谱特征参数范文
谱特征参数范文（精选5篇）
谱特征参数 第1篇
瑞利布里渊散射(Rayleigh Brillouin Scattering, RBS)雷达系统能够测量介质特性,如温度,声速等[1,2,3,4,5],因而在海洋和大气遥感监测中得到广泛应用和研究。在该系统中,F-P标准具结合增强型电荷耦合器件(ICCD)[6]的散射回波信号接收方式能够在短时间内得到完整回波信号谱。该方式获得的后向散射信号表现为二维干涉圆环图样,从中提取到的干涉谱能用于提取RBS频谱并测量布里渊频移和线宽等频谱特征参数,进而用于反演海洋特性[7]。传统的测量布里渊频移和线宽的方法只是简单地用洛仑兹函数拟合干涉谱,该方法仅可以得到数十MHz的测量精度[6,8],对应到温度的测量精度大于0.5℃,例如K.Schorstein等[9]实现海水温度测量精度约0.6℃。而对于一些高精度测量应用,如厄尔尼诺、拉尼娜现象预测以及次表层海水温度的垂直分布检测和研究等,传统的测量方法很难满足这些应用需求。
谱特征参数的测量精度主要受到频谱分辨力和拟合精度的限制。我们以前的工作给出了一系列的数据处理流程,能够将频谱分辨力有效地提高到MHz量级[10]。然而,仅提高频谱分辨力并不能保证MHz量级的谱特征参数的测量精度,测量精度还受到拟合精度的限制。本文的目的就是研究和寻找合适的拟合方法来提高拟合精度,得到高精度的谱特征参数,实现高精度的海水温度测量。
1理论分析
海水的布里渊散射光平行进入F-P标准具后会发生干涉现象。出射的干涉光由ICCD接收并显示为2D的干涉圆环图,图像中每个像素的强度Irec可以表示为布里渊散射光谱I(v)与F-P标准具的器件函数SAiry(v,r)的积分[3]:
其中:r为图像中每个像素到干涉圆环中心的距离,v为散射光的频率。对于海水的瑞利布里渊散射来说,I(v)主要表现为洛仑兹线型[8]:
其中:I0为RBS谱的峰值,vB为布里渊频移,ГB为布里渊线宽。F-P标准具的器件函数SAiry(v, r)能够由下式表示:
式中:μ为F-P标准具腔体介质的折射率,d为F-P标准具的腔长,FR=πR1/2/(1-R)为F-P标准具的精细度,R为F-P标准具的表面反射率,c为真空中的光速,f为F-P标准具后面的聚焦透镜的焦距。
传统的测量方法将从干涉环中提取出的干涉谱直接当作RBS频谱,通过拟合干涉谱得到峰值、半高点等重要点位置,而谱特征参数:布里渊频移vB和线宽ГB,可以通过它们和F-P标准具的自由光谱范围(Free spectral range,FSR)之间的理论关系计算得出[6,8]。然而,这种方法忽略了F-P标准具的器件函数对RBS谱的展宽影响,由其测量布里渊频谱特征参数会产生误差[11]。为了避免该误差,提高测量精度,我们选择在拟合干涉谱时考虑器件函数SAiry(v,r)对RBS的影响,直接利用式(1)到式(3)得到新拟合模型,如下所示:
该方法可以通过最小二乘误差拟合反演得到RBS频谱I,精确地获取频谱特征参数。在拟合过程中,由于列文伯格马夸特(Levenberg-Marquardt,L-M)算法[12]有广泛收敛域,可以显著提高在二维空间找到最优解的可能,同时其快速收敛特性可以明显减少搜索时间,也能够避免积分的高复杂度计算导致拟合耗时过长的问题,所以选择L-M算法作为拟合算法。L-M算法需要设置的参数一般包括待拟合向量初始值、终止迭代的阈值和最大迭代次数。初始值向量β((vB,ГB)T)理论上可以设置为任意值。然而,由于L-M算法的局部收敛特性以及拟合中可能存在多个局部最优解的问题,初始值设置不当可能使拟合收敛结果偏离真实值。因此在拟合前需要进行初始值选择,设置合适的初始值。
已有的工作[6,8]已提供了合适的布里渊频移线宽初始值选择方法。在选取了布里渊频移和线宽初始值后,我们能够确定一个尽可能靠近真实值的搜索起始点,从而将一个二维空间无限制的全局搜索转为在真实值附近的局部搜索。然而,这种方法选取的初始值虽然能够靠近真实值,但是仍然存在误差,而这段误差内是否存在其他的多值解仍然需要确定。为了验证该拟合过程中是否存在多值解的可能,我们将这两个待拟合参数的初始值的搜索范围分别扩展到两个区间。为了确保该区间将频移线宽真实值包含在内,搜索区间大小是根据ICCD对频谱分辨力的限制来确定的。该分辨力代表频谱参数测量不确定度的最大值,即一个像素对应大约100 MHz的最大测量不确定度[10]。通过遍历该不确定度区间作为初始值进行拟合的情况,可以检验是否存在多个局部收敛区间,验证是否存在多值解问题。
在确定了L-M算法中初始值、阈值、最大迭代次数等参数之后,采用双参数L-M算法拟合的方法理论上能够找到布里渊频移和线宽的最优解。下一节中,我们将首先通过L-M算法拟合得到的布里渊频移和线宽,然后分别用频移和线宽反演温度,通过比较二者反演得到的温度值,确定该拟合方法的精度。
