本發(fā)明屬于紅外光譜數(shù)據(jù)智能處理，尤其涉及一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法。

背景技術(shù)：

1、飛機(jī)故障檢測(cè)是航空領(lǐng)域的關(guān)鍵問(wèn)題，對(duì)保障飛行安全至關(guān)重要。隨著紅外光譜技術(shù)的發(fā)展，利用發(fā)動(dòng)機(jī)熱射流紅外光譜分類(lèi)是遙感條件下故障檢測(cè)的關(guān)鍵技術(shù)之一。

2、紅外光譜是一種常用的物質(zhì)定量分析和化合物結(jié)構(gòu)鑒定方法。當(dāng)物質(zhì)受到紅外輻射照射時(shí)，分子選擇性吸收特定頻率輻射，產(chǎn)生分子振動(dòng)或轉(zhuǎn)動(dòng)，引起偶極矩變化，對(duì)應(yīng)能級(jí)發(fā)生躍遷，對(duì)應(yīng)于這些吸收區(qū)域的透射光強(qiáng)度減弱，可記錄為波數(shù)與透過(guò)率的紅外光譜。

3、通過(guò)ft-ir(fourier?transform?infrared，傅里葉變換紅外)光譜儀的非接觸測(cè)量可以對(duì)航空發(fā)動(dòng)機(jī)熱射流中的熱物質(zhì)發(fā)出的紅外輻射進(jìn)行測(cè)量，得到包含不同頻率峰值的光譜。熱射流紅外光譜代表的是化學(xué)物質(zhì)在不同能級(jí)之間的躍遷。氣體由原子與分子構(gòu)成，兩者的能量都為平動(dòng)能量與內(nèi)部能量之和，其中內(nèi)部能量由一系列特定、分立的能級(jí)組成。分子的量子化能級(jí)示意圖如圖1所示，圖1中v代表能級(jí)，j代表能量。

4、分子振動(dòng)轉(zhuǎn)動(dòng)產(chǎn)生對(duì)紅外輻射的選擇性吸收，表現(xiàn)為物質(zhì)對(duì)不同波長(zhǎng)的紅外輻射表現(xiàn)出特定的吸收峰。分子吸收紅外輻射發(fā)生躍遷需要滿(mǎn)足的選擇定律，可通過(guò)求解v能級(jí)的能量值e_v的薛定諤方程得到：

5、

6、其中，h為普朗克常數(shù)，f為振動(dòng)頻率，vi為第i個(gè)模態(tài)的振動(dòng)量子數(shù)。相鄰兩個(gè)能級(jí)之間的能量差為δev＝hf。

7、不同分子對(duì)紅外輻射的選擇性吸收，可通過(guò)分析其特有的吸收峰判斷分子結(jié)構(gòu)。同樣的，不同類(lèi)型航空發(fā)動(dòng)機(jī)經(jīng)燃燒會(huì)產(chǎn)生不同氣體組分和排放物的熱射流。熱射流的物質(zhì)分子經(jīng)過(guò)振轉(zhuǎn)形成特定的紅外光譜，對(duì)紅外光譜特征的分析能夠?qū)崿F(xiàn)對(duì)物質(zhì)的化學(xué)鍵和結(jié)構(gòu)進(jìn)行分析與判斷，進(jìn)而實(shí)現(xiàn)對(duì)航空發(fā)動(dòng)機(jī)的分類(lèi)。

