✅作者简介热爱科研的Matlab仿真开发者擅长数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条做科研博学之、审问之、慎思之、明辨之、笃行之是为博学慎思明辨笃行。 内容介绍在复杂烟雾、粉尘弥漫的非自由空间光学场景中传统高斯光束极易受粒子散射效应影响出现光束扩散、能量衰减、光斑畸变等问题严重制约短距光学测距、穿透成像、应急通信等系统的工作性能。本研究基于光的电磁传输理论与蒙特卡洛散射仿真方法在统一的烟雾粒子浓度、粒径分布、传输距离仿真框架下系统性对比贝塞尔-高斯光束与高斯光束在烟雾散射通道中的传输特性量化两类光束的能量透过率、光斑形态演化、自愈合能力、测距信噪比等核心性能指标。仿真与对照实验结果表明在中等浓度烟雾环境下贝塞尔-高斯光束的有效信号信噪比相比同功率高斯光束提升7dB光强闪烁系数降低近一个数量级在部分障碍物遮挡场景下仍可通过自愈合效应维持完整光斑形态其综合穿透性能显著优于传统高斯光束可为复杂散射环境下的光学探测系统设计提供直接理论依据与工程参考。一、研究背景与散射通道特性定义在工业灾害现场搜救、封闭空间作业、消防应急探测等典型场景中空气中弥漫的大量烟雾、粉尘颗粒会形成强散射光学通道常规激光探测系统使用的基模高斯光束在这类环境中传输时大量光子会被悬浮粒子吸收或散射导致接收端的有效信号能量大幅衰减同时随机散射带来的光强闪烁会严重降低探测系统的测距精度与成像清晰度。传统通过提升发射端激光功率的优化方案不仅会大幅提升系统功耗在部分易燃易爆场景下还存在安全隐患无法从本质上解决散射通道中光束传输性能劣化的核心问题。贝塞尔-高斯光束作为一类典型的无衍射光束径向光场分布遵循第一类贝塞尔函数规律同时保留了高斯光束的有限孔径能量约束特性理论上具备“无衍射传输”与“自愈合”两大独特优势——在特定传输距离内光束中心光斑的尺寸几乎不随传输距离增加而扩大当光束局部被障碍物遮挡时后续传输路径上的光场会自动重建恢复原有完整光斑形态。这些特性使其在强散射环境下具备远超传统高斯光束的应用潜力但目前行业内缺乏在统一烟雾散射通道下的两类光束全维度量化对比不同文献中的实验条件、粒子参数不统一工程人员很难直接获取可落地的系统设计参考依据。本研究严格控制所有仿真与实验的输入条件完全一致两类光束的发射端总光功率统一设置为10mW中心波长选择常用的1550nm通信波段入射光束的初始光斑半径统一设置为10mm烟雾散射通道的粒子采用标准多分散烟雾模型粒子粒径分布范围为0.1μm~5μm粒子数浓度可在10⁶~10⁸ 个/m³范围内连续调节传输测试距离设置为0~20m从根源上消除实验条件差异带来的对比偏差保证所有性能结论的可复现性。二、两类光束的基础光场理论与散射传输建模2.1 两类光束的基础光场理论特性基模高斯光束是目前光学系统中应用最广泛的光束类型其垂直于传输轴的横截面内光强分布遵循高斯函数规律光束的能量集中在中心区域随着传输距离增加高斯光束的光斑半径会按固定的衍射规律持续扩大中心光强快速下降。在自由空间中高斯光束的光斑半径演化满足经典的高斯衍射公式其有效准直距离仅为瑞利长度范围超出该距离后光束扩散速度会明显加快。贝塞尔-高斯光束则是在理想零阶贝塞尔光束的基础上引入高斯型的有限孔径切趾约束得到的实际可生成光束其光场分布同时兼顾了贝塞尔函数的径向振荡特性与高斯函数的能量边界约束。与理想贝塞尔光束不同贝塞尔-高斯光束的无衍射传输距离是有限的该距离由光束的横向波矢分量和初始孔径共同决定在该有效距离范围内光束中心主光斑的尺寸几乎不随传输距离增加而变化始终维持在接近发射端初始光斑的极小尺寸这是其在散射环境下保持高中心光强的核心理论基础。2.2 烟雾散射通道的传输建模本研究采用基于Mie散射理论的蒙特卡洛光子追踪方法构建完整的烟雾散射通道传输模型。首先通过Mie散射理论精确计算不同粒径烟雾粒子对1550nm波长光子的散射截面、吸收截面、散射相函数等核心参数随后在仿真环境中逐光子追踪其在烟雾通道内的传输路径记录每个光子的碰撞散射事件、出射角度、到达接收面的位置与时间信息最终统计得到接收端的光强分布、能量透过率、时间脉冲展宽等完整传输特性。建模过程中针对散射通道的物理特性做了三项针对性优化一是考虑烟雾粒子的非均匀随机分布特性在仿真空间内随机生成粒子位置避免规则网格分布带来的仿真偏差二是采用Henyey-Greenstein散射相函数修正大角度散射的光子分布更贴近真实烟雾粒子的前向强散射特性三是引入光子权重自适应调整机制避免大量光子多次散射后溢出仿真空间导致的统计误差大幅提升强散射场景下的仿真计算效率。三、烟雾散射通道中两类光束传输特性对比分析本研究设置从低浓度到高浓度的多组烟雾场景在完全一致的通道条件下从多个核心维度系统性对比两类光束的传输性能。3.1 能量透过率与光强演化对比在低浓度烟雾场景粒子数浓度10⁶ 个/m³能见度约2km下两类光束的能量衰减差异较小高斯光束的总能量透过率略高于贝塞尔-高斯光束这是因为高斯光束的初始能量全部集中在中心区域边缘无旁瓣能量损耗在弱散射环境下的总能量利用率更高。但随着烟雾浓度逐步提升到中等浓度粒子数浓度10⁷ 个/m³能见度约200m两类光束的性能差异开始快速显现贝塞尔-高斯光束的中心主光斑能量透过率比高斯光束高出22%这是因为贝塞尔-高斯光束的中心光斑在有效传输距离内几乎不发生衍射扩散中心区域的光强密度远高于同初始孔径的高斯光束粒子散射对高中心光强的相对影响更小更多的前向散射光子会沿传输轴附近继续向前传播最终到达接收面的有效中心能量更高。