2实验分析
2.1双参数拟合分析
图1(a)为水下RBS实验中激光雷达系统[10]通过ICCD获得的二维干涉圆环图像,经过对该二维图像进行“数据折叠”和去噪[10],提取出一维干涉谱,如图1(b)所示。
图 1 (a) 从水下 RBS 实验得到的干涉图;(b) 从图(a)中提取出的一维干涉谱 Fig.1 (a) Interference pattern acquired from the underwater RBS experiment;(b) The extracted 1D interference spectrum
我们首先采用传统方法[6,8]测量布里渊频移和线宽,并反演温度[7],结果如表1所示。其中Tv和TГ分别是通过布里渊频移和线宽反演的温度,ΔT是两者误差, 测量不确定度按照曲线拟合误差95%的置信区间计算得出。
从表1可以看出传统方法的拟合误差ΔT为0.46℃,对应布里渊频移和线宽的误差分别为10 MHz和33 MHz,而这样的测量精度无法满足高精度测量应用的需求。该拟合误差是根据同一频谱上测得的布里渊频移和线宽应该反演得到相同的温度给出的,两温度的差值被看作拟合误差。传统测量方法在拟合时忽略了F-P标准具对RBS谱的展宽影响,将得到的干涉谱当作RBS谱进行处理,导致拟合误差较大。所以我们需要使用式(4)所示的新拟合模型,考虑并去除器件函数的展宽影响,进而提高测量精度。
在实验中,拟合过程中使用L-M算法进行拟合时,考虑到MHz量级的测量精度,迭代步长的阈值设置为0.1 MHz,拟合误差阈值设置为干涉谱强度的0.1%,最大迭代次数设置为2 000。通过如前述的布里渊频移和线宽的初始值计算方法,我们能够从图2中计算得到布里渊频移vB和线宽ГB分别为7.200 GHz和1.093 GHz。考虑到频谱分辨力和器件函数引起的最大测量误差[10],初始值测试不确定度区间大小设置为100 MHz。图2显示了在该二维初始值区间不同初始值设置时拟合测得的布里渊频移和线宽。
从图2中可以看出布里渊频移稳定在7.198 GHz和7.199 GHz之间,线宽在1.081 GHz和1.092 GHz之间略有浮动。通过测得的频移和线宽数据反演温度[7],布里渊频移反演的温度是6.74℃~6.79℃,线宽反演的温度是6.80℃~6.98℃,最大测量误差约为0.2℃,对应布里渊频移和线宽的误差分别为4 MHz和9 MHz。与表1中的传统方法的测量精度相比,该方法的谱特征参数测量精度已经显著提高,达到MHz量级。同时,整个初始值不确定度区间得到的拟合结果基本都收敛到同一个点,表明整个初始值不确定度区间只存在一个唯一的最优解。由此可以看出,我们初始值的选取方法能够有效地框定最优解所在的局部区间,将一个全局的搜索问题转化为一个局部的搜索问题,从而保证布里渊频移和线宽能够迅速搜索到最优解,并且能够保证MHz量级的测量精度。
图 2 (a) 不同的初始值测得的布里渊频移; (b) 不同的初始值测得的布里渊线宽 Fig.2 (a) Brillouin shift measured by different initial values; (b) Brillouin shift measured by different initial values
进一步地,我们也发现线宽的测量结果会随初始值的不同发生较大的浮动。与1 MHz的频移浮动大小相比,线宽的浮动达到了±6 MHz。经过分析发现,这是由于频移和线宽的变化对拟合的二乘误差有着不同量级的影响以及迭代次数不够所造成的。拟合二乘误差对于频移变化更敏感,导致双参数拟合中可以很快接近频移最优解,而线宽拟合收敛较慢,同时容易受到频移拟合的影响,所以呈现出频移拟合结果很稳定而线宽拟合结果有小幅浮动的现象。为了解决这个问题,一个最直接的方法是增加最大迭代次数,使线宽拟合结果收敛。然而若最大迭代次数设置太大,拟合会消耗太多时间。并且,针对不同的测量数据来说,我们在拟合前无法预知所需的最大迭代次数。因此,简单地增加最大迭代次数并不是一个好的提高线宽测量结果稳定程度的方法,我们采用另一种方法来进行改进。
2.2单双参数拟合过程的分析
从图2可以看出,布里渊频移的测量值已经稳定在7.198 GHz?7.199 GHz。因此,另一种可行的方法是针对线宽补充一个单参数拟合过程。该单参数拟合过程设定频移为固定值,只考虑线宽的寻找过程,因而能够有效地避免频移拟合对线宽拟合的影响。具体地,在针对线宽的单参数拟合中,我们将布里渊频移分别设定为7.198 GH和7.199 GHz,以验证线宽结果的稳定性以及频移浮动对线宽测量的影响。经过该处理,布里渊频移值设定为7.198 GHz时,单参数拟合中不同的线宽初始值设置得到的布里渊线宽值均稳定在1.092 GHz;而布里渊频移值设定为7.199 GHz时,布里渊线宽值稳定在1.091 GHz。可以看出,在采用了针对布里渊线宽的单参数拟合后,线宽都能够得到稳定的收敛,测量精度得到提高。这说明采用双参数拟合结合单参数拟合的方法能够有效地使频移和线宽收敛,得到高精度的频移线宽值。
