一种基于数字孪生的目标红外特性建模方法

技术领域

本发明涉及目标红外特性建模技术，特别涉及一种基于数字孪生的目标红外特性建模方法。

背景技术

数字孪生技术是以数字化的方式建立物理实体的动态模拟红外数字孪生模型进行仿真和模拟物理实体在物理世界中的特征，通过测量得到的数据和算法模型，模拟、验证、校正、预测和动态交互作用于物理目标的全生命周期过程，数字孪生技术不仅是物理世界的镜像，其也接受物理世界的实时信息，可以作用于物理世界，是一种双向驱动的技术，数字孪生包含三部分：物理世界的物理实体、虚拟世界的虚拟实体、连接虚拟和物理世界的数据和信息，数字孪生利用虚拟构造一个满足现实物理规律的另一个世界，其可以完成许多真实物理世界中不能完成的工作，甚至可以更好的完成一些工作，数字孪生做到虚拟世界映射物理世界、虚拟世界和物理世界互相驱动、用虚拟世界来控制物理世界，目标的红外特性是实施光学侦察和精确打击的重要参考，军事目标大多为发热目标，容易被红外探测系统所探测到，现代战争中，有关目标红外特性的研究受到了越来越多的重视，各种军用目标的红外特性被广泛应用到各类光学制导武器设计中，因此，通过一种基于数字孪生的目标红外特性建模方法，将外场实地测量方法与红外特性模型仿真方法相结合，在提高模型精度的同时有效降低成本，成为了需要关注的问题。

中国专利公开号CN114936409A公开了一种土木工程结构数字孪生建模方法，基于结构信息化、信息模型化及信息数据化的原则构建包含物理孪生层、数字孪生层和信息沟通媒介的土木工程结构数字孪生体；在物理孪生层，在结构物理实体上布设传感设备，以实时获取并传输供数字孪生层使用的感知信息；在数字孪生层构建与结构物理实体相对应且实时更新的虚拟仿真模型；信息沟通媒介为实现结构物理实体与虚拟仿真模型之间信息传递的智能算法，以通过物理孪生层中获取的感知信息更新数字孪生层中虚拟仿真模型的模型参数。由此可见，上述技术方案有利于以数字化的方式实现对结构物理实体的全生命周期仿真，但在对于不同的环境条件下，对建模结果都有不同的影响，使得建模的准确性降低。

发明内容

为此，本发明提供一种基于数字孪生的目标红外特性建模方法，用以解决传统建模方式未排除环境因素对建模结果影响造成建模准确性低的技术问题。

为实现上述目的，本发明提供一种基于数字孪生的目标红外特性建模方法，包括：

步骤S1，获取目标实体的物理数据和目标实体所处环境的环境数据，物理数据包括目标的三维几何数据、有限元分析数据和目标红外特性初始数据，所述环境数据包括若干物理场数据、地形数据和气象数据；

步骤S2，数据构建模块根据单个数据类型进行单一模型构建，建立目标实体的三维模型、有限元分析模型、红外特性初始模型、若干物理场模型、地形模型和气象模型；

步骤S3，模型分析模块根据单个模型与时间的相关性将各模型划分为静态常量模型和随动模型；

步骤S4，测试模块根据各所述随动模型的数据范围建立若干单一变量的测试环境，动态交互模块获取目标实体在对应测试环境中的目标红外特性数据，拟合各单一变量的目标红外特性变量模型；

步骤S5，所述测试模块建立叠加各变量的测试环境，所述动态交互模块获取目标实体在对应测试环境中的目标红外特性数据，智能计算模块根据目标实体在叠加各变量的测试环境中的目标红外特性数据与各所述目标红外特性变量模型对应的单一变量下的目标红外特性数据进行比较，获取显著变量；

步骤S6，状态监测模块在目标实体的环境场景中采集目标实体的红外特性数据以及对应的各所述显著变量的数据，红外模型构建模块训练红外特性数据与各显著变量对应模型的拟合关系，生成各显著变量与红外特性数据的数字孪生体；

步骤S7，对目标实体的红外特性进行分析预测，所述红外模型构建模块根据预测结果与目标实体实际红外特性数据的差距调整所述拟合关系中各显著变量的权重；

其中，所述目标红外特性数据包括目标表面温度数据和红外辐射出射度数据。

进一步地，在所述步骤S2中，所述数据构建模块根据目标实体的三维几何数据构建三维模型，根据有限元分析数据构建有限元分析模型，根据目标红外特性初始数据构建红外特性初始模型，根据各物理场数据构建对应的物理场模型，根据地形数据构建地形模型，并根据气象数据构建气象模型。

进一步地，在所述步骤S3中，所述模型分析模块根据单个模型对应数据在预设时间段的稳定度确定模型与时间的相关性；

在第一稳定度条件下，所述模型分析模块判定单个模型为静态常量模型；

在第二稳定度条件下，所述模型分析模块判定单个模型为随动模型；

其中，所述第一稳定度条件为单个模型的对应数据在预设时间段内的任两段时间段内的平均值位于预设标准值区间且标准差位于预设标准差区间，所述第二稳定度条件为单个模型的对应数据在预设时间段内的任两段时间段内的平均值超出预设标准值区间或标准差超出预设标准差区间。

进一步地，在所述步骤S4中，所述测试模块根据各所述随动模型的数据范围建立若干单一变量的测试环境，所述测试环境中对应的单一变量的取值至少包括至少一个第一值、一个第二值和中值，

其中，所述第一值大于所述中值且第一值小于等于最大值，所述第二值小于所述中值且第二值大于等于最小值。

进一步地，在所述步骤S4中，对于单个所述随动模型，所述动态交互模块根据单个变量对应的数据范围建立若干测试环境，并获取目标实体在各对应测试环境中的若干目标红外特性数据，动态交互模块根据单个变量的变化顺序与目标红外特性数据的对应关系拟合出单个变量的目标红外特性变量模型。

