoelectronics[M].Prentice Hall, 1995:95-97.
[7]E Hecht.Optics[M].Addison Wesley Longman, Inc., 1998:100-101.
[8]颜峻, 王素彬, 于映.用蒙特卡洛方法模拟LED光源光分布[J].福州大学学报, 2003 (4) :413-416.
辐射参数 第2篇
阐述植被冠层内短波辐射传输模式研究在陆面过程及陆气相互研究中的重要性,全面地回顾有关冠层短波辐射传输模式的研究进展,结合目前在陆面过程领域具有代表性的.冠层短波辐射传输模式,指出当前在这一领域研究中存在并有待于解决的问题,探讨了未来的发展趋势.
作 者：周文艳 郭品文 罗勇 Zhou Wenyan Guo Pinwen Luo Yong 作者单位：周文艳,郭品文,Zhou Wenyan,Guo Pinwen(南京信息工程大学,南京,210044)
罗勇,Luo Yong(中国气象局国家气候中心气候研究开放实验室,北京,100081)
辐射参数 第3篇
人工细水雾在灭火、冷却、降温、除尘、干燥等诸多方面有着广泛的应用, 这些应用的物理基础主要是细水雾的流体特性和热特性, 而细水雾在红外辐射遮蔽衰减方面应用的物理基础则是光学特性, 其作用波段在红外区, 因此又称为红外辐射特性[1,2,3]。作为由大量粒径不一的雾滴组成的具有一定悬浮特性的气溶胶粒子系, 细水雾红外辐射特性主要包括三种光学系数κi (其中下标i代表消光“ext”、散射“sca”和吸收“abs”) , 散射相函数ϕ (θ) , 单次反照率ω和不对称因子g。国内外学者在该领域进行了大量研究, 其中, 哈尔滨工业大学的谈和平教授等在其著作中对粒子辐射特性有着详细的介绍[4], Borren和Huffman两位教授则阐述了完整的粒子电磁散射与吸收理论[5]。红外辐射特性参数的变化规律是研究细水雾灭火、降温、热遮蔽等问题的关键, Chylek[7]、Caldas[8]、Yang[9]、Hostikka[10]、Viskanta[11]、Tseng[12]等学者在Mie理论的基础上分别推导建立了细水雾红外辐射特性参数的快速计算方法;国内, 许波[13]、袁江涛[14]、王希影[15]、杜永成[16]等则在取得最佳消光效果的最佳细水雾粒径方面进行了优化研究。
综合国内外学者的研究成果发现, 虽然对细水雾红外辐射特性的计算理论已经比较成熟, 但对其特性变化规律的分析却不是很充分。本文即在Mie散射理论的基础上, 通过大量计算得出细水雾单个雾滴和雾滴气溶胶的红外辐射特性变化规律。
1 衰减系数变化规律
κλ, j是单位体积内所有雾滴光学截面σλ, j的宏观表现, 而σλ, j是单个雾滴效率因子Qλ, j与投影面积πr2的乘积。根据Mie散射理论, Qλ, j、σλ, j和κλ, j可分别表示为式 (1) - (3) [5,6]:
式 (1) - (3) 中, an、bn为Mie系数, 可由Mie氏理论计算;χ为尺度参数, 表示为:
式 (3) 中, Nd表示体积分数为fv的水产生的雾滴数, 表示为:
式 (5) 中, fv表示细水雾的体积分数;n (r) 表示服从对数正太分布的雾滴粒径概率密度函数。
计算式 (1) 中单个雾滴在波长为8μm时的效率因子 (如图1所示) , 以及式 (3) 中均值半径r0为50μm、对数标准偏差S为0.55、体积分数fv为1×10-4的细水雾在0.8~20μm波段的光谱衰减系数 (如图2所示) 。由图1可见, 单个雾滴的消光因子和散射因子都随雾滴粒径的增大呈现波动现象, 且存在一个峰值是其最大值;而吸收因子随粒径的增大呈现出的波动性要弱于消光因子和散射因子。同时, 三种光学效率因子都是随着粒径增大而趋于收敛, 消光因子趋于2, 而散射因子和吸收因子都收敛于1。图2则说明, 在该计算条件下, 消光系数随波长的变化不明显, 而散射系数和吸收系数近似以1/2的消光系数为轴呈近似对称关系。