为了进一步确定该拟合方法的稳定性和鲁棒性,我们也对另外四组实验数据进行了测量。表2显示了五组数据测得的布里渊频移、线宽、其不确定度和反演的温度。
表2中,反演得到的温度测量误差ΔT的最大值是0.10℃,对应布里渊频移和线宽的测量误差分别为2 MHz和4 MHz,证明该拟合流程可以显著地将频谱特征参数的测量精度提高到MHz量级,而温度的测量精度也提高到0.1 oC。该温度测量精度已经能够满足高精度测量应用的需求。
3结论
谱特征参数 第2篇
与规范反应谱相对应的Clough-Penzien模型参数研究
根据我国现行抗震规范(GB50011-)的反应谱曲线,对Clough-Penzien模型的参数取值进行了具体研究.采用时间包络函数考虑地震动的.非平稳性,根据加速度峰值等效原则确定了谱强度因子S0的表达式,表明谱强因子不仅与地面加速度特性、场地类别有关,而且与结构的动力特性(阻尼比、自振周期)有关.最后对谱强度因子计算做了简化处理,为随机抗震计算分析提供了参考依据.
作 者：张猛 张哲 李天 ZHANG Meng ZHANG Zhe LI Tian 作者单位：张猛,ZHANG Meng(郑州大学,土木工程学院,河南,郑州,450002;同济大学,建筑工程系,上海,92)张哲,李天,ZHANG Zhe,LI Tian(郑州大学,土木工程学院,河南,郑州,450002)
刊 名：世界地震工程 ISTIC PKU英文刊名：WORLD EARTHQUAKE ENGINEERING 年，卷(期)：2007 23(1) 分类号：P315.9 关键词：规范反应谱 Clough-Penzien模型 非平稳 模型参数谱特征参数 第3篇
说话人识别系统具有特征参数提取和识别算法的选取两个关键步骤，整个识别过程分为两个阶段进行，即训练阶段和识别阶段。图1是说话人识别系统的原理图。在训练阶段，说话人说出训练语句，系统据此建立每个说话人的模板或模型参数参考集;在识别阶段，把从待识别说话人说出的语音信号中提取的特征参数，与在训练过程中得到的参考参量集或模型模板加以比较,并且根据一定的相似性准则进行判定。
（二）说话人识别的过程
1. 预处理
预处理包括对输入计算机的语音数据进行端点检测、预加重、加窗、分帧等。采样量化，将语音信号以8kHz的采样频率进行采样量化。预加重，通过一个数字滤波器来实现预加重，以突显高频部分，其传递函数为：H(z)=1-az-1，本系统中a的值取0.98。加窗分帧，取160个样点为一帧(20ms)，帧移是80点，这样可以避免每帧之间的特性变化过于剧烈，本系统使用Hamming窗来消除由分帧引起的信号边缘锐变。
2. 提取特征参数
(1)参数提取的作用
在说话人识别系统中特征提取是最重要的一环，特征提取就是从说话人的语音信号中提取出表示说话人个性的基本特征。语音特征参数每帧一般构成一个矢量，因此语音特征是一个矢量序列。语音信号中提取出来的特征经过数据压缩后便成为语音的模板。显然，特征的选择对识别效果至关重要，选择的标准应尽量满足：1)能有效地代表语音特征，包括声道特征和听觉特征，具有很好的区分性;2)各阶参数之间有良好的独立性;3)特征参数要计算方便，最好有高效的计算方法，以保证语音识别的实时实现。说话人识别研究中主要采用的特征参数主要有：基音周期、明亮度、过零率、线性预测系数(Linear Prediction Coefficients,LPC)、线性预测倒谱系数(Linear Prediction Cepstral Coefficients,LPCC)、Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficients,MFCC)、倒谱特征等。
(2)线性预测Mel倒谱系数(LPMCC)
LPCC是按实际频率尺度的倒谱系数，而人耳所听到的声音的频率与实际频率并不成线性正比关系。Mel频带划分是对人耳听觉特性的一种工程化模拟，人的听觉感知除了音调高低的感知外，还有对响度的感知，人对声音响度的感知与声音的频宽有关。将语音信号的频谱变换到感知频域中，能更好地进行模拟听觉过程的处理。
根据临界带宽的划分，可将语音频率划分成一系列三角形的滤波器序列，即Mel滤波器组。Mel滤波器的输出：
其中M为滤波器的个数，f(m)为每个Mel滤波器的中心频率。
其中M为滤波器的个数,mf)(为每个Mel滤波器的中心频率。mf)(定义为:其中hf、lf为滤波器的应用范围的最高频率和最低频率,N为帧长,sF为采样频率,)的逆函数。