8、由于公開(kāi)數(shù)據(jù)集的匱乏，cnn模型在光譜分類(lèi)上展現(xiàn)其強(qiáng)大能力，但現(xiàn)有數(shù)據(jù)集樣本有限的問(wèn)題之間存在矛盾，現(xiàn)有模型在達(dá)到一定分類(lèi)精度之后很難再學(xué)習(xí)到新的特征來(lái)進(jìn)一步提高分類(lèi)的精度，深度學(xué)習(xí)方法對(duì)訓(xùn)練大量可學(xué)習(xí)參數(shù)的需求與現(xiàn)有數(shù)據(jù)集樣本有限的問(wèn)題之間存在矛盾，現(xiàn)有模型在達(dá)到一定分類(lèi)精度之后很難再學(xué)習(xí)到新的特征來(lái)進(jìn)一步提高分類(lèi)的精度。因此，如何解決在樣本數(shù)量有限情況下模型性能的提升成為專(zhuān)利的研究重點(diǎn)。與高光譜圖像分類(lèi)相同(li)的挑戰(zhàn)相同是標(biāo)記數(shù)據(jù)集的測(cè)量成本昂貴，解決辦法有數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)、無(wú)監(jiān)督/半監(jiān)督特征學(xué)習(xí)。數(shù)據(jù)集數(shù)據(jù)量的局限性會(huì)影響光譜分類(lèi)模型的泛化能力，數(shù)據(jù)增強(qiáng)可以提高模型對(duì)不同條件下數(shù)據(jù)的適應(yīng)能力、增強(qiáng)模型的泛化能力、提高模型的魯棒性、提升訓(xùn)練效率。因此，專(zhuān)利對(duì)數(shù)據(jù)增強(qiáng)的方法進(jìn)行了調(diào)研：shi在高光譜熒光圖像增強(qiáng)時(shí)提出一種基于相量(phase?vectors)的光譜編碼增強(qiáng)表示(seer)方法用于特定和細(xì)微光譜差異的增強(qiáng)。nalepa在推理階段進(jìn)行增強(qiáng)并構(gòu)建基于主成分分析的增強(qiáng)方法。gans是數(shù)據(jù)增強(qiáng)的有效方法，wang綜述了當(dāng)前gans的發(fā)展趨勢(shì)，基礎(chǔ)的gan模型有g(shù)an、cgan、dcgan、sngan、stylegan。在hsic中，he采用三維雙邊濾波器(3dbf)提取光譜-空間特征，并以gans結(jié)合半監(jiān)督學(xué)習(xí)的方式完成了分類(lèi)性能的提高。zhan設(shè)計(jì)了一維gan的hsi數(shù)據(jù)的半監(jiān)督框架(hsgan)。zhu采用1d-gan與3d-gan進(jìn)行高光譜分類(lèi)。除了gan方法，li使用常見(jiàn)數(shù)據(jù)增強(qiáng)(翻轉(zhuǎn)、旋轉(zhuǎn)和噪聲)得到樣本量三倍時(shí)達(dá)到增強(qiáng)效果的上限，并設(shè)計(jì)一種像素-塊對(duì)卷積神經(jīng)網(wǎng)絡(luò)(pbp-cnn)通過(guò)提取pbp特征結(jié)合決策融合進(jìn)行數(shù)據(jù)增廣提高分類(lèi)網(wǎng)絡(luò)的性能。三層卷積層的cnn已經(jīng)被證明在光譜數(shù)據(jù)上的有效性并且能夠達(dá)到96％的光譜分類(lèi)準(zhǔn)確率，而cnn在當(dāng)前光譜數(shù)據(jù)集上出現(xiàn)了過(guò)擬合問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問(wèn)題，本發(fā)明提供一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法，能夠提高分類(lèi)準(zhǔn)確率，更具有分類(lèi)科學(xué)性。

2、一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法，包括以下步驟：

3、采用ftir光譜儀獲取待測(cè)航空發(fā)動(dòng)機(jī)熱射流的待測(cè)光譜；

4、將待測(cè)光譜輸入訓(xùn)練好的判別網(wǎng)絡(luò)，由判別網(wǎng)絡(luò)輸出噴出所述待測(cè)航空發(fā)動(dòng)機(jī)熱射流的航空發(fā)動(dòng)機(jī)的所有可能的所屬類(lèi)別對(duì)應(yīng)的概率，以及輸出待測(cè)光譜是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的判定結(jié)果，同時(shí)，將概率最大的所屬類(lèi)別作為待測(cè)航空發(fā)動(dòng)機(jī)熱射流的所屬類(lèi)別。

5、進(jìn)一步地，所述判別網(wǎng)絡(luò)包括判別器模塊和分類(lèi)模塊；其中，判別器模塊包括順次級(jí)聯(lián)的第一卷積層、第一leakyrelu激活層、第一dropout層、第二卷積層、第二leakyrelu激活層、第二dropout層、第三卷積層；分類(lèi)模塊包括flatten層、dense層、第一分支dense層、第二分支dense層；

