1 哈尔滨理工大学测控技术与通信工程学院, 黑龙江 哈尔滨 150080
2 中兴仪器(深圳)有限公司, 广东 深圳 518004
通过提取光散射信号中颗粒粒径和属性的非线性特征向量,利用广义神经网络(GRNN)同时解析颗粒粒径和识别属性。采用经验模态分解(EMD)方法分解颗粒物的光散射信号,提取三维能量分布,计算3种相同粒径不同属性颗粒的样本熵,发现样本熵能够反映颗粒的属性;为了消除粒径和属性对散射的影响,对散射信号进行Hilbert变换,提取时频域特征,与样本熵结合组成高维特征集,通过局部线性嵌入(LLE)算法将特征集归为6个特征向量,作为广义神经网络的输入层,解析粒径和识别属性;采用粒径为0.11 μm的二氧化硅颗粒、2 μm和4 μm的聚苯乙烯小球进行实验,结果表明,粒径解析和属性识别的正确率均在90%以上。
散射 样本熵 多角度光散射 颗粒粒径 颗粒属性 经验模态分解
1 清华大学深圳研究生院 深圳市无损与微创重点实验室, 广东 深圳 518055
2 清华大学 物理系, 北京 100084
3 清华大学 医学院, 北京 100084
基于光的偏振散射原理提出了一种对大气中炭黑颗粒物进行表征的测量方法.首先利用偏振光子散射的蒙特卡洛模拟方法寻找表征炭黑颗粒物属性的偏振特征参量, 进而通过实验对特征参量进行验证.结果表明, 获取的偏振参量对炭黑有较好的表征效果.此外, 偏振表征不仅可以兼容现有非偏振散射仪器, 提供更多颗粒物属性等信息, 还可以减少探测角度, 优化探测装置.
偏振散射 大气颗粒物 斯托克斯矢量 polarization scattering particulate matter Stokes parameters