将常规的LPCC按符合人耳听觉特性的Mel尺度进行非线性变换，即将LPCC通过Mel频率滤波器，取每个三角形滤波器频率带宽内所有信号幅度加权作为某个带通滤波器的输出，即可求出LPMCC。LPMCC算法效率较高，既考虑了声道激励，又兼顾人耳听觉，具有一定的可行性。它的递推式如式(3.26)所示：
式中Cn表示倒谱系数，MCk表示Mel倒谱系数，n为迭代次数，k为倒谱阶数，一般n=k。迭代时n从k,k-1,k-2K0,取值，求得的Mel倒谱系数放在MC0(0),MC1(0),LMCk(0)里。通常情况下，α取0.35～0.31，这样可近似于Mel尺度。
3. 识别模型的建立
矢量量化(VQ)是一种很重要的数字信号处理方法。在说话人识别中，可以把每个待识别的说话人的语音看作一个信号源，用一个码本来表征，码本是从该说话人的训练语音序列中提取的特征矢量聚类而成。只要训练序列足够长，这个码本就可以认为包含了该说话人的个人特征。对于N个人的系统，就需建立N个码本。要求这些码本在特征空间中相互不重叠。识别时，先从待识别的语音中提取一组矢量X 1,X 2,X 3,L,X H，然后用系统中建立的N个码本依次对它们进行矢量量化，即判断这组矢量与特征空间中的哪一个码本的分布最为吻合。设这N个码本的码字数为L，定义如下的平均量化失真距离式中，lYi代表第i个码本中第l个码矢量;d(Xh,Yli)代表待识矢量Xh与码矢量lY i之间的距离，;识别结果就是使Di最小的第i个码本所对应的说话人。
隐马尔可夫模型(HMM)，作为语音信号的一种统计模型，在语音处理各个领域中得到了广泛应用。HMM用于语音信号建模时，是对语音信号的时间序列结构建立统计模型，它是数学上的双重随机过程：一个是具有有限状态数的Markov链来模拟语音信号统计特性变化的隐含随机过程，另一个是与Markov链的每一个状态相关联的观测序列的随机过程。前者通过后者表现出来，但前者的具体参数是不可观测的。人的语言过程实际上就是一个双重随机过程，语音信号本身是一个可观测的时变序列，是由大脑根据语法知识和语言需要发出的因素的参数流。可见，HMM合理的模仿了这一过程，很好地描述了语音信号的整体非平稳性和局部平稳性，是一种较为理想的语音信号模型。
传统HMM的输出概率值是通过每个状态的输出概率函数或输出函数概率矩阵得到的，VQ-HMM在每个状态通过用VQ误差尺度取代传统HMM的输出概率函数或输出概率矩阵，利用矢量量化误差值取代传统HMM的输出概率值。它的模型参数由状态转移概率和每个状态的码本组成，每个类别都预备一个相应的模型。对于一个给定的待识别输入时间序列，识别系统将分别利用各个类别模型逐帧计算该序列的量化误差值，得到最小累积量化误差值的模型所对应的类别即为识别结果。最小累积误差的计算通过Viterbi算法实现。其计算公式定义如下：
这里y1,y2,LyT表示输入时间序列，x0,x1,LxT表示状态序列(设共有S个状态)，Cxi表示与状态xi相对应的码本，d(xi-1,xi)表示从xi-1状态转移到xi状态的代价函数。d(yi-1,Cxi)表示yi和Cxi间的距离，该距离定义如下：
通过下面的维特比(Viterbi)算法求取最小累积误差距离：
此处g(j,t)表示y1,y2,L,yt和x1,x2,L,xt(xt=j)间的最小累积距离，即：
对于一个给定的输入时间序列，识别系统将利用各类别模型逐帧计算该序列的量化误差值，得到最小累积量化误差值的模型所对应的类别即为识别结果。
（三）识别结果及分析
实验中，数据来自30人集合，男性15名，女性15名，训练采用普通声卡采集，采样频率为8kHz，帧长为160，帧移为80。
1. 不同参数性能的比较
在特征参数提取部分分别提取LPCC和LPCCMCC两种参数，对其F比进行比较。F比反映了不同说话人的分散程度与个说话人自身的分散程度之间的对比关系。某一特征参数的F比越大，说明对于本特征，平均而言前者要大于后者。因此说话人识别中采用F比较大的特征一般会得到较好的性能。
从表1中可以看出LPCCMCC的F比大于LPCC的F比，因此，可以判断出LPCCMCC这个特征参数的区别性好于LPCC。
2. 不同方法进行识别的识别率比较
表2列出了训练时长为10s时不同识别方法的识别率比较，表3列出了训练时长为20s时不同识别方法的识别率比较。从识别率的比较来看，使用LPCCMCC特征参数比使用LPCC的识别率要高，并且在识别的过程中采用VQ和HMM相结合的模型也比仅使用VQ的识别率高。
摘要：线性预测倒谱LPCC在说话人识别中已被广泛使用,文章以LPCC为基础进行Mel变换,得到新的特征参数LPMCC,一次作为说话人识别系统的特征参数,并在识别部分采用VQ和HMM相结合的方法进行建模和识别,实验证明该方法提高了系统的识别率。
关键词：说话人识别,LPMCC,矢量量化,HMM
参考文献
[1]易克初.语音信号处理[M].北京:国防工业出版社,2000.