6、所述第一卷積層用于對(duì)輸入的待測(cè)光譜進(jìn)行第一次特征提取，得到第一特征圖；

7、所述第一leakyrelu激活層用于對(duì)第一特征圖進(jìn)行激活處理，得到第一激活特征圖；

8、所述第一dropout層用于對(duì)第一激活特征圖進(jìn)行正則化處理，得到第一正則化特征圖；

9、所述第二卷積層用于對(duì)第一正則化特征圖進(jìn)行第二次特征提取，得到第二特征圖；

10、所述第二leakyrelu激活層用于對(duì)第二特征圖進(jìn)行激活處理，得到第二激活特征圖；

11、所述第二dropout層用于對(duì)第二激活特征圖進(jìn)行正則化處理，得到第二正則化特征圖；

12、所述第三卷積層用于對(duì)第二正則化特征圖進(jìn)行第三次特征提取，得到第三特征圖；

13、所述flatten層用于將第三特征圖轉(zhuǎn)換為一維向量；

14、所述dense層用于對(duì)一維向量進(jìn)行線(xiàn)性變換，得到一維線(xiàn)性向量；

15、所述第一分支dense層用于基于sigmoid激活函數(shù)對(duì)一維線(xiàn)性向量進(jìn)行非線(xiàn)性變化，得到第一非線(xiàn)性向量；其中，第一非線(xiàn)性向量中的各元素為噴出所述待測(cè)航空發(fā)動(dòng)機(jī)熱射流的航空發(fā)動(dòng)機(jī)的所有可能的所屬類(lèi)別對(duì)應(yīng)的概率；

16、所述第二分支dense層用于基于softmax激活函數(shù)對(duì)一維線(xiàn)性向量進(jìn)行非線(xiàn)性變化，得到第二非線(xiàn)性向量；其中，第二非線(xiàn)性向量中的各元素用于表征待測(cè)光譜是否為航空發(fā)動(dòng)機(jī)熱射流的光譜。

17、進(jìn)一步地，訓(xùn)練判別網(wǎng)絡(luò)時(shí)所采用的訓(xùn)練光譜包括ftir光譜儀獲取的各個(gè)類(lèi)別的航空發(fā)動(dòng)機(jī)噴出的熱射流的真實(shí)光譜，以及由生成器網(wǎng)絡(luò)生成的用于模擬真實(shí)光譜的偽光譜。

18、進(jìn)一步地，所述生成器網(wǎng)絡(luò)包括順次級(jí)聯(lián)的第三分支dense層、第三leakyrelu激活層、重組加噪層、第一轉(zhuǎn)置卷積層、第四leakyrelu激活層、第二轉(zhuǎn)置卷積層、第五leakyrelu激活層、第三轉(zhuǎn)置卷積層、第六leakyrelu激活層、第四轉(zhuǎn)置卷積層、第七leakyrelu激活層、第五轉(zhuǎn)置卷積層、第八leakyrelu激活層、第六轉(zhuǎn)置卷積層；

19、所述第三分支dense層用于對(duì)輸入的隨機(jī)噪聲進(jìn)行批歸一化處理，得到歸一化噪聲；

20、所述重組加噪層用于采用高斯噪聲對(duì)歸一化噪聲進(jìn)行重組和加噪，得到重組高斯噪聲；

21、所述重組高斯噪聲依次經(jīng)過(guò)第一轉(zhuǎn)置卷積層、第四leakyrelu激活層、第二轉(zhuǎn)置卷積層、第五leakyrelu激活層、第三轉(zhuǎn)置卷積層、第六leakyrelu激活層、第四轉(zhuǎn)置卷積層、第七leakyrelu激活層、第五轉(zhuǎn)置卷積層以及第八leakyrelu激活層進(jìn)行多重特征提取和多重激活處理，得到噪聲特征圖；

22、所述第六轉(zhuǎn)置卷積層基于tanh激活函數(shù)對(duì)噪聲特征圖進(jìn)行激活處理，得到偽光譜。

23、進(jìn)一步地，判別網(wǎng)絡(luò)和生成器網(wǎng)絡(luò)共同組成光譜生成式對(duì)抗網(wǎng)絡(luò)，則所述生成式對(duì)抗網(wǎng)絡(luò)的訓(xùn)練方法為：

