ThreatSourceLibaray/docs/project/theory.md

毫米波导引头扫描原理

1. 扫描方式

1.1 螺旋扫描

毫米波导引头采用螺旋扫描方式，通过同时控制扫描角度和扫描半径实现对整个视场角范围的搜索。

1.2 扫描参数

• 扫描角速度（ω）：波束在水平面内的旋转速度
• 扫描半径增长率（r'）：波束与导弹前进方向夹角的增长速度
• 波束宽度（θ）：雷达波束的张角
• 视场角（FOV）：导引头最大探测角度范围

2. 参数计算

2.1 基本参数关系

• 最大扫描半径 = 视场角/2
• 单步角度变化 = 扫描角速度 × 仿真步长
• 单步半径变化 = 扫描半径增长率 × 仿真步长

2.2 参数选择准则

为避免扫描跳跃（漏掉目标），需满足：

1. 单步角度变化 < 波束宽度
2. 单步半径变化 < 波束宽度

2.3 典型参数值

假设条件：

• 仿真步长：0.01秒
• 搜索波束宽度：5度
• 视场角：45度
• 期望扫描时间：1秒

推荐参数值：

• 扫描角速度：360度/秒（2π弧度/秒）
  • 单步角度变化：3.6度 < 5度波束宽度
• 扫描半径增长率：22.5度/秒（0.393弧度/秒）
  • 单步半径变化：0.225度 < 5度波束宽度

3. 扫描效果分析

3.1 时间特性

• 完整扫描周期：1秒
• 角度覆盖：360度（完整一圈）
• 半径覆盖：0-22.5度（视场角的一半）

3.2 空间覆盖

• 形成螺旋形扫描路径
• 相邻扫描线间距小于波束宽度
• 无盲区，保证搜索可靠性

3.3 注意事项

1. 实际工程中，常采用：
   • 锥形扫描（Conical Scan）：3-7Hz旋转频率
   • 棱锥扫描（Monopulse）：现代导弹更常用
2. 扫描参数应根据具体应用场景和系统要求进行优化
3. 现代趋势倾向于使用电子扫描替代机械扫描

4. 坐标系定义

扫描计算采用右手坐标系：

• X轴：导弹前进方向
• Y轴：垂直向上
• Z轴：右手定则确定

波束方向矢量计算：

\begin{aligned}
x &= \cos(\alpha) \\
y &= \sin(\alpha)\sin(\beta) \\
z &= \sin(\alpha)\cos(\beta)
\end{aligned}

其中：

• α：扫描半径角（与前向轴夹角）
• β：扫描方位角（旋转角度）

激光半主动导引头接收功率计算

1. 基本原理

激光半主动导引系统工作原理：地面或机载激光指示器照射目标，目标反射激光能量，导弹上的导引头接收反射激光，通过四象限探测器确定目标方位，实现精确打击。

2. 激光能量传输模型

激光能量在传输过程中受多种因素影响，包括发散、大气衰减、反射损耗等。激光从发射到被导弹接收分为两个阶段：

2.1 发射器到目标阶段

激光功率密度在目标处的计算：

I_{target} = \frac{P_t \cdot \tau_a(R_1) \cdot \tau_t}{\pi \cdot (R_1 \cdot \tan(\theta/2))^2}

其中：

• $I_{target}$：目标处的激光功率密度（W/m²）
• $P_t$：激光发射功率（W）
• $\tau_a(R_1)$：大气透过率（从发射器到目标）
• $\tau_t$：发射系统透过率
• $R_1$：发射器到目标的距离（m）
• $\theta$：激光发散角（rad）

2.2 目标到导弹阶段

目标反射光被导弹接收的功率计算：

P_r = I_{target} \cdot \rho \cdot A_{target} \cdot \tau_a(R_2) \cdot \tau_r \cdot \frac{A_{receiver}}{2\pi \cdot R_2^2}

其中：

• $P_r$：导弹接收的功率（W）
• $\rho$：目标反射系数
• $A_{target}$：目标有效反射面积（m²）
• $\tau_a(R_2)$：大气透过率（从目标到导弹）
• $\tau_r$：接收系统透过率
• $A_{receiver}$：接收器有效面积（m²）
• $R_2$：目标到导弹的距离（m）