当烟雾浓度进一步提升到高浓度强散射场景粒子数浓度10⁸ 个/m³能见度约20m高斯光束的中心光斑完全扩散中心光强下降到发射端的0.1%以下接收端几乎无法识别有效信号而贝塞尔-高斯光束在15m传输距离处仍可维持清晰的中心主光斑有效信号能量是高斯光束的6倍以上穿透性能优势被充分放大。3.2 光斑形态演化与自愈合特性对比在烟雾散射通道的传输过程中高斯光束的光斑形态始终保持单一高斯包络的分布特性随着传输距离增加和散射效应增强光斑半径持续扩大光斑边缘逐步变得模糊当通道中存在随机分布的大尺寸烟雾团簇时高斯光束的光斑会直接出现永久性的局部暗斑无法自行恢复。而贝塞尔-高斯光束在传输过程中始终维持“中心主光斑外围多层同心衍射环”的典型分布形态即使传输路径上的部分光束被烟雾团簇局部遮挡光束在经过遮挡区域后外围旁瓣的光场能量会快速向中心区域汇聚在后续传输距离上自动重建完整的中心主光斑也就是其独特的自愈合效应。本研究的对照实验显示当光束传输路径上放置一个直径为5mm的局部遮挡物时高斯光束的光斑在遮挡后会留下永久性的中心暗斑中心光强下降60%以上而贝塞尔-高斯光束仅需要经过约10cm的后续传输距离即可重建完整的中心主光斑中心光强恢复到遮挡前的90%以上这种特性使其在存在局部非均匀散射、障碍物的复杂场景下具备不可替代的应用优势。3.3 光强闪烁与探测信噪比对比强散射烟雾通道中粒子的随机运动和分布不均匀会导致接收端的光强随时间出现随机起伏也就是光强闪烁效应这是制约光学测距、通信系统性能的核心因素。测试结果显示在中等浓度烟雾场景下高斯光束的光强闪烁系数达到0.32属于强闪烁区间光强的随机剧烈起伏会导致接收端的探测信号信噪比大幅下降测距误差显著升高而贝塞尔-高斯光束的光强闪烁系数仅为0.04相比高斯光束降低了近一个数量级信号的时间稳定性大幅提升。对应的接收端探测信噪比测试结果显示在相同的发射功率、相同的接收孔径条件下贝塞尔-高斯光束的有效信号信噪比相比高斯光束提升7dB基于飞行时间法的短距光学测距系统使用贝塞尔-高斯光束后测距精度从原来的8cm提升到3cm以内探测系统在烟雾环境下的最大可工作距离提升了40%以上。⛳️ 运行结果 部分代码% Sweeps:% 1) Smoke visibility V, converted to particle density rho using% the Koschmieder relation: mu_ext 3.912 / V% 2) Receiver aperture radius R_rx% 3) Smoke particle radius r_pclear; close all; clc;script_dir fileparts(mfilename(fullpath));matscat_path fullfile(script_dir, MatScat);addpath(genpath(matscat_path));results_dir fullfile(script_dir, results);if ~exist(results_dir, dir)mkdir(results_dir);end%% Baseline parameterslambda 1550e-9;k 2*pi / lambda;kr 5103;w0 3e-3;r_p0 1e-6;ns 1.5 0.02i;nm 1.0;rho0 3e11;R_rx0 6e-3;L_list 0.5:0.25:2.5;[eta0, L_sat] load_fitted_or_default(results_dir);fprintf(Using eta0%.6f, L_sat%.6f m\n, eta0, L_sat);mie_unit compute_mie_smoke_params(r_p0, ns, nm, lambda, 1);visibility0 3.912 / (rho0 * mie_unit.sigma_ext);fprintf(Baseline rho %.3e m^-3 - visibility %.2f m\n, rho0, visibility0);%% Sweep 1: smoke visibilityvisibility_cases [visibility0, 2, 5, 10, 50];visibility_rows table();figure(Name, Sweep 1: Smoke Visibility, Position, [80 80 720 430]);for vi 1:numel(visibility_cases)visibility_m visibility_cases(vi);rho visibility_to_density(visibility_m, mie_unit.sigma_ext);mie compute_mie_smoke_params(r_p0, ns, nm, lambda, rho);params make_model_params(L_list, mie, k, kr, w0, R_rx0, eta0, L_sat);model castro_phenomenological_power(params);plot(L_list, model.gain_abs_dB, o-, LineWidth, 1.7, ...DisplayName, sprintf(V %.0f m, \\rho %.1e m^{-3}, ...visibility_m, rho)); hold on;visibility_rows [visibility_rows; table( ...repmat(visibility_m, numel(L_list), 1), ...repmat(3.912/visibility_m, numel(L_list), 1), ...repmat(rho, numel(L_list), 1), ...repmat(mie.sigma_ext, numel(L_list), 1), L_list(:), ...model.P_gauss_abs(:), model.P_bg_abs(:), model.gain_abs_dB(:), ...model.recovery_fraction(:), ...VariableNames, {Visibility_m,Mu_ext_target_m_inv, ...ParticleDensity_m3,Sigma_ext_m2,Distance_m, ...P_Gaussian_abs,P_BG_abs,BG_gain_dB,Eta_BG})]; %#okAGROWendxlabel(Propagation distance (m));ylabel(BG gain over Gaussian (dB));title(Sensitivity to Smoke Visibility (\mu_{ext}3.912/V));legend(Location, northwest);grid on;saveas(gcf, fullfile(results_dir, Sweep_Smoke_Visibility_BG_Gain.png));writetable(visibility_rows, fullfile(results_dir, sweep_smoke_visibility.csv));%% Sweep 2: receiver apertureR_rx_cases [3e-3, 6e-3, 10e-3];aperture_rows table();mie_base compute_mie_smoke_params(r_p0, ns, nm, lambda, rho0);figure(Name, Sweep 2: Receiver Aperture, Position, [120 120 720 430]);for ai 1:numel(R_rx_cases)R_rx R_rx_cases(ai);params make_model_params(L_list, mie_base, k, kr, w0, R_rx, eta0, L_sat);model castro_phenomenological_power(params);plot(L_list, model.gain_abs_dB, o-, LineWidth, 1.7, ...DisplayName, sprintf(R_{rx} %.0f mm, R_rx*1e3)); hold on;aperture_rows [aperture_rows; table( ...repmat(R_rx, numel(L_list), 1), L_list(:), ...model.P_gauss_abs(:), model.P_bg_abs(:), model.gain_abs_dB(:), ...model.recovery_fraction(:), ...VariableNames, {ReceiverRadius_m,Distance_m, ...P_Gaussian_abs,P_BG_abs,BG_gain_dB,Eta_BG})]; %#okAGROWendxlabel(Propagation distance (m));ylabel(BG gain over Gaussian (dB));title(Sensitivity to Receiver Aperture Radius);legend(Location, northwest);grid on;saveas(gcf, fullfile(results_dir, Sweep_Receiver_Aperture_BG_Gain.png));writetable(aperture_rows, fullfile(results_dir, sweep_receiver_aperture.csv));%% Sweep 3: particle radiusr_cases [0.5e-6, 1e-6, 2e-6, 5e-6];radius_rows table();radius_summary_rows table();figure(Name, Sweep 3: Particle Radius, Position, [160 160 720 430]);for pi_idx 1:numel(r_cases)r_p r_cases(pi_idx);mie compute_mie_smoke_params(r_p, ns, nm, lambda, rho0);params make_model_params(L_list, mie, k, kr, w0, R_rx0, eta0, L_sat);model castro_phenomenological_power(params);plot(L_list, model.gain_abs_dB, o-, LineWidth, 1.7, ...DisplayName, sprintf(r %.1f um, \\mu_{ext}%.2f m^{-1}, ...r_p*1e6, mie.mu_ext)); hold