2 散射相函数变化规律
ϕλ (θ) 是为了描述入射辐射的散射分量随散射天顶角θ的相对变化而定义的函数。单个雾滴的散射相函数定义为角散射截面αλ (r, θ) 与散射截面在4π空间的平均值σλ, sc a (r) /4π的比值[5,6]:
式 (6) 中角散射截面αλ (r, θ) 为[6]:
式 (7) 中S1 (θ) 、S2 (θ) 分别表示红外辐射“复振幅函数”的垂直分量和平行分量。因此单雾滴的散射相函数又可以表示为:
雾滴气溶胶的散射相函数ϕλ (θ) 则为单雾滴散射相函数对所有雾滴的加权叠加:
计算式 (6) 、 (8) 、 (9) 中单个雾滴在波长为8μm, 半径分别为10、50、100、300μm时的Mie散射相函数和式 (10) 中均值半径50μm、对数标准偏差0.55、体积分数1×10-4细水雾的平均散射相函数, 如图3和图4所示。由两图可见, 单个雾滴的散射相函数波动性非常明显, 而加权叠加计算的细水雾平均散射相函数则较为平滑。
3 单次反照率变化规律
单次反照率ωλ描述的是入射辐射被散射的能量占入射辐射总能量的比值, 单个雾滴的单次反照率ωλ (r) 定义为[5,6]:
雾滴气溶胶的单次反照率表示对所有雾滴单次反照率的加权叠加, 则可用衰减系数的比值表示:
由定义式 (12) 可知单次反照率ωλ为 (0, 1) 区间的值, ωλ越大说明散射作用越占优, 而ωλ越小则说明吸收作用越占优。
计算式 (11) 中单个雾滴在波长为8μm的单次反照率随雾滴半径的变化规律和式 (12) 中均值半径50μm、对数标准偏差0.55、体积分数1×10-4细水雾的平均单次反照率随波长的变化规律, 如图5和图6所示。由两图可见, 对于8μm波长, 单个雾滴的单次反照率随雾滴半径的增大呈现出波动性, 并趋向于定值0.5;而雾滴气溶胶的单次反照率随波长的增大也趋向于定值, 并接近0.5, 但总体上是呈现单调下降的趋势。
4 不对称因子变化规律
不对称因子gλ描述的是散射能量在前后向分布的不对称程度, 定义为μ=cosθ以角散射函数αλ (r, θ) 或相函数ϕλ (θ) 为权重的平均值。单个雾滴的不对称因子gλ (r) 为[5,6]:
由定义式可知, 因为-1≤μ≤1, 所以|gλ (r) |≤1;又由于一般情况下雾滴前向散射大于后向散射, 因此, 0≤gλ (r) ≤1。细水雾粒子系的不对称因子则根据式 (3) 和式 (10) 的计算方法获得:
计算式 (13) 中单个雾滴在波长为8μm的不对称因子随雾滴半径的变化规律和式 (14) 中均值半径50μm、对数标准偏差0.55、体积分数1×10-4细水雾的平均不对称因子随波长的变化规律, 如图7和图8所示。由两图可见, 对于8μm波长, 单个雾滴的不对称因子随雾滴半径的增大趋向于定值, 且接近于1;而细水雾的不对称因子随波长的增大无明显规律。对于该计算实例, 细水雾的不对称因子始终处于较大水平, 如图8所示, gλ大于0.85而小于1, 说明细水雾是前向散射占优的粒子系。
5 结论
采用Mie散射理论计算分析了单个雾滴和雾滴气溶胶在0.8~20μm波段内的红外辐射特性变化规律, 分析表明:
(1) 单个雾滴的光学效率因子都是随着粒径增大而趋于收敛, 消光因子趋于2, 散射因子和吸收因子都收敛于1;消光系数随波长的变化不明显, 而散射系数和吸收系数近似以1/2的消光系数为轴对称;
(2) 单个雾滴的散射相函数波动性非常明显, 而雾滴气溶胶的散射相函数则较为平滑;
(3) 单雾滴的不对称因子随雾滴粒径增大趋于0.5, 而雾滴气溶胶的不对称因子随波长的增大趋于0.5;
辐射参数 第4篇
关键词：辐射估算,as,bs,Rietveld模型,Liu模型,多元回归模型
0 引言