24、步驟1、將ftir光譜儀獲取的各個(gè)類(lèi)別的航空發(fā)動(dòng)機(jī)噴出的熱射流的真實(shí)光譜作為判別網(wǎng)絡(luò)的輸入，以各真實(shí)光譜對(duì)應(yīng)的航空發(fā)動(dòng)機(jī)的真實(shí)類(lèi)別、真實(shí)光譜對(duì)應(yīng)的真實(shí)判定結(jié)果作為判別網(wǎng)絡(luò)的理論輸出，根據(jù)判別網(wǎng)絡(luò)的實(shí)際輸出的預(yù)測(cè)類(lèi)別、預(yù)測(cè)判定結(jié)果與理論輸出構(gòu)建判別損失函數(shù)，對(duì)判別網(wǎng)絡(luò)進(jìn)行反向傳播，以此調(diào)節(jié)判別網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，完成判別網(wǎng)絡(luò)的第一次訓(xùn)練，得到初始判別網(wǎng)絡(luò)；

25、步驟2、將不同的隨機(jī)噪聲作為生成器網(wǎng)絡(luò)的輸入，由生成器網(wǎng)絡(luò)輸出偽光譜；將偽光譜輸入初始判別網(wǎng)絡(luò)，由初始判別網(wǎng)絡(luò)輸出偽光譜是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的預(yù)測(cè)判定結(jié)果；根據(jù)預(yù)測(cè)判定結(jié)果與期望判定結(jié)果構(gòu)建生成器損失函數(shù)，對(duì)生成器網(wǎng)絡(luò)進(jìn)行反向傳播，以此調(diào)節(jié)生成器網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，完成生成器網(wǎng)絡(luò)的一次訓(xùn)練；

26、步驟3、重復(fù)步驟2至少5次后，得到中間生成器網(wǎng)絡(luò)；

27、步驟4、將不同的隨機(jī)噪聲作為中間生成器網(wǎng)絡(luò)的輸入，由中間生成器網(wǎng)絡(luò)輸出偽光譜；將中間生成器網(wǎng)絡(luò)輸出的偽光譜和ftir光譜儀獲取的各個(gè)類(lèi)別的航空發(fā)動(dòng)機(jī)噴出的熱射流的真實(shí)光譜輸入初始判別網(wǎng)絡(luò)，由初始判別網(wǎng)絡(luò)輸出所有中間偽光譜和真實(shí)光譜對(duì)應(yīng)的航空發(fā)動(dòng)機(jī)的預(yù)測(cè)類(lèi)別、所有中間偽光譜和真實(shí)光譜是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的預(yù)測(cè)判定結(jié)果；

28、步驟5、根據(jù)步驟4得到的預(yù)測(cè)類(lèi)別與所有中間偽光譜和真實(shí)光譜對(duì)應(yīng)的真實(shí)類(lèi)別、預(yù)測(cè)判定結(jié)果與所有中間偽光譜和真實(shí)光譜對(duì)應(yīng)的真實(shí)判定結(jié)果構(gòu)建判別損失函數(shù)，對(duì)判別網(wǎng)絡(luò)進(jìn)行反向傳播，以此調(diào)節(jié)判別網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，完成判別網(wǎng)絡(luò)的第二次訓(xùn)練，得到更新判別網(wǎng)絡(luò)；

29、步驟6、采用步驟5得到的更新判別網(wǎng)絡(luò)重新執(zhí)行步驟2～步驟5，直到生成器損失函數(shù)和判別損失函數(shù)均小于設(shè)定閾值，此時(shí)對(duì)應(yīng)的判別網(wǎng)絡(luò)和生成器網(wǎng)絡(luò)共同組成最終的光譜生成式對(duì)抗網(wǎng)絡(luò)。

30、進(jìn)一步地，訓(xùn)練判別網(wǎng)絡(luò)的損失函數(shù)lossd為：

31、lossd＝αlossvalidity+βlossclass

32、其中，lossclass表示與航空發(fā)動(dòng)機(jī)的所屬類(lèi)別有關(guān)的類(lèi)別損失函數(shù)，lossvalidity表示與光譜是否為航空發(fā)動(dòng)機(jī)熱射流的光譜有關(guān)的真?zhèn)螕p失函數(shù)，α與β分別為真?zhèn)螕p失函數(shù)和類(lèi)別損失函數(shù)對(duì)應(yīng)的權(quán)重系數(shù)；