[2]赵力.语音信号处理[M].机械工业出版社,2003.
高光谱图像组合光谱特征研究 第4篇
近年来，高光谱遥感数据处理受到特别关注，IEEE高光谱遥感图像与信号处理-遥感进化(IEEE Workshop on Hyperspectral Image and Signal Processing-Evolutional Remote Sensing,WHISPERS1)2009在法国召开首届大会，第4届大会于2012年6月在上海召开，IEEE遥感学报、传感器学报及图像处理学报等近来先后出版了有关高光谱遥感数据处理的多个专辑[1,2,3,4]。
高光谱遥感影像具有光谱分辨率高及图谱合一等特点，包含了丰富的空间、辐射和光谱三类直接信息，提供了比多光谱传感器更丰富和更精确的光谱信息，极大地提高了对目标与环境的识别能力，可有效地用于目标及环境的全像素、单像素、甚至亚像素级分类、识别与混合成分分析。
高光谱分类是高光谱数据分析和信息提取的重要工具，在当前乃至今后一段时间内都将是遥感领域的研究热点。与传统分类方法相比，高光谱分类面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强;另一是空间分辨率有限、存在大量混合像元，“Hughes”现象凸现。影响目标分类与识别结果的主要因素包括3个方面：
(1)问题本身的复杂度，包括目标形态及尺寸，特别是目标材料对光谱的吸收、反射及散射特性，以及所处的时空、电磁及气象等环境情况;
(2)描述目标的高光谱图像特征的性能;
(3)分类器的分类能力与推广性。因此，高光谱特征中新信息的挖掘和高性能计算的技术在高光谱图像分析系统中变得非常重要。本文主要讨论优化高光谱图像特征的性能来提高高光谱遥感数据分类性能。
优化高光谱特征的方法有多种，其中一种有效的方法是从原始高光谱数据中寻找最有用的特征信息来挖掘有利于分类的光谱特征，譬如(1)采用从高光谱遥感数据中选择或保留敏感的有代表性的波段形成的数据集，称为特征选择或波段选择;(2)将高光谱遥感数据中经过某种测度指标和变换形成的新的数据集，称为特征提取。
另外一种优化高光谱特征的方法是使用附加信息，通常组合多种特征都能得到良好的分类性能。大多数高光谱处理技术的传统方法通常仅仅使用图像的光谱强度信息。近年来，已有研究人员在高光谱数据处理中利用从高光谱遥感原始数据中通过导数光谱技术提取的光谱梯度特征。在高光谱遥感特征分析等数据处理中，利用光谱梯度特征作为附加信息可以提升高光谱处理的性能。Wessman等使用森林光谱的一阶、二阶导数对树冠化学成分进行研究，并确定树冠化学成分与生物量以及导数光谱数据相关最密切的波段组合[5,6]。Demetriades-shah等综述了遥感中高分辨率导数光谱的应用潜力[7]。童庆禧等利用导数光谱分析方法对鄱阳湖湿地进行了生物量填图[8]。Tsai等研究了在高光谱数据分析中应用导数信息探测光谱特征[9]。Chang等提出使用光谱导数来提高光谱识别和鉴定的性能，提出一种称作光谱导数特征编码的方法用于高光谱特征分析[10]。
1 组合光谱特征
1.1 导数光谱技术
导数光谱(Derivative Spectrum)技术来源于测谱学，利用相邻波段间的梯度变化特征化高光谱光谱的变化信息，是分析高光谱遥感数据较为常用的一种有效技术和强有力的波形分析手段。采用如下公式分别计算光谱反射率的一阶、二阶和三阶导数：
式中：λi是波段i的波长值;R′(λi);R″(λi);R‴(λi)分别是波长λi处的一阶、二阶、三阶导数;R(λi)是波长λi的光谱反射率;Δλ是波长λi到λi+1的波段间隔。导数光谱技术具有一系列优越性：
导数光谱技术通过数学模拟反射光谱，计算不同阶数的微分值以便迅速地确定光谱弯曲点及最大最小反射率的波长位置，强调曲线的变化和压缩均值的影响。一般用的较多的是一阶或二阶导数技术。利用不同阶数的导数光谱则可以提取吸收波段的位置信息。对原始光谱反射率求解一阶导数光谱，即光谱曲线的斜率值，可以反映原始光谱曲线的变化速率，正极值处代表的是反射率增速最大的波段，负极值则是反射率减速最大的波段。而在一阶导数的基础上可以进一步计算二阶导数光谱，反映原始光谱曲线的曲率变化，正值代表反射率吸收区域，即“凹形”光谱曲线处，负值代表反射率反射区域，即“凸形”光谱曲线处。
导数光谱技术可以消除光谱数据之间的系统误差、减弱大气辐射、散射和吸收对目标光谱特征的影响，以便提取可识别地物的光谱吸收峰参数;亦可分辨重叠光谱，减缓光谱失真，去除背景噪声或不理想的信息影响，因而可能得到更好的精度。