太阳总辐射Rs是地表蒸散发的主要能量来源。合理确定太阳总辐射, 是分析地表能量平衡关系, 评价参考作物蒸发蒸腾量ET0等相关水文气候变量的重要前提之一。目前国内外对计算Rs的方法已有很多研究。其中, Angstom公式是计算Rs最常用的方法[1,2,3,4,5]。而该公式的两个参数as和bs需要通过实测Rs数据进行地区率定, 但由于具有实测Rs的站点很少, 故通常难以获得as和bs的率定值。因此, 对于无辐射资料地区, 获得较为可靠的as和bs值是一个很重要的基础性问题。
基于上述问题, 国内外相关学者在世界不同地区进行了研究。国外Rietveld[6]等人提出了as和bs关于平均相对日照时数 (n/N) 的模型;Gopinathan[7]等人提出了as和bs关于海拔高度 (Z) 和平均相对日照时数 (n/N) 的方程。国内左大康[8]等人最早系统的研究了辐射的计算问题, 给出了适合全国使用的Angstom-Prescott公式系数。童宏良[9]、翁笃鸣[10]等人也相继提出了西北地区as和bs的取值。刘晓英[11]等人提出了as和bs关于平均温度 (T) 的模型。然而大多数研究仅仅给出了某一区域或全国范围内as和bs的取值范围, 而关于中国范围内as和bs估算模型的研究却较少。因此, 本文在收集全国范围内as和bs率定值的基础上, 通过分析as和bs率定值与经度、纬度、海拔、平均温度以及日照条件之间的关系, 建立as和bs参数的估算方法。
1 材料与方法
1.1 基本数据
本文收集了全国范围内具有as和bs率定值的100个气象站点 (具体地理位置如图1所示) 的数据 (来源于Chen, 2004年[12], 2006年[13];Lam, 2008年[14];Liu, 2012年[11]及其各个站点基本气象数据 (主要包括经度、纬度、海拔高度、平均温度、日照条件等) , 其中各站点as和bs率定值均根据站点实测Rs值和日照时数率定得到[11,12,13,14]。从中选取数据质量可靠、一致性较高的90个气象站点的数据资料进行建模, 其余10个站点进行模型验证。由于经度、纬度、海拔数据变化范围较大, 因此对经度和纬度数据进行归一化处理, 对海拔数据取以10为底对数。
1.2 相关分析与模型构建
鉴于as、bs值 (以及as+bs) 和基本气象数据之间的相互影响关系, 构建模型如下:
式中:as和bs为Angstr9m系数;φ、θ分别为经、纬度归一后数据;Z为海拔高度, m;T为平均温度, ℃;n/N为实际日照时间和相对日照时间的比值;考虑到全国范围内同时具有气象资料和辐射数据的站点较少, 故以收集到的100个气象站点的数据资料为依据进行建模与验证, 以其中90个站点数据资料为依据进行建模, 其余10个站点进行模型验证, 其中, 各气象变量变化范围如表1所示。通过多元线性回归得到参数a1、b1、c1、d1、e1、f1和a2、b2、c2、d2、e2、f2分别为:0.227、-0.053、-0.041、-0.050、-0.030、0.11和1.017、-0.147、-0.097、-0.014、-0.009、0.000 5 (其中回归模型1和2式的R分别为0.65、0.83) 。对各个站点分别采用式 (1) 、 (2) 计算as和as+bs, 然后计算bs。
此外, 为了验证本模型的精度, 与文献 (Rietveld, 1987年) [1]和 (Liu, 2012年) [9]中采用模型估算结果进行对比见下式:
Rietveld模型
Liu模型
式中:a、b、c、d和a′、b′、c′、d′、e′均为参数, 文献中的取值依次为0.10、0.24、0.38、0.08和4.3310-4、-0.012 6、0.628 9、-0.009 7、0.842 4;为了提高在本文所选站点中的普遍适用性, 对上述模型进行重新拟合, 通过计算所得参数依次为0.1、0.18、0.53、0.009 (本文回归模型3和4式的R值分别为0.57和0.14) 和7.1610-5、-0.003、0.58、-0.005、0.8 (本文回归模型5和式 (6) 的R值分别为0.17和0.59) 。