33、真?zhèn)螕p失函數(shù)lossvalidity為：

34、lossvalidity＝lossreal+lossfake

35、

36、其中，lossreal表示真實(shí)光譜損失，lossfake表示偽光譜損失，d(x)表示判別器網(wǎng)絡(luò)對(duì)ftir光譜儀獲取的真實(shí)光譜樣本x是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的預(yù)測(cè)判定結(jié)果，且d(x)＝0表示真實(shí)光譜樣本不是航空發(fā)動(dòng)機(jī)熱射流的光譜，d(x)＝1表示真實(shí)光譜樣本是航空發(fā)動(dòng)機(jī)熱射流的光譜，pdata(x)表示ftir光譜儀獲取的真實(shí)光譜樣本x符合的分布，g(z)表示生成器網(wǎng)絡(luò)生成的偽光譜樣本，d(g(z))表示判別器網(wǎng)絡(luò)對(duì)生成的偽光譜樣本是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的預(yù)測(cè)判定結(jié)果，且d(g(z))＝0表示偽光譜樣本不是航空發(fā)動(dòng)機(jī)熱射流的光譜，d(g(z))＝1表示偽光譜樣本是航空發(fā)動(dòng)機(jī)熱射流的光譜，pz(z)表示生成器網(wǎng)絡(luò)輸入的隨機(jī)噪聲z符合的分布，e[·]表示期望；

37、類(lèi)別損失函數(shù)lossclass為：

38、

39、其中，crossentropy(·)表示交叉熵函數(shù)，y表示真實(shí)光譜對(duì)應(yīng)的航空發(fā)動(dòng)機(jī)的真實(shí)類(lèi)別，c(x)表示判別網(wǎng)絡(luò)對(duì)真實(shí)光譜的預(yù)測(cè)類(lèi)別。

40、進(jìn)一步地，訓(xùn)練生成器網(wǎng)絡(luò)的損失函數(shù)lossg為：

41、

42、其中，g(z)表示生成器網(wǎng)絡(luò)生成的偽光譜樣本，d(g(z))表示判別器網(wǎng)絡(luò)對(duì)生成的偽光譜樣本是否為航空發(fā)動(dòng)機(jī)熱射流的光譜的預(yù)測(cè)判定結(jié)果，且d(g(z))＝0表示偽光譜樣本不是航空發(fā)動(dòng)機(jī)熱射流的光譜，d(g(z))＝1表示偽光譜樣本是航空發(fā)動(dòng)機(jī)熱射流的光譜，pz(z)表示生成器網(wǎng)絡(luò)輸入的隨機(jī)噪聲z符合的分布，表示期望。

43、有益效果：

44、1、本發(fā)明提供一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法，針對(duì)包含渦噴、渦扇兩種類(lèi)別的六種不同型號(hào)航空發(fā)動(dòng)機(jī)尾噴熱射流進(jìn)行紅外光譜探測(cè)，以此作為發(fā)動(dòng)機(jī)識(shí)別的基礎(chǔ)與數(shù)據(jù)源輸入，更具有分類(lèi)科學(xué)性；同時(shí)，針對(duì)cnn方法在現(xiàn)有光譜數(shù)據(jù)集上存在過(guò)擬合的問(wèn)題，本發(fā)明提出了一種ftir-spectralgan方法，通過(guò)現(xiàn)有數(shù)據(jù)生成新數(shù)據(jù)，提高了網(wǎng)絡(luò)各方面的分類(lèi)能力，達(dá)到了更高的分類(lèi)準(zhǔn)確率。

45、2、本發(fā)明提供一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法，ftir-spectralgan可以生成新的、多樣化的訓(xùn)練樣本，這些樣本在統(tǒng)計(jì)上與真實(shí)數(shù)據(jù)相似，增加了數(shù)據(jù)多樣性，從而擴(kuò)充了訓(xùn)練數(shù)據(jù)集；同時(shí)，ftir-spectralgan通過(guò)生成器學(xué)習(xí)到現(xiàn)有光譜數(shù)據(jù)的潛在分布，有助于cnn提取更有效的特征，提高分類(lèi)模型的泛化能力。

46、3、本發(fā)明提供一種面向航空發(fā)動(dòng)機(jī)熱射流ft-ir光譜增強(qiáng)分類(lèi)方法，采用數(shù)據(jù)增強(qiáng)的方法用來(lái)彌補(bǔ)小樣本情況下數(shù)據(jù)量的問(wèn)題，增強(qiáng)了原有cnn網(wǎng)絡(luò)面對(duì)數(shù)據(jù)量少時(shí)的過(guò)擬合情況，有效提高了cnn光譜分類(lèi)網(wǎng)絡(luò)的魯棒性與準(zhǔn)確性。