洪澤華，章佳君，周金鵬，謝文雅，陸志灃，賴 鵬

（上海機電工程研究所，上海 201109）

0 引言

復雜目標紅外輻射特性建模技術是電磁環(huán)境仿真中的一項關鍵技術，它利用計算機生成目標的紅外輻射信號，為相應的紅外探測器提供模擬的電磁環(huán)境。

復雜目標的復雜性，表現為目標幾何結構復雜，目標與環(huán)境之間的交互關系復雜，目標受大量非線性、不可控、不確定、難以預知等難以量化的因素的影響，不再是簡單的線性關系［1-2］，這使得復雜目標電磁特性的建模仿真很難借助傳統(tǒng)的方法開展。傳統(tǒng)建模仿真是建立在相似性理論基礎之上［3］，通過對實際系統(tǒng)進行模擬，使兩者之間具有相似性，用相似性中的類比方法來獲取結果，從而達到仿真的目的［4］。典型建模方法有基于人工智能技術的建模方法［5-6］、基于離散事件的建模方法［7-8］、基于復雜網絡理論的建模方法［9-10］等，其建模仿真本質上是建立在精確化和定量化的基礎之上［11］。而由于復雜目標的復雜性，傳統(tǒng)方法難以對復雜目標紅外輻射特性進行實時的精確化和定量化描述，很難建立復雜目標紅外輻射特性仿真模型［12-13］。

基于大數據的復雜目標紅外輻射特性建模仿真方法，是直接以實際應用、靶場試驗、內場試驗、理論計算產生的復雜目標紅外輻射特性大數據為對象，采用大數據處理手段，建立電磁特性數據與復雜的變量之間的關聯關系，實現直接數據驅動的復雜目標電磁特性建模仿真。相對于傳統(tǒng)基于相似性原理的建模方法，基于大數據的建模，無需了解研究對象的運行機理，避免了復雜目標因其特征難以精確化和定量化描述而無法構建仿真模型的情況。

1 大數據的獲取及特性分析

1.1 目標紅外輻射數據的獲取

近年來，紅外熱成像日益廣泛地應用于各種軍事技術中。紅外探測系統(tǒng)的設計及目標的紅外隱身性能都要求提供各種典型目標的紅外輻射特性。紅外輻射是目標重要的電磁特性之一，是目標探測、定位、識別、跟蹤等研究的必須輸入，它為精確制導裝備提供目標的紅外圖像特性，為裝備的紅外隱身材料和隱身結構設計提供量化的特征，也是紅外隱身效果評估的主要依據［14-15］。

隨著紅外技術研究的深入，目標紅外輻射特性數據的來源也越來越廣泛，主要包括論證數據、設計數據、試驗數據、仿真數據、作戰(zhàn)數據、偵察數據、經驗數據等。數據獲取手段主要有兩種：外場實測，對實測數據進行統(tǒng)計建模；數值模擬。

1）紅外傳感器探測數據。一切溫度高于絕對零度的目標都會不停地向外輻射熱能，置于地面和天空背景下的軍事目標（如飛機、導彈、艦船等），由于它們一般都具有較高溫度的發(fā)動機，或由于高速飛行時劇烈壓縮空氣使蒙皮溫度升高，這些往往都會產生強烈的紅外輻射，從而被紅外傳感器探測到。

紅外探測是目標紅外輻射數據的主要來源之一。隨著紅外制導、情報偵察等領域的信息采集手段不斷加強，所產生的目標紅外輻射數據也呈現爆炸式增長。以高分辨率紅外成像衛(wèi)星為例，每顆星每天產生1 TB 的高分辨率紅外圖像數據，一顆衛(wèi)星每年新增的數據量就將高達近400 TB。據估計，目前已積累的數據達到100 PB 以上。

2）數值模擬。數值模擬是開展目標紅外輻射特性研究的重要手段，也是目標紅外數據的主要來源之一。當前，計算目標的紅外輻射特性，一般從基本物理模型和過程出發(fā)，首先是計算目標表面的溫度場，然后再考慮目標與環(huán)境的交互關系、大氣傳輸效應等因素，綜合得出目標的紅外輻射特性數據。

實測、模擬是獲取目標紅外輻射特性數據的兩個重要手段，但各有優(yōu)缺點。實測數據可信度最高，最能真實反映目標的紅外輻射特性，但獲得實測數據的成本很高，且實測統(tǒng)計存在局限性，一般只能針對有限的狀態(tài)，適應性較差；而模擬數據獲取成本低，基本不受外界條件限制，可以進行各種邊界條件模擬，但模擬數據的可信度不高，只能部分反映目標紅外輻射特性。

1.2 數據特性

在裝備的研制和使用過程中，已積累了海量的目標紅外輻射數據，它們不但可以從不同側面描述目標的紅外輻射特征，還能揭示目標與外部環(huán)境的交互關系。它們有一部分是經過處理的實驗數據，也有大量未經處理的原始數據。這些數據存在以下主要特點：