2.3 综合计算公式

综合上述两个阶段，导弹接收功率的完整计算公式为：

P_r = \frac{P_t \cdot \tau_a(R_1) \cdot \tau_t \cdot \rho \cdot A_{target} \cdot \tau_a(R_2) \cdot \tau_r \cdot A_{receiver}}{2\pi^2 \cdot R_1^2 \cdot R_2^2 \cdot \tan^2(\theta/2)}

3. 接收光学系统处理

3.1 光学系统聚焦效应

当入射光通过接收光学系统聚焦时，功率密度会增加：

G_{focus} = \frac{A_{sensor}}{A_{spot}}

其中：

• $G_{focus}$：聚焦增益
• $A_{sensor}$：传感器面积
• $A_{spot}$：聚焦光斑面积

3.2 最终接收功率

考虑光学系统效应后的最终接收功率：

P_{final} = P_r \cdot \min(1, \frac{A_{lens}}{A_{illuminated}}) \cdot G_{focus}

其中：

• $P_{final}$：最终接收功率（W）
• $A_{lens}$：接收镜头面积
• $A_{illuminated}$：入射光照射面积
• $G_{focus}$：聚焦增益

4. 锁定判断

探测器根据接收功率与锁定阈值的比较，判断是否锁定目标：

\text{目标锁定} = \begin{cases}
\text{是}, & \text{如果}\ P_{final} \geq P_{threshold} \\
\text{否}, & \text{如果}\ P_{final} < P_{threshold}
\end{cases}

其中：

• $P_{threshold}$：锁定阈值功率（典型值为10⁻¹²W）

5. 影响因素分析

5.1 距离影响

接收功率与距离的四次方成反比，是最敏感的影响因素：

P_r \propto \frac{1}{R_1^2 \cdot R_2^2}

5.2 天气条件影响

不同天气条件下的有效探测距离对比（假设其他条件相同）：

天气条件	相对探测距离
晴朗	100%
轻雾	60-80%
浓雾	20-40%
雨天	40-60%
雪天	30-50%

5.3 目标特性影响

目标反射特性对接收功率的影响：

P_r \propto \rho \cdot A_{target}

典型目标反射系数：

• 金属表面：0.2-0.9
• 涂装表面：0.1-0.3
• 植被背景：0.1-0.2

红外成像制导识别原理

1. 图像生成 (InfraredImageGenerator)

1.1 基本原理

图像生成器的目标是模拟红外传感器接收到的图像，综合考虑目标自身辐射、大气衰减、距离效应以及背景和噪声。

1.2 目标强度计算

核心步骤是计算目标区域每个像素的红外辐射强度：

1. 获取热分布模式 (thermalPattern): 从目标配置文件（如 mbt_001.json）中读取预定义的3x3温度矩阵 (thermalPattern)。系统会根据目标当前速度自动选择 static 或 moving 状态下的模式。
2. 模式映射: 将3x3的温度模式映射到图像中目标所占的像素区域 (pixelWidth x pixelLength)。采用简单的区域映射，将目标像素区域划分为3x3子区域，每个子区域内的所有像素使用对应的模式单元温度。
3. 温度转强度: 将模式单元的温度值（摄氏度°C）转换为绝对温度（开尔文K = °C + 273.15）。然后，使用简化的斯特藩-玻尔兹曼定律（T⁴定律）将温度转换为基础辐射强度（W/sr）：

    Intensity_{base} = C_{factor} \times T_{Kelvin}^4 

   其中，C_{factor} 是温度到强度的转换系数 (TEMPERATURE_TO_INTENSITY_FACTOR)。
4. 衰减应用: 将计算出的基础强度应用大气/烟幕透过率 (transmittance) 和距离平方反比定律进行衰减：

    Intensity_{pixel} = \frac{Intensity_{base} \times transmittance}{distance^2} 

1.3 背景与噪声添加

1. 背景: 在非目标像素区域，如果其当前强度低于设定的基础背景强度 (backgroundIntensity)，则将其设置为该背景强度。
2. 噪声: 在所有像素上叠加一个高斯分布的随机噪声。噪声的幅度基于基础背景强度和天气条件调整，并可以通过 noiseReductionFactor 控制。

