基于机器学习的视线发射光谱空间分辨测温
机器学习
2022-12-16 v1 信号处理
摘要
本文提出一种方法，以解决视线发射光谱无法在非均匀温度场中提供空间分辨温度测量的缺陷。本研究旨在探索使用数据驱动模型，通过发射光谱数据以空间分辨方式测量温度分布。分析了两类数据驱动方法：（i）特征工程与经典机器学习算法，以及（ii）端到端卷积神经网络（CNN）。总共考虑了十五个特征组与十五个经典机器学习模型，以及十一个 CNN 模型的组合并探究了其性能。结果表明，特征工程与机器学习的结合比直接使用 CNN 性能更好。值得注意的是，由物理引导变换、基于信号表示的特征提取和主成分分析构成的特征工程被发现最为有效。此外，研究表明当使用提取的特征时，基于集成的轻量混合（light blender）学习模型提供最佳性能，其 RMSE、RE、RRMSE 和 R 值分别为 64.3、0.017、0.025 和 0.994。所提出的基于特征工程和 light blender 模型的方法，能够从低分辨率光谱中测量非均匀温度分布，即使在气体混合物中物种浓度分布未知时也是如此。
引用
@article{arxiv.2212.07836,
title = {Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy via Machine Learning},
author = {Ruiyuan Kang and Dimitrios C. Kyritsis and Panos Liatsis},
journal= {arXiv preprint arXiv:2212.07836},
year = {2022}
}
备注
19 pages, 10 figures, systematical investigation of feature engineering and machine learning for realizing spatially-resolved thermometry from line-of-sight spectroscopy