Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ...
Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ... Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ...
4 Approximation durch radiale Basisfunktionen 27 die Gleichung (4.2) um ein in x lineares Polynom p (x) zu erweitern. Mit Gleichung (4.2) führt dies zur Interpolante s f (x) = m∑ λ k Φ (∥ ∥ ∥ x − ˆx k ) + γ RBF · p (x) . (4.3) k=1 Wenn die Interpolationsbedingungen über alle ˆX f i = m∑ λ k Φ (∥ ∥ˆx i − ˆx k∥ ∥ ) + γ RBF · p (ˆx i) (4.4) k=1 erfüllt sind und die Parameter λ und γ RBF eindeutig bestimmt werden können, ist die Interpolante s f (x) eindeutig. In Matrix-Schreibweise erhält man den in Gleichung (4.4) beschriebenen Zusammenhang mit [ Φ P P 0 ] · [ ] [ λ ˆF = γ RBF 0 ] , (4.5) wobei die Matrix Φ ∈ R m×m definiert ist als ⎡ Φ (‖ˆx 1 − ˆx 1 ‖) Φ (‖ˆx 1 − ˆx 2 ‖) . . . Φ (‖ˆx 1 − ˆx m ‖) Φ (‖ˆx Φ = 2 − ˆx 1 ‖) Φ (‖ˆx 2 − ˆx 2 ‖) . . . Φ (‖ˆx 2 − ˆx m ‖) ⎢ . ⎣ . . .. . Φ (‖ˆx m − ˆx 1 ‖) Φ (‖ˆx m − ˆx 2 ‖) . . . Φ (‖ˆx m − ˆx m ‖) ⎤ ⎥ ⎦ (4.6) und der Vektor P ∈ R m gegeben ist als ( P = p (ˆx 1 ) p (ˆx 2 ) . . . p (ˆx m ) ) T . (4.7) Das resultierende lineare Gleichungssystem zur Bestimmung von λ und γ ist lösbar, wenn [ Φ P P 0 ] [ ] [ λ = γ RBF invertierbar ist. Φ P P T 0 ] −1 [ ˆF 0 ] (4.8) Während der Optimierung der Signalstärke des Vibrometers fließen die Messwerte α (c) über die Kostenfunktion aus Gleichung (3.24) in die Bewertung des optimalen Signalpegels α ⋆ ein. Die Funktionsauswertung f = z (c) ist somit abhängig von den gewählten Koeffizienten c der Zernike-Polynome, so dass f (α (c) , β (c)) = z (c) gilt. Die schon bekannten ˆF ) = z (Ĉ mit den zusammen gefassten Stützstellen ˆX = Ĉ = ( ĉ 1 , ..., ĉ k) T werden genutzt, um eine (Hyper-)Oberfläche im R n mittels RBF zu approximieren und anschließend wird das Minimum der (Hyper-)Oberfläche bestimmt.
4 Approximation durch radiale Basisfunktionen 28 4.1 Interpolation am Beispiel Himmelblau-Funktion In dem folgenden Beispiel wurde die Himmelblau-Funktion, die durch f (x) = ( x 2 1 + x 2 − 11 ) 2 + ( x1 + x 2 2 − 7 ) 2 , (4.9) gegeben ist, mit der radialen Basisfunktion und der Gleichung (4.3) Φ (‖r‖) = r 3 (4.10) approximiert. Dazu wurden die Parameter λ und γ über die Gleichung (4.8) bestimmt. Die Stützstellen ˆX wurden stochastisch gleichverteilt zufällig gewählt und die zugehörigen Funktionsevaluationen ˆF mit der Gleichung (4.9) bestimmt. Zum Vergleich wurde eine unterschiedliche Anzahl Stützstellen erzeugt. Die Abbildungen in 4.1 zeigen die grafische Auswertung der Approximation. 20 Stützstellen 40 Stützstellen 80 Stützstellen 100 Stützstellen Abbildung 4.1: Approximation der Himmelblau-Funktion mit 20 - 100 Stützstellen Die 4 Minima der Funktion sind ab 20 Stützstellen schon sehr ausgeprägt erkennbar. Die Oberfläche mit der rötlich geprägten Farbpalette ist dabei der Verlauf der Originalfunktion, die bläuliche Oberfläche der Verlauf der Interpolante.
