基于SABO-GRNN模型的变距离多光谱辐射测温的研究

来源：激光技术杂志2025年第6期北京时间：

作者：梁乾, 刘力双, 牛春晖

摘要：为了解决传统辐射测温中发射率难以确定以及精度受测温距离影响的情况，采用一种基于减法平均改进型的广义回归神经网络(SABO-GRNN)的多光谱辐射测温方法，建立了目标温度与光谱辐射强度的非线性数学模型。采用主成分分析方法, 从输入光谱信息中提取蕴含信息量较大的主元成分以及对测温影响较大的距离因素，作为网络模型的输入变量；对样本数据充分学习，使用寻优能力强、收敛速度快的减法平均算法, 改进广义回归神经网络模型, 并分析其预测效果。结果表明，采用高温马弗炉作为测温目标源，在固定测温距离下，该方法的平均相对误差为0.51%，与主成分分析-极限学习机算法相比降低了33.1%；在测温距离改变的条件下, 该方法的最大相对误差不超过1.74%。该研究为神经网络与最优化算法在辐射测温领域的应用提供了帮助。

关键词：计量与测量, 多光谱辐射测温算法, 广义回归神经网络, 减法平均算法, 主元分析