1.3 统计分析
计算通过回归模型得到的as、bs值与文献搜集到的率定值之间的误差。以绝对误差和平均相对误差为依据, 评价分析模型的可靠性。
2 结果与分析
2.1 影响因素
基于全国100个站点率定值及其相关气象数据为依据, 建立as和bs率定值与各影响因素之间的关系, 具体如表2所示。
由表2可知, as率定值与各影响因素之间的关系表现不一, 其中as率定值与n/N的相关性最强, 相关系数R=0.573, 其余相关性由高到低依次为海拔、经度和纬度, 其相关系数R分别为:0.518、0.421和0.338, 且显著性水平均到达P<0.05;其中as率定值与经度呈负相关关系, 其余均呈正相关。而由表2可知, 整体上, bs率定值与各影响因素之间的相关性均较低, 其中与海拔的相关性最强, 相关系数R仅为0.374, 显著性水平到达P<0.05;而与其余影响因素之间均无显著性水平。且bs率定值与海拔呈正相关关系, 而与经度、纬度和n/N均呈负相关关系。
2.2 模型率定与验证
基于上述回归模型为依托, 以全国90个气象站点数据资料为基础, 建立了as、bs率定值与模型模拟值之间的关系 (如图2所示) , 可以看出, 整体上, as模型模拟值与率定值之间的相关程度较高, 相关系数R=0.682 (P<0.05) ;而bs模型模拟值与率定值之间的相关程度则略低, 但相关系数R=0.485 (P<0.05) 。
此外, 为了检验回归模型的可靠性, 以绝对误差和相对误差作为判断依据进行分析, 见表3所示。可以看出, 整体上, 回归模型估算的as值与率定值之间的绝对误差变化范围为:0~0.09, 相对误差变化范围为:0.02%~33.71%;其中二者的绝对误差在湿润区最小, 在干旱区和半干旱半湿润区较大;而相对误差则在干旱区最小, 在半干旱半湿润区最大。回归模型估算的bs值与率定值之间绝对误差整体变化幅度较大, 其变化范围为:0~0.12, 而相对误差整体变化幅度则较小, 变化范围为:0.06%~18.78%;且二者之间的绝对误差在湿润区较小, 在半干旱半湿润区较大;而相对误差在湿润区最小, 在干旱区最大。由此, 可以得出, as、bs率定值与模型验证值之间的绝对误差在湿润区均较小, 在半干旱半湿润区略大。
另外, 针对10个率定站点, 本文对回归模型与Rietveld模型和Liu模型估算的as、bs值与率定值之间也进行了比较, 具体结果如图3所示。
由图3可以看出, 整体上, 本文回归模型估算的as值与率定值最为接近, Liu模型次之, Rietveld模型表现最差。而不同模型估算的bs值与率定值之间的关系具有相似的规律, 即回归模型表现最好, Liu模型次之, Rietveld模型表现最差。由表4可知, 整体上, 除酒泉、南阳和额济纳旗外, 回归模型估算的as值与率定值之间绝对误差和相对误差均小于Rietveld模型;且有50%的站点在使用回归模型中估算的as值与率定值之间的绝对误差和相对误差均小于Liu模型, 即回归模型和Liu模型估算as值具有相似的精度。此外, 除长春和酒泉外, 回归模型估算的bs值与率定值之间的绝对误差和相对误差均小于Rietveld模型;且回归模型和Liu模型估算的bs值与率定值之间的绝对误差和相对误差基本一致。故bs的回归模型中, 回归模型和Liu模型均具有较高的精度。
