文章目录

摘要

ABSTRACT

第一章 绪论

1.1 研究背景及意义

1.2 动态光散射气溶胶粒度测量及反演发展现状

    1.2.1 测量发展现状

    1.2.2 反演发展现状

1.3 本文研究的主要内容

1.4 本章小结

第二章 气溶胶动态光散射测量方法

2.1 动态光散射测量原理

2.2 动态光散射数据处理

2.3 流动速度确定原则

2.4 反演结果评价指标

2.5 本章小结

第三章 动态光散射反演中正则化算法分析与比较

3.1 动态光散射反演中常用的正则化算法

    3.1.1 Tikhonov正则化

    3.1.2 截断奇异值正则化(TSVD)

3.2 模拟反演及结果分析

    3.2.1 单峰数据反演

    3.2.2 双峰数据反演

    3.2.3 结果分析

3.3 实测结果及分析

3.4 结论

3.5 本章小结

第四章 粒度分布自适应采样非负TSVD算法

4.1 非负截断奇异值正则化

4.2 粒度分布采样点对反演结果影响分析

    4.2.1 固定通道数

    4.2.2 不同通道数

4.3 粒度分布自适应采样非负TSVD方法

4.4 PSDAF-NNTSVD算法模拟反演及结果

    4.4.1 单峰分布模拟

    4.4.2 双峰分布模拟

4.5 实验结果及分析

4.6 本章小结

第五章 基于GRNN神经网络流动气溶胶动态光散射反演

5.1 神经网络概述

5.2 GRNN神经网络原理

5.3 GRNN神经网络粒度反演

5.4 GRNN网络模型建立及反演分析

    5.4.1 单峰分布GRNN网络建模及反演分析

    5.4.2 算法

    5.4.3 模拟数据反演与分析

    5.4.4 双峰分布GRNN网络建模及反演分析

    5.4.5 算法

    5.4.6 模拟数据反演分析

5.5 SOT-GRNN网络模型建立与反演分析

    5.5.1 建模

    5.5.2 算法

    5.5.3 数据模拟与分析

5.6 实测结果及分析

5.7 本章小结

第六章 结论与建议

6.1 结论

6.2 主要创新点

6.3 建议

参考文献

在学期间公开发表论文及著作情况

致谢

文章摘要:动态光散射技术是测量亚微米及纳米颗粒粒径的有效方法,在流动气溶胶测量中得到发展及应用。在反演过程中,需要求解第一类Fredholm积分方程,这是一典型的病态问题。流动气溶胶动态光散射的散射光强同时受布朗运动和定向平移运动的共同作用。其反演更加复杂,除了受噪声的影响外,也受到流动速度的影响。流动气溶胶颗粒粒度反演是动态光散射测量中的重点和难点。为了提高反演结果的稳定性和精度,本文针对反演算法进行了研究。主要研究内容包括:1.对于气溶胶颗粒反演,分别采用二阶差分矩阵Tikhonov正则化（second-order Tikhonov）和截断奇异值正则化（TSVD）进行了比较研究,得出每种方法的特性和适应范围。通过对噪声、流速影响因素的分析,结果表明:对于单峰小颗粒气溶胶,在低流速情况下,TSVD反演误差小于second-order Tikhonov反演误差。对于低流速的单峰大颗粒和高流速的单峰颗粒,颗粒的增大和流速的增加会削弱动态光散射测量的粒径信息。此外,奇异值的截断进一步导致粒径信息的损失。而second-order Tikhonov采用修正小的奇异值的策略,保留了一定的粒径信息。因此其反演精度优于TSVD。对于双峰气溶胶颗粒,动态光散射粒度测量的分辨率受到光强自相关函数数据中混合噪声和数据本身较低信息含量的限制。在此基础上,流速的影响会进一步造成数据信息的丢失。second-order Tikhonov具有更好的性能指标和更强的双峰分辨率。实验结果与仿真结果吻合较好。2.针对截断奇异值正则化方法（TSVD）研究了粒度分布采样点数对动态光散射反演精度的影响。采样点数选择不当会造成反演结果的精度降低或与真实值严重偏离。为了解决上述问题,通过研究采样点数、粒度分布相对误差、相关函数通道数关系,得出最优采样点数上限受相关函数通道数限制;在不同采样点数下,通过粒度分布相对误差和电场自相关函数残差的研究,得出两者之间具有弱相似性,从而提出一种最优采样点数的确定准则。根据最优采样点数上限条件及其确定准则提出了一种粒度分布自适应采样非负TSVD方法。在不同流动速度和噪声水平下,分别采用粒度分布自适应采样的非负TSVD、粒度分布固定采样点数的非负TSVD对120通道单峰分布和160通道双峰分布气溶胶颗粒模拟数据进行反演,结果表明,自适应算法的反演粒度分布与理论粒度分布更加吻合,抗干扰能力更强。3.传统方法反演流动气溶胶颗粒往往受到测量数据中的高噪声以及流动速度的影响,进而出现峰值位置减小、峰值高度降低、峰值宽度展宽的现象,降低反演方法的稳定性。为了缓解上述因素的影响,考虑GRNN的鲁棒性和精度性高的特点,将其与二阶差分矩阵Tikhonov正则化相结合,提出了一种second-order Tikhonov GRNN神经网络（SOT-GRNN）方法。该方法针对不同的流动速度建立各自的GRNN（v