1.2 组合光谱特征
物质的光谱特性是由物质本身包含的原子、分子与电磁波的关系所决定的，因此分析物质的光谱特性曲线是识别物质的有效手段。地物光谱特性研究在高光谱遥感技术及应用的研究发展中占有重要地位。根据地物的光谱特性不同可将地物分成植被、岩矿、土壤、水体和人工地物五大类。在给定目标情况下，根据光谱曲线上各个物体的特点，例如吸收谱、峰值谱及敏感谱等特点，可以用较少的谱段来有效区分并鉴别出各种目标，通常把这样的谱段组合称为目标的光谱特征。
由于组合多种特征作为优化的特征通常可以取得更好的分类性能，而且导数光谱技术虽是高光谱特征分析的有效手段，但是光谱梯度特征通常包含的信息量较少，致使仅仅使用光谱梯度特征的高光谱图像分类性能较差。因此本文提出组合光谱强度特征和导数特征作为组合光谱特征来提升高光谱分类的性能。
计算原始高光谱特性的一阶导数，由于一阶导数光谱曲线上量值为零的点，对应于原反射率光谱曲线上的极值点，由此可得出反射率光谱中极值点波长位置。在此基础上进行二阶微分处理后，可进一步区分原反射率光谱的极大值点与极小值点，即二阶导数大于零的一阶导数光谱过零点为原反射率光谱的极小值点，二阶导数小于零的一阶导数光谱过零点为原反射率光谱的极大值点。因此，利用不同阶数的导数光谱便可以迅速确定原始光谱曲线的吸收谷和反射峰的位置信息和相关特征信息，获得目标的敏感波段信息。而在给定目标的情况下，根据各个物体的吸收谱、峰值谱和敏感谱等特点，便可以用较少的谱段来有效区分、鉴定出各种目标。如此可将原始高光谱遥感特性曲线的敏感波段、一阶导数特征的敏感波段、二阶导数特征的敏感波段组合构成特征波段，有效实现高光谱遥感分类。
然而由于大量的光谱梯度特征附加在原始高光谱遥感数据上，简单的组合这些特征必然加重高光谱遥感的维数灾难，引起过维问题，因此须在分类之前，采用特征提取或特征选择方法降低高光谱数据的维数，提升运算效率，利于后续高光谱分类。
2 实验与结果分析
2.1 典型地物光谱特征分析
实验说明：绘制典型植被、岩矿、土壤、水体的高光谱特性曲线及其一阶导数和二阶导数曲线，分析各类典型地物高光谱原始数据及一阶、二阶导数的特点。
如图1所示，植被的光谱特征与其他地物迥然不同，有非常鲜明的特点，利用植被的光谱特征可以区分植被与其他地物。观察不同植被的原始及其一阶、二阶导数光谱曲线，可以看出不同植被的光谱曲线虽形态各异，但植被的光谱特征及其一阶和二阶导数均呈现相似性。不同植被的反射率光谱曲线，光谱曲线总是呈现明显的“峰和谷”的特征。植被一阶、二阶导数值虽各不相同，但是一阶导数过零点的位置以及相应位置二阶导数的正负值却惊人的相似，说明原各植被光谱曲线的吸收谷和反射峰位置相近，即这些光谱曲线在0.55μm,1.6μm,2.2μm左右存在反射峰，在0.65μm,1.4μm,1.9μm左右存在吸收谷，0.7～1.3μm范围内反射率值较高，反映了植被的光谱特性的相似性。总之，不同植被之间的光谱变化主要体现在吸收谷、反射峰和反射率平台的强度上的差别，然这些特征的反射峰、吸收谷所在的位置基本没有变化。
不同矿物原始及其各阶导数光谱曲线图说明不同类型的矿物其反射率光谱曲线及其一阶和二阶导数曲线大不相同，吸收谷、反射峰所在位置及特性差别较大，通过主要特征和次要特征不同组合的分析比较，便可得到每类矿物区别于其他矿物的有效参数和无效参数。
不同土壤原始及其各阶导数光谱曲线图表明不同土壤的光谱反射率均随着波长的增加而逐渐升高。二阶导数基本围绕零值上下波动，且波动幅度较小，无明显规律。因此导数光谱技术能消除植被光谱分析中土壤成分的影响，土壤光谱的影响可在很大程度上得以消除，二阶导数便可非常好的消除土壤背景。
不同水体原始及其各阶导数光谱曲线图表明水体的反射率总体上比较低，不超过10%，一般为4%～5%，并随着波长的增大逐渐降低，二阶导数基本为零。
综上所述，通过导数光谱技术，可以快速分析出高光谱特性曲线的反射峰和吸收谷谱带的相关特征，这些特征可作为附加信息与其他特征构成组合光谱特征应用于高光谱检测、分类与识别中。
2.2 组合光谱特征的建立
实验说明：采用原始、一阶导数及二阶导数光谱特征的组合光谱特征对斜辉石和天青石进行分类。实验数据来自USGS光谱库。实验结果表明组合光谱特征可有效实现高光谱分类。图2(a)，(b)分别为斜辉石的反射率曲线和组合光谱特征，(c)，(d)分别为天青石的反射率曲线和组合光谱特征。可见，组合光谱特征差异较大，易于分类。
3 结语