1.4 关键参数

• backgroundIntensity (构造函数默认值): 1e-4 W/sr (已手动调整)
• TEMPERATURE_TO_INTENSITY_FACTOR: 1e-6 (需要根据物理模型或实验数据调整)
• noiseReductionFactor (在AddBackgroundAndNoise中): 0.0001 (已调整降低噪声)
• 距离衰减模型: 1 / distance^2

2. 目标识别 (InfraredTargetRecognizer)

2.1 图像分割

目标是从包含背景和噪声的红外图像中准确地分离出目标区域。

1. 阈值计算: 采用动态阈值方法，基于图像像素强度的实际动态范围计算阈值：

    Threshold = minIntensity + (maxIntensity - minIntensity) \times thresholdFactor 

   这有助于适应不同光照和对比度条件。
2. 连通区域分析 (Blob Detection): 使用计算出的阈值对图像进行二值化，然后查找所有像素强度高于阈值的连通像素区域（Blobs）。
3. Blob 过滤与选择: 对找到的 Blobs 进行过滤，去除面积过小（可能是噪声）或过大（可能是背景或干扰）的区域。同时，检查 Blob 被烟幕覆盖的像素比例，过滤掉被严重遮挡的区域。最终选择剩余 Blobs 中面积最大的一个作为识别目标 (ImageSegment)。

2.2 特征提取

从分割出的目标区域 (ImageSegment) 中提取一组用于分类的特征：

1. 长宽比 (AspectRatio): 计算考虑了目标主方向（通过二阶矩计算）的旋转边界框的长宽比。这使得特征对目标旋转不敏感。
2. 相对尺寸 (Size): 计算目标分割区域的最大维度（宽度或高度）与图像宽度的一个固定比例（如10%）的比值。注意：此特征在目标距离非常近时可能不准确。
3. 强度模式 (IntensityPattern): 量化目标热量分布的集中程度。结合了强度最高的像素（如最亮的30%）在目标区域内的占比，以及目标中心区域（中间1/3）相对于整体的平均亮度。得分高表示热量集中或中心亮。
4. 温度梯度 (TemperatureGradient): 分析目标区域内的强度梯度分布。将目标区域划分为3x3网格，计算每个网格的平均梯度，然后重点分析假设的"后部"（发动机热点区域，当前实现假设在右侧）相对于"前部"和"中部"的梯度差异和对比度。注意：此特征的有效性高度依赖于图像生成阶段是否包含了真实的内部热点细节。

2.3 目标分类

将提取出的特征向量与预定义的模板库 (targetFeatures) 进行比较，以确定目标类型。

1. 特征模板库 (targetFeatures): 存储了已知目标类型（Tank, APC, Helicopter）的典型特征值（长宽比、尺寸、强度模式、温度梯度）。这些值需要根据目标的物理特性和仿真测试进行校准。
2. 特征匹配: 计算提取出的特征与每个模板特征之间的匹配得分（通常基于归一化的相对误差，得分范围0-1，1表示完美匹配）。
3. 加权评分: 使用一组预设的权重 (CalculateFeatureWeights) 对每个特征的匹配得分进行加权求和，得到每个模板类型的总匹配分数。
4. 分类决策: 选择总匹配分数最高的模板类型作为初步识别结果。同时，计算一个自适应阈值 (CalculateAdaptiveThreshold)，该阈值基于提取特征的整体"质量"。只有当最高得分超过此自适应阈值时，才确认识别结果；否则，将目标分类为未知 (Unknown)。

2.4 关键参数与数据

• 分割阈值因子 (thresholdFactor): 0.05
• 特征权重 (CalculateFeatureWeights): [0.30, 0.25, 0.15, 0.30] (分别对应长宽比, 尺寸, 强度模式, 温度梯度)
• 特征模板库 (targetFeatures):
  • Tank: { AR: 2.9, Size: 1.0, IP: 0.8, TG: 0.7 }
  • APC: { AR: 2.1, Size: 0.7, IP: 0.7, TG: 0.6 }
  • Helicopter: { AR: 4.8, Size: 1.4, IP: 0.8, TG: 0.2 }