基于PSO-ELM算法的红外目标模拟器校准数据拟合方法研究

提高红外目标模拟器校准数据的拟合精度，对于红外目标辐射照度等辐射特性的测量具有重要意义。针对标定数据高度非线性、传统拟合算法精度不高的问题，介绍了一种基于粒子群算法优化（PSO ELM）的极限学习机算法，该算法以标准黑体辐射温度为输入因子，以MCT探测器实测的辐照度为输出因子，建立了PSO-elm模型。利用粒子群算法（PSO）对连接隐藏神经元和输入层以及隐藏神经元阈值的权重进行了优化，并拟合了输入参数和输出参数之间的非线性关系。这两个参数的优化提高了极限学习机算法（ELM）的性能，该方法的主要优点是容错性强，对复杂非线性数据的处理性能好，以及ELM算法参数设置的优化机制。通过与GA-elm模型和ELM模型的比较，验证了基于PSO-elm的方法与传统的数据拟合方法相比，拟合精度有了很大提高，为红外目标模拟器的标定数据拟合提供了一种新的方法。