1）數據量大。海量性是目標紅外輻射數據的重要特性，也是數據驅動的目標紅外特性建模的基礎。目標紅外輻射數據來源廣泛，僅衛(wèi)星探測的紅外圖像數據就已上100 PB，還有歷年的外場靶試探測數據、試驗室的測試及仿真數據等，難以統(tǒng)計。

2）信息量大。目標紅外輻射數據，有部分來源于試驗測試數據。這些數據是根據試驗目標，針對具體過程和主要變量，通過有目的性的設計而得到的，基本符合建模研究的要求，且覆蓋了大部分變量空間。因此，這些數據具有較多的有效信息。

3）形式多樣。目標紅外輻射數據記錄了目標在全生命周期內所有狀態(tài)下的數據，數據多種多樣。此外，數據庫記錄的數據不僅包括關系數據，還有圖像傳感器和聲學傳感器記錄的聲像資料。這些結構化和非結構化的數據極大地豐富了目標紅外特性大數據的類型，同時也帶來了更多的信息和挑戰(zhàn)。

4）數據增長速度快。目標紅外輻射特性廣泛應用于不同領域，眾多的試驗、監(jiān)測和傳感裝備每秒鐘都產生大量數據，這些數據的產生速度達到了一個前所未有的水平。

5）具有相關性。由于影響目標紅外特性的變量很多，且部分變量之間存在相關性和耦合性，一個輸入變量改變通常引起多個輸出變量跟隨變化，每個輸出變量的改變同時又是多個輸入綜合作用的結果。因而，試驗數據也表現出相關性和耦合性。

6）樣本分布不均勻。在數據采集過程中，人們通常在關注點上采集的樣本較多，在其他方面樣本相對要少很多，這造成了樣本分布的不均勻性，使得樣本點集中在有限的空間里，給后續(xù)應用帶來一定的挑戰(zhàn)。

2 復雜目標紅外輻射特性大數據知識表示

2.1 數據維數處理

由于影響目標紅外輻射特性的變量較多，而且在大部分情況下，多變量之間常存在一定的相關性。當變量較多且變量之間存在復雜關系時，會顯著增加建模的復雜性。因此，建模前必須要對輸入變量進行降維和簡化。本文主要從兩個方面對高維的目標紅外輻射數據進行降維和簡化。

2.1.1 機理分析

基于先驗知識和熱力學基本定律，對目標紅外輻射特性各變量和主導變量之間的關系進行機理分析，初步選擇對目標紅外輻射存在較大影響的變量作為模型的輸入。

以空中高速飛行目標為例，根據飛行器紅外特性產生機理分析，空中高速飛行器3 大輻射源分別是被加熱的尾噴管紅外輻射、發(fā)動機排出的高溫尾噴焰輻射和飛行器蒙皮輻射。其中，尾噴管紅外輻射和發(fā)動機排出的高溫尾噴焰輻射與飛行器發(fā)動機工作狀態(tài)、高溫尾噴氣體成分等有關；目標的蒙皮輻射不僅與其本身大小，構成機身的表面材料性質有關，也和目標的飛行速度、飛行高度以及周圍大氣環(huán)境有著密切關系。目標的蒙皮輻射在不同波段所占的比重都不一樣，不同波段的紅外輻射也具有不同的作用。根據機理分析，初步得出影響飛行器紅外特性的因素有飛行器類型、飛行器的發(fā)動機工作狀態(tài)、飛行速度、飛行高度、大氣環(huán)境等。

2.1.2 主成分分析

機理分析法是一種定性的分析方法，難以定量地說明各輸入變量對目標紅外輻射特征的影響程度。本文在機理分析得到的原始數據的基礎上，采用主成分分析法，進一步定量分析各輸入變量的影響程度，得到最終降維和簡化的變量組。

主成分分析是將具有一定相關性的變量組合成一組無關的新變量組。新變量應盡可能多地反映原變量的信息，即var（x1）越大越好。var（x1）表示新變量x1的方差，該值越大，表示包含的信息量越多。如果x1不足表征原來的信息，則還需第2 個成分x2，且滿足

即與2 個新變量無相關。

主成分分析的典型步驟如下：

步驟1對目標紅外輻射特性原始樣本進行標準化并計算相關系數。

假定X為一個n×p的數據矩陣，由p個變量和n組數據樣本組成，即

標準化原始數據為

經標準化處理后的相關系數矩陣為

步驟2列出目標紅外輻射特性主成分，并計算其貢獻率。

主成分表達式如下：

式中：ajp為相關系數矩陣R的特征向量，相應的特征值用(λ1，λ2，…，λp)表示。

每一個新變量的貢獻率為

主成分分析可得到p個成分，但是各主成分的方差是遞減的，即包含的信息量也遞減，因而，在實際應用時，主成分個數可以根據主成分累計貢獻率來決定。為保證能充分反映原始數據信息量，一般要求貢獻率累計量達85%以上。