由表4可以看出, 回归模型估算的as值与率定值之间的绝对误差变化范围为0~0.04, 相对误差变化范围为1.52%~32.55%;Rietveld模型绝对误差和相对误差分别为0~0.05、1.34%~41.74%;Liu模型绝对误差和相对误差变化范围为0.01~0.02和3.74%~14.00%。而回归模型估算的bs值与率定值之间绝对误差和相对误差则分别为0~0.03和0.54%~5.86%。因此, 可以得出, 回归模型不仅能够给出可靠的as值和bs值, 而且考虑的因素比较全面。
此外, 由表4可以看出, 在半干旱半湿润区, 回归模型计算的as值与率定值之间的绝对误差和相对误差均较小, Rietveld模型绝对误差和相对误差均较大;而Liu模型计算的bs值与率定值之间绝对误差和相对误差均较小, 回归模型次之, Rietveld模型表现最差。在干旱区, Liu模型计算的as值与率定值之间的绝对误差和相对误差均较小, Rietveld模型次之, 回归模型表现较差;而Liu模型计算的bs值与率定值之间的绝对误差和相对误差均较小, 回归模型次之, Rietveld模型表现最差。在湿润区, Liu模型计算的as值与率定值之间的绝对误差和相对误差均较小, 回归模型次之, Rietveld模型表现较差;Liu模型计算的bs值与率定值之间的绝对误差和相对误差也均较小。
总之, 与Rietveld模型和Liu模型相比, 回归模型不仅为全国范围内估算as和bs值提供了一种较为可靠的手段, 特别是无实测资料地区;而且在估算as和bs时具有较高的精度;此外, 模型还考虑了经度、纬度、海拔等地理信息。因此, 回归模型的提出对于估算全国范围内各个站点的as和bs值具有重大意义。
3 结语
通过对全国100个气象站点as和bs率定值及其相关气象数据资料进行建模和验证, 得出主要结论如下:
(1) 在已有模型基础之上, 提出了一种既考虑了经度、纬度和海拔等地理信息又具有较高精度的as和bs回归估算模型。
(2) 回归模型估算的as值与率定值之间的绝对误差变化范围为:0~0.09, 而相对误差变化范围为:0.02%~33.71%;其中二者的绝对误差在湿润区域最小。而bs值与率定值之间绝对误差和相对误差变化范围分别为:0~0.12和0.06%~18.78%。
(3) 与Rietveld模型和Liu模型相比, 回归模型估算的as值与率定值最为接近, 并且估算的bs值与率定值之间的误差较小, 精度较高。
辐射参数 第5篇
在雷达辐射源目标类型识别基础上, 指挥员可以进一步获取目标的敌我属性、平台属性、威胁程度以及意图等情报, 进而进行作战决策, 制定作战计划, 采取防范措施, 对未来战事发展进行预测和判断。雷达辐射源目标类型识别是目标识别中的重要内容, 是进行辅助决策的一个必要条件。
然而, 随着传感器网络技术以及信息存储和处理技术的发展, 侦察情报的数据量呈以指数级别增长。在复杂的战场环境中, 指挥人员面临着“信息爆炸, 知识贫乏”的问题。例如, 指挥人员面对大量的情报信息, 仍然缺乏足够有效的手段及时获取目标类型识别相关知识, 不能有力支撑辅助决策。依靠人工从获取的海量雷达辐射源目标侦察数据中总结和归纳出目标类型识别规律不仅非常困难, 而且效率极低, 无法满足战场环境的实时需求。
目前自动识别采用的目标分类建模方法存在着两类主要问题: (1) 自适应问题, 无法根据目标侦察数据的变化及时对原有辐射源识别模型进行调整; (2) 报警缺陷问题[1,2]:样本多的辐射源类别识别准确率较高, 而样本少的辐射源类别识别准确率较低, 而样本最少的高危辐射源目标的识别能力最差。
1 相关工作
雷达辐射信号识别的理论研究起始于20世纪70年代, 按照技术发展的历程, 其研究大致可以分为三个阶段:特征参数匹配法、人工智能法和脉内特征法。第一个阶段采用的是特征参数匹配法。特征参数匹配法的主要特点是直接将测量得到的信号特征参数与数据库中的相应特征参数匹配, 进而识别出辐射源属性。第二个阶段采用的是人工智能法, 用以改善处理器的性能和提高识别准确率。该阶段从1985年开始, 其代表性方法有神经网络、专家系统、模糊逻辑和进化计算等。第三个阶段采用的是脉内特征法。上述三种雷达辐射源信号参数分析方法的主要不足在于缺乏增量式学习能力与灵活性, 无法有效识别高威胁级别的辐射源目标。