谱特征参数 第5篇
现有的无损检测技术中,超声脉冲回波技术由于具有原理明确、实现简单、适用范围广等优点,已广泛应用于层状介质材料的厚度测量之中
本工作在已有研究的基础上,首先利用声压反射系数幅度谱分析方法实现混叠信号中超声特征参量的提取,有效解决了薄层中超声信号混叠导致超声特征参量无法提取的问题。随后,引入统计学中的相关系数匹配法,对薄层试样实测声压反射系数幅度谱和理论声压反射系数幅度谱矩阵在超声检测有效频带范围内逐一进行匹配分析,通过计算相关系数最大值点对应的反演参数获得薄层厚度和纵波声速的最佳匹配结果,实现了超声纵波声速未知及非均质薄层声速波动条件下薄层厚度的测量,避免了现有高斯-牛顿法由于反演初始值选取不当导致迭代发散、无法获得反演结果的问题。
1 原理与方法
声压反射系数幅度谱(URCAS)
式中:下角1,2,3分别代表探头延迟块、薄层和基底材料;r12,r23为异质材料界面的声压反射系数;d为薄层厚度;c2和α(f)分别为薄层的声速和声衰减系数。
探头接收到的回波信号实际上是声波经过多次反射和透射后综合叠加的结果。超声波在薄层结构中多次反射过程中,频率为fn的信号将发生干涉,导致声压反射系数幅度谱上出现多个极大值或极小值,对(1)式频率f求导,当导数为零时得到URCAS的一系列极值点:
式中fn和n分别为谐振频率和谐振频率阶数。
因此,当薄层纵波声速已知时,利用幅度谱上极值点的位置坐标,通过(2)式即可测得薄层厚度。但由于受到工艺参数、薄层非均质性等因素的影响,薄层声速通常为未知量且在不同位置存在一定的波动。如果探头延迟块及基底材料的声速、密度,薄层的密度和声衰减系数α(f)已知,公式(1)就变成了以薄层厚度d和纵波声速c2为自变量的二元非线性方程,采用合适的方法对此方程进行求解,即可实现d和c2的双参数同时表征。
本工作从参数反演的角度出发提出采用统计学中的相关系数匹配法对涂层厚度和纵波声速进行表征。相关系数匹配法是以相关系数为匹配测度判断两组数据相似性的统计学方法,相关系数越大说明二者的相似度越高。常用的皮尔逊积矩相关系数定义如下
式中:ρX,Y为总体相关系数;σX,σY为变量X,Y的标准差;μX,μY为X,Y的期望。基于样本对协方差和标准差进行估计,可以得到样本相关系数:
利用式(4)对实测得到的反射系数幅度谱|r(f)|和理论计算得到的反射系数幅度谱|r(f)|*在-6dB有效频带内进行匹配分析:
式中:N表示时域信号经FFT变换后有效频带范围内的数据点数;下角标i表示第i个频率值;分别为有效频带内实测与理论的声压反射系数幅度谱;分别为有效频带内实测与理论的声压反射系数幅度谱的算术平均值。
通过赋予吸波涂层厚度d和纵波声速c2一系列连续变化值,得到理论声压反射系数幅度谱矩阵,令其作为母体,将实测的声压反射系数幅度谱与其逐一进行匹配分析,相关系数矩阵中最大位置对应的d和c2即为被测试样涂层厚度与纵波声速的最佳反演结果。
2 实验
2.1 实验样品
实验选用的样品为空气喷涂法制备的雷达吸波涂层试样,吸收剂类型为羰基铁粉,黏结剂主要成分为环氧树脂,基底材料为铝合金平板。吸波涂层厚度约为0.2mm,吸波涂层试样的材料属性如表1所示。其中,铝合金基底材料的声速由超声渡越时间法测得,涂层和铝合金的密度采用阿基米德排水法测定,涂层声衰减系数由实测数据采用最小二乘法拟合得到。
表1 雷达吸波涂层材料属性Table 1 Material properties of RAC
2.2 实验系统
超声脉冲回波检测系统连接示意图如图1所示。实验中采用延迟块探头作为超声信号收发装置,探头晶片直径6mm,中心频率5MHz。延迟块材料为环氧树脂,纵波声速2316.6m/s,密度1045.5kg/m3。使用USIP40超声波探伤仪激发探头,DPO4032数字示波器以及计算机完成超声信号的观察、数据采集和反演分析工作。
图1 超声检测系统连接示意图Fig.1 Sketch of ultrasonic testing system
实验过程中首先将延迟块探头连接到探伤仪进行系统与仪器校正。通过DPO4032数字示波器采集的声源时域波形,其中心频率为5MHz,幅度谱-6dB有效频带宽为2.95~8.35MHz,如图2所示。将探头耦合到吸波涂层试样上,采集到的涂层试样时域回波信号和幅度谱如图3所示。
3 结果分析与讨论
