散射

本文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，利用广义神经网络同时解析颗粒粒径和识别属性。首先采用经验模态分解(Empirical Mode Decomposition, EMD)分解颗粒物光散射信号，提取三维能量分布，计算三种同种粒径不同属性的颗粒样本熵，通过比较样本熵的不同表明样本熵能够反映出颗粒的属性，为了消除粒径和属性对散射的相互影响，对散射信号做希尔伯特变换(Hilbert)，提取时频域特征，与样本熵结合组成高维特征集，通过局部线性嵌入算法(Locally Linear Embedding, LLE)将特征集归为6个特征，作为广义神经网络的输入层，检测粒径和识别属性，依据国家标物中心标准颗粒，采用粒径0.11μm的二氧化硅颗粒、2μm和4μm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。

吴娟, 周真, 齐佳, 杨希, 曾毛毛. 多角度光散射颗粒粒径的解析和属性的识别[J]. 光学学报, 2017, 37(9): 2.  复制并引用该论文