2 方法
针对雷达辐射源多类别识别任务, 本文提出一种“基于目标优先级的增量式雷达辐射源信号参数识别方法”。假设训练数据集Ω由m条雷达辐射源样本构成, 每个雷达辐射源样本s由n个连续型信号参数特征组成, x={x1, x2, …, xn}, 来自k个不同类别{c1, c2, …, ck}, k>2。样本s在特征i上的取值用xsi表示。原训练数据集Ω中, 类别j的辐射源样本集合用Ωj表示, j;类别j的辐射源样本数目用mj表示, mj=|Ωj|, , 其中1≤j≤k。新增雷达辐射源样本集合用ΔΩ=∪ΔΩj表示, 1≤j≤k。其中, ΔΩj表示第j类辐射源的新增样本集合。
两两不同辐射源类别构成了类别对, 共k (k-1) /2对。例如, 类别p与q构成类别对p-q。在“基于目标优先级的增量式雷达辐射源信号参数识别方法”中, 首先检验各特征区分类别对的能力, 并用一个上三角矩阵描述检验结果, 再根据目标优先级权值评估特征整体的类别对区分能力, 最后输出优化特征组合。如果特征f的类别对区分能力检验的对应P值在预先设定门限δ以内, 则称信号特征f可以区分该类别对。
“基于目标优先级的增量式雷达辐射源信号参数识别方法”主要由5个主要步骤组成, 其主要步骤如下:
2.1 改进的welch t检验
传统针对连续型信号特征的类别区分能力检验方法welch t检验假设数值是正态分布的。但是, 实际测量的雷达辐射源信号特征值分布未必满足先验假设, 因此本文改进了welch t检验, 增加了基于经验规则的正态分布检验 (normality test) 。
正态分布的数据落在离均值一个标准差范围的概率为68.2%, 落在离均值两个标准差范围内的概率为95.4%, 而落在离均值三个标准差范围内的概率为99.7%。该规则称为经验规则 (empirical rule) , 也称为68-95-99.7规则。基于经验规则可以得出结论:几乎所有的数值都落在离均值三个标准差范围内。
经验规则可用于粗略概率估计。针对各特征i在各类别j中的最大值maxv (i, j) 、最小值minv (i, j) 、均值mean (i, j) 和方差sd (i, j) , 计算出特征i类别j的最大值和最小值的正态分布概率
再进一步结合各类别样本数目Ωj, 计算出在正态分布的假设条件下该类别出现该最大值和最小值的期望个数Expected Numj:
如果计算得出的期望数目小于门限e-50, 则认为该连续型特征分布远远偏离正态分布, 不适合构建雷达辐射源分类模型。否则, 进一步对该连续型特征进行welch t检验以判断该特征的类别对区分能力。
针对类别对p-q, 特征i的welch t检验统计值按照下式计算t统计:
式 (3) 中, 分别表示特征i在类别p和q样本的均值, s2pi和s2qi分别表示类别i和j样本的方差, mp和mq分别表示类别p和q的雷达辐射源样本数目。对应的自由度vpqi根据下式估计:
在此基础上, 基于t分布计算统计值tpqi对应的P值, 用PValpqi表示。如果P值小于等于门限0.05, 则说明特征i是可以区分类别对p-q的。
2.2 类别对区分能力描述
为了避免传统特征分析方法存在的类别区分能力不均衡问题[3—6], 本文采用一个上三角类别对集合矩阵M来描述各特征能够区分的类别对。为了提高小样本雷达辐射源类别的识别能力, 如高威胁级别雷达辐射源识别, 各辐射源类别j均被赋予一个优先级权值wj, 满足, 威胁级别越高权值越大, 反之权值越低。上三角矩阵的每一行和每一列分别对应一个类别, 分别用类别p、q表示。则矩阵单元M (p, q, i) 表示特征i区分类别对p-q的能力, 其值计算如下:
