Explore full metrics on Scilit
(Calculated once Scilit publication data is synced: current year − year of first publication + 1)
在多光谱辐射测温中,数据处理作为一项关键步骤,其发展一直受制于目标的未知发射率。传统的解决思路往往是依据发射率与波长或温度之间的内在联系,构建相应的发射率假设模型。然而,由于实际情况的复杂性,当预先设定的假设模型与目标物体的真实发射率特性出现偏差时,这种偏差会在温度测量过程中被放大,进而导致显著的误差。因此,多光谱辐射测温技术的核心挑战在于构建发射率自校正机制,通过多光谱数据融合与自适应温度反演算法,在无需预设材料发射率模型的条件下,实现更高的测温精度。提出了一种基于改进NRBO-GA(hybrid Newton-Raphson-based optimizer and genetic algorithm)的混合优化算法,该算法的关键创新在于建立多波长辐射测温的约束优化数学模型。首先将光谱发射率分布参数化,构建满足辐射传输约束的光谱发射率种群作为初始解集;继而采用自适应目标函数进行适应度量化评估,通过进化算法在可行解空间内实施动态寻优;最终通过约束边界引导的全局收敛机制,获得符合黑体辐射定律且适应度最优的温度-发射率联合反演。该方法无需预设发射率模型,即可同步反演目标光谱发射率与真实温度。针对6种典型发射率模型开展仿真实验,结果表明,本算法对单调递增/递减、多极值波动等典型光谱发射率分布形态均表现出强适应性。在900 K和