对超声检测实验中采集到的吸波涂层时域回波信号进行频谱分析处理,获得吸波涂层的实测声压反射系数幅度谱,利用相关系数匹配法对实验得到的反射系数幅度谱|r(f)|(见图4)和理论计算得到的反射系数幅度谱|r(f)|*在-6dB有效频带内进行匹配分析,反演结果如图5所示,通过读取图中相关系数rp(d,c2)的最大值位置的坐标,即可确定出涂层厚度和纵波声速的最佳反演结果。
同理,将延迟块探头耦合到试样的其他位置重复上述步骤,反演结果及测量误差如表2所示,涂层厚度反演结果与千分尺测量得到的真实值间绝对误差为5~8μm、相对误差为2.53%~3.72%,纵波声速与真实值间绝对误差为4.3~6.4m/s、相对误差为2.51%~3.75%,满足工程检测要求。图6为涂层试样实测与最佳匹配位置理论声压反射系数幅度谱的对比曲线,可以发现二者在低频段范围内符合较好,但随着频率的增加二者的偏离程度逐渐增大。分析认为,这是由于涂层理论声压发射系数幅度谱中密度和衰减系数采用的是涂层试样整体平均测量结果,并未充分考虑吸波涂层非均质性引起的密度和声衰减系数在不同位置存在波动的问题,导致理论谱线发生偏离,带来一定的反演误差。
图2 5MHz声源时域信号(a)及其幅度谱(b)Fig.2 Time-domain signal of 5MHz acoustic source(a)and its amplitude spectrum(b)
图3 吸波涂层时域回波信号(a)及其幅度谱(b)Fig.3 Time-domain signal reflected from RAC(a)and its amplitude spectrum(b)
图4 吸波涂层实测声压反射系数幅度谱Fig.4 The experimental URCAS of RAC
4 结论
(1)从参数反演的角度,提出采用相关系数匹配法对薄层试样实测和理论声压反射系数幅度谱逐一进行匹配分析,无需已知薄层超声纵波声速即可实现薄层厚度和纵波声速的同时表征,解决了薄层厚度和纵波声速均为未知情况下薄层厚度的测量问题。
(2)利用本方法反演得到的吸波涂层厚度与实际测量值间最大绝对误差为8μm、最大相对误差为3.72%,纵波声速与实测值间最大绝对误差为6.4m/s、最大相对误差为3.75%。
(3)本方法不仅适用于雷达吸波涂层的厚度测量,还可应用于航空发动机热障涂层、可磨耗封严涂层等其他非均质薄层材料,具有良好的推广和应用前景。
(a)rp(d,c2)-d-c2三维视图;(b)rp(d,c2)-c2二维曲线;(c)rp(d,c2)-d二维曲线(a)3Dview of rp(d,c2)-d-c2;(b)two-dimensional projection of rp(d,c2)-c2;(c)two-dimensional projection of rp(d,c2)-d
图5 吸波涂层相关系数计算结果Fig.5 Correlation coefficient calculation results of RAC
表2 吸波涂层参数超声检测结果与真实值对比Table 2 Comparison of RAC parameters determined from ultrasonic and the true values
图6 吸波涂层实测与理论声压反射系数幅度谱对比(a)及其局部放大(b)Fig.6 Comparison of experimental and theoretical URCAS of RAC(a)and partial enlarged drawing(b)
摘要：针对薄层材料超声测厚过程中回波信号混叠、超声纵波声速未知导致薄层厚度无法测量的问题,提出一种基于声压反射系数幅度谱(Ultrasonic Reflection Coefficient Amplitude Spectrum,URCAS)匹配分析技术同时测量薄层厚度和超声纵波声速的方法。采用相关系数法对薄层试样实测声压反射系数幅度谱和理论声压反射系数幅度谱在超声检测有效频带范围内逐一进行匹配分析,通过反演计算得到相关系数最大值点对应的超声检测参数,最终实现薄层厚度和超声纵波声速的同时表征。利用该方法对铝合金基体上的雷达吸波涂层(Radar Absorbing Coatings,RAC)进行实验测试及信号分析。结果表明:该方法可以有效实现混叠信号中超声特征参量的提取,反演得到吸波涂层厚度与千分尺测量厚度间相对误差为2.53%~3.72%、纵波声速测量相对误差为2.51%~3.75%。
谱特征参数范文
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。