满足条件时, δ函数的输出为1, 否则为0。M (p, q, i) >0表示特征i能够区分类别对p-q, 而M (p, q, i) =0表示特征i不能够区分类别对p-q。
特征i的综合类别对识别能力可用MScore (i) 表示, 即量化为特征i上三角矩阵中所有元素之和:
相比传统特征加权方法[7—10], 基于MScore能够比较各特征区分所有类别对的综合识别能力, 并优先出选择高危雷达辐射源类别综合识别能力强的特征。并用Sum Pi表示该信号参数特征在所有类别对检验中P值的总和, 即。
2.3 特征组合优选
所谓特征组合优选指的是:k (k-1) /2个不同辐射源类别对中, 任一类别对的区分特征均存在, 除非区分该类别对的特征不存在, 且减少任一特征, 上述条件就不再满足。特征组合优选避免了“报警缺陷”问题。
首先将各特征i按照MScore (i) 值从大到小排序;其次按照Sum Pi值从小到大排序。该特征排序结果记为ORD, 反映了特征综合类别对识别能力强弱。特征越靠前其综合类别对识别能力越强。
初始化“待区分的类别对集合”CS为所有k (k-1) /2个类别对。第一个选取的特征f1为CS上MScore最大的特征, 即。将f1所区分的类别对从CS中除去。类似地, 第二个选取的特征f2为更新CS上MScore最大的特征。同样地, 将f2所能区分的类别对从CS除去。上述过程迭代式进行, 直至所有类别对都可以区分了 (此时CS为空) , 或者无特征可选了。
2.4 灰关联分析
在灰关联分析中, 为了避免协方差对灰色关联度系数的影响, 本文对测试样本y在各特征i和各类别j上的特征差异Δj (i) 进行了规范化处理, 1≤j≤k, 1≤i≤n, 如下所示:
式 (7) 中, y (i) 是测试样本y的特征i取值, 对应特征i、类别j的目标类别参数模板参考值。
灰关联系数γj (i) 表示测试样本y在特征i与类别j的隶属度, 计算过程如下:
式 (8) 中, ρ为分辨系数, 通常取值为0.5。如此, 得到灰关联系数矩阵。隶属度最高的类别将被判断为测试样本y的类别。其他隶属度分析还有Mahalanobis距离[15]等。
2.5 基于特征描述模型的增量式学习
特征描述模型是基于目标优先级的增量式雷达辐射源信号参数识别方法的基础, 具体包括“特征-类别和矩阵”与“特征-类别平方和矩阵”, 定义如下。
定义1
特征-类别和矩阵
特征-类别和矩阵项Σ (i, j) 为特征i (1≤i≤n) 在所有类别j (1≤j≤k) 样本上取值的总和, 即。
定义2
特征-类别平方和矩阵[Σ2 (i, j) ]n×k
特征-类别平方和矩阵项Σ2 (i, j) 为特征i (1≤i≤n) 在所有类别j (1≤j≤k) 样本上取值的平方和, 即。
定义3
特征-类别最小值矩阵[minv (i, j) ]n×k与最大值矩阵[maxv (i, j) ]n×k
特征-类别最小值矩阵项minv (i, j) 为特征i在类别j的最小值, 特征-类别最大值矩阵项maxv (i, j) 为特征i在类别j的最大值。
不难看出, 式 (1) 、式 (2) 可以直接根据特征-类别最小、大值矩阵计算;式 (3) 中的、式 (7) 中特征i类别j的目标类别参数模板均可由特征-类别和矩阵计算:
式 (4) 中各特征i各类别j的标准差可由特征-类别和矩阵、特征-类别平方和矩阵推导:
式 (5) 中的M (p, q, i) , 公式 (6) 中的MScore (i) 都可以追溯和分解到特征描述模型。
因此, 整个识别方法的增量式学习就转化为特征描述模型的增量式学习。针对类别j新增雷达辐射源样本ΔΩj, 特征描述模型的增量式学习过程如下:
传统决策树、神经网络与SVM的计算成本高昂, 且输出结果受样本先后顺序的影响[11—13], 而本文的灰关联分析方法不受样本先后顺序的影响。事实上, 灰关联分析方法已用于低分辨率雷达目标类别识别[14]。
3 仿真实验
根据六类雷达辐射源的真实数据计算得出每类辐射源的信号参数特征分布范围、均值、方差。以此为依据, 仿真了相应六类雷达辐射源数据, 共9 000条。每条仿真数据的辐射源信号参数包括射频最小值、射频最大值、重复间隔最小值、重复间隔最大值、脉宽最小值与脉宽最大值等。
六类雷达辐射源具体包括3类火控机载雷达辐射源 (A1, A2与A3) 、1类运输机载雷达辐射源 (B1) 与2类地面雷达辐射源 (C1与C2) 。其中, 火控雷达辐射源 (A1, A2与A3) 威胁级别最高, 但是其仿真数据较少, 其他3类辐射源威胁级别较低, 而仿真数据较多。六类雷达辐射源的仿真数据数目、威胁级别以及目标优先级权数如表1所示。
(1) 识别效果评估。
在辐射源信号参数识别效果评估中, 随机地从六类雷达辐射源中各抽取2/3的仿真数据构成训练样本集合, 剩下1/3作为测试数据。该随机抽样过程分10次进行。本文用真阳率 (true positive rate) , 即测试数据各类别中被准确识别类别的测试数据数目占该类别总测试数据数目的比例, 来评估各类别雷达辐射源的识别准确率, 即
本文辐射源信号参数识别方法和传统神经网络、SVM方法的识别结果对比如表2所示。
不难看出, 神经网络和SVM在GD53雷达上的识别真阳率很低, 出现了报警缺陷问题。例如, 神经网络在类别A1的识别正阳率很低, SVM在类别A1、A3的识别正阳率很低。相比之下, 本文基于目标优先级权数, 在六类雷达辐射源识别中识别真阳率比较平均, 避免了报警缺陷问题, 取得了较高的真阳率均值。
(2) 自适应学习能力评估。
为了验证本文方法的增量式学习能力, 设计了三组试验, 每组实验分4次分别随机选取1500条仿真数据, 以验证训练数据递增情况下雷达辐射源目标识别模型的增量式学习过程。
权值是对信号特征类别区分能力的量化评估。在三组试验中, 脉宽最小值、脉宽最大值等两种信号参数特征的类别区分能力相对其他四种信号特征较弱, 其权值一直为零。而另外四种信号参数特征———射频最小值、射频最大值、重复间隔最小值和重复间隔最大值的类别区分能力较强, 其权值经过动态优化调整最终稳定。其中, 射频最小值和重复间隔最小值被认为是类别区分能力最强的信号特征, 因此被选为构建最终识别模型的特征。三组试验中射频最小值、射频最大值、重复间隔最小值和重复间隔最大值等四个特征的权值变化如图2所示。
针对同一雷达辐射源训练数据, 无论采取何种样本输入顺序, 不仅选择的信号特征、权值是相同的, 最终构建的雷达辐射源目标识别模型也是相同的。因此, 本文提出的基于目标优先级的增量式雷达辐射源信号参数识别方法具有稳定的自适应学习能力。
4 总结
本文提出了一种基于目标优先级的增量式雷达辐射源信号参数识别方法, 能够随着雷达辐射源侦察数据的变化及时对原有辐射源识别模型进行动态调整与优化, 具有增量式学习能力。同时, 通过基于目标优先级加权, 能够大大增强样本数目较小的高威胁级别雷达辐射源的识别能力。仿真实验验证了本文方法的有效性, 具有广阔的应用推广前景。
摘要：陆、海、空的战场侦察、监视、定位和跟踪等应用领域产生了海量、动态增加的雷达辐射源信号参数侦察数据。传统雷达辐射源信号参数分析方法无法高效利用新侦察数据, 以提高雷达辐射源识别能力, 特别是难以应对高威胁级别的辐射源目标的识别。提出一种基于目标优先级别的增量式雷达辐射源信号参数分析方法, 能够有效针对新辐射源信号参数侦察数据进行增量式学习, 大大提高高威胁雷达辐射源目标的识别能力。仿真实验证实了该方法的有效性。
辐射参数范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
