针对认知电子战装备面临的作战场景复杂多样、真实数据难以获取、实战训练成本高昂等问题，为满足认知电子战系统方案论证、关键技术研究需求，将人工智能技术与系统仿真技术相结合，通过建立认知电子战装备及其典型作战对象的信号级模型，以及模拟电子战装备与作战对象在复杂电磁环境下的信息交互过程，构建面向未来战场认知对抗的学习训练与仿真评估系统。本文对系统的功能、体系结构、工作流程和关键模块/模型等方面进行了详细介绍，并对系统应用实例进行了分析。从应用效果看，系统可为认知电子战的智能算法模型训练、装备作战能力仿真试验评估提供研究手段。
认知电子战 信号级仿真 学习训练 仿真评估 系统设计 cognitive electronic warfare signal level simulation learning and training simulation evaluation system design 太赫兹科学与电子信息学报
2022, 20(2): 133
西安科技大学安全科学与工程学院, 陕西 西安 710054
CH4气体的精准检测对防止矿井瓦斯爆炸, 确保安全生产至关重要。 目前基于可调谐半导体激光吸收光谱技术(TDLAS)存在因温度变化导致气体浓度测量误差较大。 探究了基于TDLAS的CH4气体检测系统与温度补偿方法, 分析温度对CH4气体吸收谱线的影响, 通过算法补偿模型消除环境温度对CH4气体检测的影响。 依据TDLAS技术原理及相关理论, 对系统发射单元、 吸收池、 信号接收单元、 数据处理单元进行设计, 搭建了基于TDLAS技术的CH4气体浓度检测系统, 实验检测了不同环境温度(10~50 ℃)时0.04%CH4气体浓度, 分析温度变化对CH4气体在波长为1.653 μm处吸收谱线强度和半宽度的影响。 为消除温度对CH4气体检测的影响并提高补偿效果, 采用粒子群优化算法(PSO)优化BP神经网络(BPNN)的最佳权值和阈值, 建立CH4气体的PSO-BP温度补偿模型, 克服了BP神经网络收敛速度慢、 易陷入局部最优的缺点。 结果表明: (1)基于TDLAS的CH4气体检测浓度随环境温度升高而下降, 整个实验温度内相对误差范围为4.25%~12.13%, 不同环境温度下CH4气体检测浓度与温度之间的关系可用一元三次多项式表示; (2)CH4气体的吸收强度和半宽度随着温度的升高而下降, 与温度变化之间的关系为单调递减函数, 温度对CH4气体吸收谱线强度的相对变化率大于吸收谱线半宽度的相对变化率, CH4气体吸收谱线的强度更容易受温度变化的影响; (3)BP神经网络和PSO-BP模型测试样本的绝对平均误差(MAE)分别为12.88%和1.81%, 平均绝对百分比误差(MAPE)分别为2.3%和0.3%, 均方根误差(RMSE)分别为15.96%和2.69%, 相关系数R2分别为0.980 6和0.999 6。 通过建立PSO-BP温度补偿模型, 补偿效果大部分分布在±1.0%的误差范围内, MAE, MAPE, RMSE和R2等评价指标均大幅度提升, 对提高TDLAS技术在矿井CH4的精准检测具有一定的参考意义。
可调谐半导体激光吸收光谱 CH4浓度 精准检测 神经网络 粒子群优化 温度补偿 Tunable diode laser absorption spectroscopy CH4 gas concentration Accurate detection Neural networks Particle swarm optimization Temperature compensation 光谱学与光谱分析
2021, 41(11): 3632
1 北京服装学院材料科学与工程学院, 北京 100029
2 京环纺织品再利用邯郸有限公司, 河北 邯郸 056800
3 东华大学材料科学与工程学院, 上海 201620
4 浙江绿宇环保股份有限公司, 浙江 绍兴 312000
在废旧纺织品回收再利用中, 纤维类型和含量的快速、准确测定是回收方案的关键部分。以598个废旧涤棉混纺织物为研究对象, 采用便携式近红外(NIR) 光谱仪测试了样品的原始近红外光谱。在1 400～1 700和1 900～2 200 nm光谱区域, 100％棉和100％聚酯样品的光谱存在明显差异, 并且这些光谱差异存在于各种颜色纤维上。同时探讨了斜线光谱产生的原因可能是由于织物表面效果、着色方法及粘附在纤维表面的细小颗粒造成的。深色样品易造成其光谱基线在短波区发生漂移, 经导数预处理后, 基线漂移基本消除, 斜线光谱呈现出正常光谱的特征。 利用偏最小二乘(PLS) 法结合一阶导数、 S-G平滑、 均值中心化和正交信号校正法, 建立了废旧棉-涤混纺织物定量分析模型。 为了验证模型的可靠性, 选取346个样本采用内部交叉验证均方根误差(RMSECV) 和预测样品集外部检验法对模型进行检验, 模型的RMSECV值0.002、 校正集相关系数RC＝0.998、 预测相关系数RP=0.997、 预测标准差SEP＝1.121, 模型预测正确率可达97％。 对模型进行匹配样本t检验结果显示, NIR方法与国家标准方法无显着性差异。 NIR预测值与重量法测定值误差在±3％以内时, 二者的一致性在90％以上, 当误差在±5％以内, 二者的一致性在95％以上, 分析时间小于10 s。 因此, 利用近红外技术结合所建模型可以快速、 准确地预测废旧棉/涤混纺织物纤维成分的含量。
近红外 棉-涤混纺织物 基线漂移 斜线光谱 定量模型 NIR Cotton-polyester blend fabrics Baseline drift Slash spectrum Quantitative model