- Seite 1 und 2: Reduktion von Speckle-Drop-Outs in
- Seite 3 und 4: Inhaltsverzeichnis I Inhaltsverzeic
- Seite 5 und 6: Inhaltsverzeichnis III 8.6 Beispiel
- Seite 7 und 8: Abbildungsverzeichnis V 5.6 1D-DIRE
- Seite 9 und 10: Tabellenverzeichnis VII Tabellenver
- Seite 11 und 12: 1 Einleitung Durch stetige Fortschr
- Seite 13 und 14: 1 Einleitung 4 Beamforming [66] zur
- Seite 15 und 16: 1 Einleitung 6 Kostenfunktion herge
- Seite 17 und 18: 2 Historische Entwicklung der Laser
- Seite 19 und 20: 2 Historische Entwicklung der Laser
- Seite 21 und 22: 2 Historische Entwicklung der Laser
- Seite 23 und 24: 2 Historische Entwicklung der Laser
- Seite 25 und 26: 2 Historische Entwicklung der Laser
- Seite 27 und 28: 3 Analyse und Modellbildung 18 3.1
- Seite 29 und 30: 3 Analyse und Modellbildung 20 Abbi
- Seite 31 und 32: 3 Analyse und Modellbildung 22 und
- Seite 33 und 34: 3 Analyse und Modellbildung 24 Abbi
- Seite 35: 4 Approximation durch radiale Basis
- Seite 39 und 40: 4 Approximation durch radiale Basis
- Seite 41 und 42: 4 Approximation durch radiale Basis
- Seite 43 und 44: 4 Approximation durch radiale Basis
- Seite 45 und 46: 4 Approximation durch radiale Basis
- Seite 47 und 48: 5 Statische Optimierung des Signalp
- Seite 49 und 50: 5 Statische Optimierung des Signalp
- Seite 51 und 52: 5 Statische Optimierung des Signalp
- Seite 53 und 54: 5 Statische Optimierung des Signalp
- Seite 55 und 56: 5 Statische Optimierung des Signalp
- Seite 57 und 58: 5 Statische Optimierung des Signalp
- Seite 59 und 60: 5 Statische Optimierung des Signalp
- Seite 61 und 62: 5 Statische Optimierung des Signalp
- Seite 63 und 64: 5 Statische Optimierung des Signalp
- Seite 65 und 66: 5 Statische Optimierung des Signalp
- Seite 67 und 68: 5 Statische Optimierung des Signalp
- Seite 69 und 70: 5 Statische Optimierung des Signalp
- Seite 71 und 72: 5 Statische Optimierung des Signalp
- Seite 73 und 74: 6 Experimentelle Parameterbestimmun
- Seite 75 und 76: 6 Experimentelle Parameterbestimmun
- Seite 77 und 78: 6 Experimentelle Parameterbestimmun
- Seite 79 und 80: 6 Experimentelle Parameterbestimmun
- Seite 81 und 82: 6 Experimentelle Parameterbestimmun
- Seite 83 und 84: 6 Experimentelle Parameterbestimmun
- Seite 85 und 86: 7 Quadratische Approximation und Op
4 Approximation durch radiale Basisfunktionen 27<br />
die Gleichung (4.2) um e<strong>in</strong> <strong>in</strong> x l<strong>in</strong>eares Polynom p (x) zu erweitern. Mit Gleichung (4.2)<br />
führt dies zur Interpolante<br />
s f (x) =<br />
m∑<br />
λ k Φ (∥ ∥ ∥ x − ˆx<br />
k ) + γ RBF · p (x) . (4.3)<br />
k=1<br />
Wenn die Interpolationsbed<strong>in</strong>gungen über alle ˆX<br />
f i =<br />
m∑<br />
λ k Φ (∥ ∥ˆx i − ˆx k∥ ∥ ) + γ RBF · p (ˆx i) (4.4)<br />
k=1<br />
erfüllt s<strong>in</strong>d und die Parameter λ und γ RBF e<strong>in</strong>deutig bestimmt werden können, ist die<br />
Interpolante s f (x) e<strong>in</strong>deutig. In Matrix-Schreibweise erhält man den <strong>in</strong> Gleichung (4.4)<br />
beschriebenen Zusammenhang mit<br />
[<br />
Φ<br />
P<br />
P 0<br />
]<br />
·<br />
[<br />
] [<br />
λ ˆF<br />
=<br />
γ RBF 0<br />
]<br />
, (4.5)<br />
wobei die Matrix Φ ∈ R m×m def<strong>in</strong>iert ist als<br />
⎡<br />
Φ (‖ˆx 1 − ˆx 1 ‖) Φ (‖ˆx 1 − ˆx 2 ‖) . . . Φ (‖ˆx 1 − ˆx m ‖)<br />
Φ (‖ˆx<br />
Φ =<br />
2 − ˆx 1 ‖) Φ (‖ˆx 2 − ˆx 2 ‖) . . . Φ (‖ˆx 2 − ˆx m ‖)<br />
⎢<br />
.<br />
⎣ .<br />
. .. .<br />
Φ (‖ˆx m − ˆx 1 ‖) Φ (‖ˆx m − ˆx 2 ‖) . . . Φ (‖ˆx m − ˆx m ‖)<br />
⎤<br />
⎥<br />
⎦<br />
(4.6)<br />
und <strong>der</strong> Vektor P ∈ R m gegeben ist als<br />
(<br />
P = p (ˆx 1 ) p (ˆx 2 ) . . . p (ˆx m )<br />
) T<br />
. (4.7)<br />
Das resultierende l<strong>in</strong>eare Gleichungssystem zur Bestimmung <strong>von</strong> λ und γ<br />
ist lösbar, wenn<br />
[<br />
Φ<br />
P<br />
P 0<br />
]<br />
[<br />
] [<br />
λ<br />
=<br />
γ RBF<br />
<strong>in</strong>vertierbar ist.<br />
Φ<br />
P<br />
P T 0<br />
] −1 [ ˆF<br />
0<br />
]<br />
(4.8)<br />
Während <strong>der</strong> Optimierung <strong>der</strong> Signalstärke des Vibrometers fließen die Messwerte α (c)<br />
über die Kostenfunktion aus Gleichung (3.24) <strong>in</strong> die Bewertung des optimalen Signalpegels<br />
α ⋆ e<strong>in</strong>. Die Funktionsauswertung f = z (c) ist somit abhängig <strong>von</strong> den gewählten<br />
Koeffizienten c <strong>der</strong> Zernike-Polynome, so dass f (α (c) , β (c)) = z (c) gilt. Die schon bekannten<br />
ˆF<br />
)<br />
= z<br />
(Ĉ mit den zusammen gefassten Stützstellen ˆX = Ĉ = ( ĉ 1 , ..., ĉ k) T<br />
werden genutzt, um e<strong>in</strong>e (Hyper-)Oberfläche im R n mittels RBF zu approximieren und<br />
anschließend wird das M<strong>in</strong>imum <strong>der</strong> (Hyper-)Oberfläche bestimmt.