基于集成学习的红外双波段被动测距模型

为了提高红外被动测距模型的精度和实用性，基于集成学习的方法，提出了一种由数据驱动的红外被动测距模型。首先利用MODTRAN生成3.5 um~4.0 um和4.5 um~4.7 um波段下不同距离和高度角的大气透过率数据，然后结合红外辐射传输理论将这些数据转换为红外探测器对应的电压值，接着在集成学习的 *通讯作者。

红外被动测距技术由于不向外辐射能量，具有极强的隐蔽性和军事价值。目前的红外被动测距技术主要有基于几何原理的被动测距[1] [2]， 基于红外图像的被动测距[3]和基于光谱吸收的被动测距[4] [5] [6]等，这些方法都是通过物理原理或数据分析的方式来建立具体的模型，再利用算法估计模型参数，最后实现测距。这些方法虽然都有着较强的理论基础，但计算相对复杂且距离解算条件都比较苛刻。而机器学习属于一种数据驱动的方法，它能够按照一定的策略，自动地建立输入和输出数据的映射关系，这为红外被动测距提供了一种新的思路。

本文首先用MODTRAN 获取了不同距离、温度和天顶角下的大气透过率数据，然后结合红外辐射传输理论将这些数据转换为对应的探测器电压值，最后基于这些电压值及其对应的距离建立了集成学习测距模型，并用测试数据检验了模型的预测效果。

2. 红外被动测距原理 自然界中任何温度大于绝对0 摄氏度， 物体都会发出红外辐射， 普朗克在1990 年推导出了黑体辐射公式， ()215211, d1bbcTCLTeλλλλλλ=−∫ (1) 其中(), bbLTλ为黑体的光谱辐出度，单位为：W/(m2∙m)，λ 为波长，单位为m，T 为黑体的温度，单位为K，c1 为第一辐射常数， 16213.74 10W mc−=×⋅；c2 为第二辐射常数， 2221.4398 10Kmc−=×⋅。

物体发出的红外辐射在地球大气中传输时会受到大气的衰减，这种衰减是由大气的吸收和散射共同造成的。假设目标黑体的初始辐照度为(), bbLTλ，则在距离R 处目标的辐照度变为 ()()2, , bbRLTERRλτ λ= (2) 其中(), Rτ λ为大气透过率[5]，是一个随波长和距离变化的物理量， ()( ), RReµ λτ λ−= (3) ( )µ λ 为大气的消光系数，由吸收系数和散射系数组成，消光系数和大气的气象条件密切相关。大气透过率(), Rτ λ是一个与波长、距离气象条件等因素相关的量，难以直接计算，该数据可由MODTRAN 软件仿真生成。