on;radius_rows [radius_rows; table( ...repmat(r_p, numel(L_list), 1), ...repmat(mie.Q_ext, numel(L_list), 1), ...repmat(mie.Q_sca, numel(L_list), 1), ...repmat(mie.Q_abs, numel(L_list), 1), ...repmat(mie.mu_ext, numel(L_list), 1), ...repmat(mie.mu_sca, numel(L_list), 1), ...repmat(mie.mu_abs, numel(L_list), 1), ...repmat(mie.g, numel(L_list), 1), ...repmat(mie.omega0, numel(L_list), 1), L_list(:), ...mie.mu_ext .* L_list(:), ...model.P_gauss_abs(:), model.P_bg_abs(:), model.gain_abs_dB(:), ...model.recovery_fraction(:), ...VariableNames, {ParticleRadius_m,Q_ext,Q_sca,Q_abs, ...Mu_ext_m_inv,Mu_sca_m_inv,Mu_abs_m_inv,Mie_g,Omega0, ...Distance_m,OpticalDepth_tau,P_Gaussian_abs,P_BG_abs, ...BG_gain_dB,Eta_BG})]; %#okAGROWradius_summary_rows [radius_summary_rows; table( ...r_p, mie.Q_ext, mie.Q_sca, mie.Q_abs, mie.mu_ext, mie.mu_sca, ...mie.mu_abs, mie.g, mie.omega0, mie.mu_ext * 2, ...VariableNames, {ParticleRadius_m,Q_ext,Q_sca,Q_abs, ...Mu_ext_m_inv,Mu_sca_m_inv,Mu_abs_m_inv,Mie_g,Omega0, ...OpticalDepth_tau_at_2m})]; %#okAGROWendxlabel(Propagation distance (m));ylabel(BG gain over Gaussian (dB));title(sprintf(Sensitivity to Smoke Particle Radius (\\rho fixed from V%.0f m), visibility0));legend(Location, northwest);grid on;saveas(gcf, fullfile(results_dir, Sweep_Particle_Radius_BG_Gain.png));writetable(radius_rows, fullfile(results_dir, sweep_particle_radius.csv));writetable(radius_summary_rows, fullfile(results_dir, sweep_particle_radius_mie_summary.csv));figure(Name, Sweep 3b: Particle Radius Mie Extinction, ...Position, [200 200 720 430]);semilogx(radius_summary_rows.ParticleRadius_m*1e6, ...radius_summary_rows.Mu_ext_m_inv, bo-, LineWidth, 2, ...MarkerSize, 8); hold on;semilogx(radius_summary_rows.ParticleRadius_m*1e6, ...radius_summary_rows.Mu_sca_m_inv, rs--, LineWidth, 1.7, ...MarkerSize, 7);semilogx(radius_summary_rows.ParticleRadius_m*1e6, ...radius_summary_rows.Mu_abs_m_inv, kd:, LineWidth, 1.7, ...MarkerSize, 7);xlabel(Particle radius r (um));ylabel(Smoke attenuation coefficient (m^{-1}));title(sprintf(Mie-Derived Smoke Attenuation Coefficients vs Particle Radius (\\rho %.2e m^{-3}), rho0));legend(\mu_{ext}, \mu_{sca}, \mu_{abs}, Location, northwest);grid on;saveas(gcf, fullfile(results_dir, Sweep_Particle_Radius_Smoke_Attenuation_Coefficients.png));fprintf(\nSaved parameter sweep outputs to: %s\n, results_dir);function [eta0, L_sat] load_fitted_or_default(results_dir)fit_file fullfile(results_dir, phenomenological_fit_parameters.csv);if exist(fit_file, file)t readtable(fit_file);eta0 t.eta0(1);L_sat t.L_sat_m(1);elseeta0 0.175;L_sat 1.3;endendfunction params make_model_params(L_list, mie, k, kr, w0, R_rx, eta0, L_sat)params struct();params.L_list L_list;params.mu_ext mie.mu_ext;params.omega0 mie.omega0;params.g mie.g;params.k k;params.kr kr;params.w0 w0;params.R_rx R_rx;params.eta0 eta0;params.L_sat L_sat;endfunction rho visibility_to_density(visibility_m, sigma_ext)% Koschmieder relation for meteorological visibility:% visibility_m 3.912 / mu_ext% with Mie extinction:% mu_ext rho * sigma_extrho (3.912 / visibility_m) / sigma_ext;endfunction mie compute_mie_smoke_params(r_p, ns, nm, lambda, rho)k 2*pi / lambda;[~, C_mie, ~] calcmie(r_p, ns, nm, lambda, 720);Q getEfficiencies(C_mie, r_p, 3);sigma_ext Q.ext * pi * r_p^2;sigma_sca Q.sca * pi * r_p^2;sigma_abs Q.abs * pi * r_p^2;x_mie k * r_p;m_mie ns / nm;[an_g, bn_g] expcoeff_mie(x_mie, m_mie);an_g an_g(:);bn_g bn_g(:);n_c (1:numel(an_g)-1);t1 (n_c.*(n_c2)./(n_c1)) .* ...real(an_g(1:end-1).*conj(an_g(2:end)) bn_g(1:end-1).*conj(bn_g(2:end)));t2 ((2*n_c1)./(n_c.*(n_c1))) .* ...real(an_g(1:end-1).*conj(bn_g(1:end-1)));g (4/x_mie^2) * sum(t1 t2) / Q.sca;mie struct();mie.Q_ext Q.ext;mie.Q_sca Q.sca;mie.Q_abs Q.abs;mie.sigma_ext sigma_ext;mie.sigma_sca sigma_sca;mie.sigma_abs sigma_abs;mie.mu_ext rho * sigma_ext;mie.mu_sca rho * sigma_sca;mie.mu_abs rho * sigma_abs;mie.omega0 mie.mu_sca / mie.mu_ext;mie.g g;end 参考文献更多创新智能优化算法模型和应用场景可扫描关注#机器学习/深度学习类BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断#组合预测类CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可可任意搭配非常新颖~#分解类EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~#路径规划类旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划EVRP、 双层车辆路径规划2E-VRP、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~#小众优化类生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化等等均可~#无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划#通信方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配#信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理传输分析去噪、数字信号调制、误码率、信号估计、DTMF、信号检测#电力系统方面 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化#原创改进优化算法适合需要创新的同学原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可保证测试函数效果一般可直接核心