2.2 數據知識表示

根據主成分分析法所得到的主要因素構建主要因素集合：F=｛F1，F2，F3，…，Fk｝，集合中的元素Fk（k=1，2，…，k）代表第k個影響目標紅外輻射特性的主要因素。

根據主要因素集合F中的元素Fk組合形成目標紅外輻射特性數據的關鍵字key（或稱為ID），與key 對應的數據結構表示為

其中，charac1、charac2 等是用于描述組成目標紅外輻射特性的變量。上述關鍵字和對應的數據組成（key，data）就是對目標紅外輻射特性數據的知識表示。

對數據進行檢索操作的規(guī)則知識可表示為

式中：fi為變量Fi對應的值。

3 數據驅動的復雜目標紅外輻射特性建模方案

3.1 建模方案

數據驅動的目標紅外輻射特性建模仿真方法的框圖如圖1 所示，主要包括以下步驟：

步驟1針對原始數據，先對目標的紅外輻射特性產生機理進行分析，初步得出影響目標的紅外輻射特性的所有可能的因素；然后，利用主成分分析法對大數據進行分析，得出影響目標的紅外輻射特性的主要因素以及各主要因素的貢獻率。

步驟2根據主成分分析的結果進行目標紅外輻射特性大數據知識表示。

步驟3根據用戶的輸入條件和規(guī)則知識，進行大數據實時檢索。

步驟4判斷數據檢索是否成功，如果成功則輸出數據，完成建模仿真；如果未成功，則進一步完善目標紅外輻射特性數據或知識表示。

圖1 數據驅動的目標紅外輻射特性建模方法框圖Fig.1 Diagram of data-driven modeling for infrared radiation characteristic of targets

3.2 結果分析

以空中某型飛機目標為例，說明數據驅動的目標紅外輻射特性建模仿真方法。

在機理分析的基礎上，利用主成分分析法對飛機紅外輻射特性數據進行分析，得出影響該飛機紅外輻射特性的主要因素為：飛行器類型、發(fā)動機工作狀態(tài)、飛行速度、飛行高度、飛機與探測器的相對位置、探測器工作波段。其中，相對位置包括：相對距離、俯仰角、偏航角。需要說明的是飛機類型、發(fā)動機工作狀態(tài)、飛行速度、飛行高度等變量是決定目標紅外輻射的內在本征變量。飛機與探測器的相對位置、探測器工作波段等變量是外在表征變量，它實際并不影響目標的紅外輻射的本征特性，只是對探測得到的表征數據產生影響，但這也是建模所需考慮的一部分。

根據主成分分析得到主要因素集合F=｛Type，Engine，Speed，Height，Distance，Theta，Phi，Waveband｝，集合中的元素分別表示飛行器類型、發(fā)動機工作狀態(tài)、飛行速度、飛行高度、相對距離、俯仰角、偏航角、波段。根據集合F，構建飛機紅外特性數據的key 為：Type_Engine_Speed_Height_Distance_ Theta_ Phi_band，飛機紅外特數據結構為

其中，radiance 代表飛機的紅外輻射亮度，depth 代表圖像的每一個像素到探測器的距離。

假設用戶需要模擬飛機在某狀態(tài)的紅外輻射特性，如目標類為F16 飛機，發(fā)動機工作狀態(tài)為加力，飛行速度為0.9Ma，飛行高度為3 000 m，相對距離為135 m，俯仰角30°，偏航度210°，探測器工作波段為3～5 μm，則規(guī)則知識可表示為：

IF ＜Type=‘F16’and Engine=‘JL’and Speed=‘0.9’and Height=‘3 000’and Distance=‘135’and Theta=‘30’and Phi=‘210’and band=‘mIR’＞THEN ＜（key，data）＞。其中，key=F16_JL_0.9_3000_135_30_210_mIR，data 為與key對應的紅外特性數據。

圖2 給出了基于大數據的F16 飛機紅外特性建模仿真結果，圖中只顯示了兩種key 的紅外特性仿真結果。其中，圖2（a）是發(fā)動機為額定狀態(tài)下F16飛機的紅外輻射特性圖像，飛機飛行速度0.5Ma，飛行高度200 m，俯仰角45°，偏航度135°；圖2（b）是發(fā)動機為加力狀態(tài)下F16 飛機的紅外輻射特性圖像，飛機飛行速度0.9Ma，飛行高度3 000 m，俯仰角30°，偏航度210°。

圖2 飛機紅外輻射特性模擬結果Fig.2 Simulation results of infrared radiation characteristics of aircraft

4 結束語

針對目標紅外輻射特性建模仿真的復雜性，基于實際應用、靶場試驗、內場試驗、理論計算等過程中產生的大數據，采用數據驅動的方法，建立目標輻射特性仿真模型。該方法避免了相似性原理難以開展非線性、不確定、難以預知等條件下的復雜對象建模的問題。大數據的出現不僅為復雜目標紅外特性建模提供了更加高效的模式和手段，同時也革新了建模仿真的思維方式。