进一步地，在所述步骤S5中，所述动态交互模块根据各所述随动模型与时间的关系，在单个变量的测试环境中调整另一个随动变量，并获取目标红外特性数据的变化量，动态交互模块根据测试环境调整前后目标红外特性数据的变化量确定调整的随动变量是否为显著变量；

若调整前后目标红外特性数据的变化量超出观测容许偏差阈值，所述状态监测模块判定调整的随动变量为显著变量。

进一步地，在所述步骤S6中，所述红外模型构建模块根据目标实体的环境场景中采集目标实体的红外特性数据以及对应的各所述显著变量数据确定所述拟合关系，并采用下式对拟合关系进行表示：

，

其中，gi(t)为单个模型

进一步地，在所述步骤S6中，所述红外模型构建模块使用所述数字孪生体的所述拟合关系对目标实体在环境场景中的红外特性数据进行预测，并根据预测结果与所述状态监测模块测量的目标实体实际红外特性数据进行比较，确定模型误差率，模型误差率计算公式为：

模型误差率：

其中，α为模型误差率，A1为所述数字孪生体的预测结果，B为测量的目标实体实际红外特性数据，β为大于1的静态常量模型干扰系数。

进一步地，在所述步骤S6中，所述红外模型构建模块根据所述模型误差率与允许误差率的差值确定各所述随动模型的单一变量的取值个数；

若所述差值大于0，所述红外模型构建模块判定需调整各所述随动模型的单一变量的取值个数，所述取值个数的调整量与所述差值成正比。

进一步地，在所述步骤S7中，所述红外模型构建模块在模型误差率超范条件下，根据误差率最小原则调整所述拟合关系中各显著变量的权重值；

所述误差率最小原则为采用调整后的权重值确定的拟合关系计算的模型误差率小于任一个除所述权重值外的数值确定的拟合关系计算的模型误差率；

所述模型误差率超范条件为所述模型误差率与允许误差率的差值大于0。

本发明与现有技术相比，本发明的有益效果在于，先采集各类目标实体的物理数据和目标实体所处环境的环境数据，数据建构模块对应数据建立模型，模型分析模块将模型划分为静态常量模型和随动模型，测试模块根据随动模型构建若干单一变量的测试环境后，动态交互模块拟合各单一变量的目标红外特性变量模型，智能计算模块建立叠加各变量的测试环境，状态检测模块获取对目标红外特性影响大的显著变量，红外模型构建模块根据红外特性数据与各显著变量对应模型的拟合关系生成数字孪生体，再根据数字孪生体预测结果调整各显著变量权重，实现了提高目标红外特性建模的准确性，并且模型可以实时更新，提高了对目标实体红外特性的预测结果准确性。

进一步地，在本发明建模方法中，数据构建模块根据目标实体测量到的各项数据构建对应模型，为后续各个测试各显著变量对红外特性影响提供技术基础，构建模型的多样性扩大了红外特性数据的数字孪生体的应用范围。

进一步地，在本发明建模方法中，模型分析模块根据时间变化确定模型的类型，将模型分为静态常量模型和随动模型，静态常量模型对目标实体没有影响，提前确认静态常量可简化后续优化模型过程，提高目标红外特性建模效率。

进一步地，在本发明建模方法中，动态交互模块对各个随动模型中变量构建对应若干测试环境，保证在测试过程中测试结果为单一变量对目标红外特性的影响，提高了目标红外特性建模的准确性。

进一步地，在本发明建模方法中，状态检测模块根据随动变量变化对目标红外特性数据的变化量的影响结果判断，将随动变量中显著变量选出，进一步筛选掉对目标红外特性影响小的变量，简化了后续优化模型过程，进一步提高目标红外特性建模效率。

进一步地，在本发明建模方法中，红外模型构建模块计算模型分析的模型误差率，根据模型误差率判断是否需要调整显著变量权重，可以直观的看出当前模型的仿真准确率，同时可以简化后续优化模型过程。

进一步地，在本发明建模方法中，根据模型误差率和允许误差率的差值调整随动模型的单一变量的取值个数，为调整各显著变量的权重提供数据基础，提高了模型目标红外特性建模的准确性。

进一步地，在本发明建模方法中，红外模型构建模块判断需要调整显著变量的权重时，用预测结果与目标实体实际红外特性数据的差距进行权重调整，使得权重调整值更准确，拟合结果更准确，进一步提高了目标红外特性建模的准确性。

附图说明

图1为本发明实施例基于数字孪生的目标红外特性建模方法的流程图；

图2为本发明实施例基于数字孪生的目标红外特性建模方法的架构图；

图3为本发明实施例基于数字孪生的目标红外特性建模方法的数字孪生实现图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方法。本领域技术人员应当理解的是，这些实施方法仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，其为本发明实施例基于数字孪生的目标红外特性建模方法的流程图；本发明提供一种基于数字孪生的目标红外特性建模方法，其特征在于，包括以下步骤：

步骤S1，获取目标实体的物理数据和目标实体所处环境的环境数据，物理数据包括目标的三维几何数据、有限元分析数据和目标红外特性初始数据，所述环境数据包括若干物理场数据、地形数据和气象数据；

步骤S2，数据构建模块根据单个数据类型进行单一模型构建，建立目标实体的三维模型、有限元分析模型、红外特性初始模型、若干物理场模型、地形模型和气象模型；

步骤S3，模型分析模块根据单个模型与时间的相关性将各模型划分为静态常量模型和随动模型；

步骤S4，测试模块根据各所述随动模型的数据范围建立若干单一变量的测试环境，动态交互模块获取目标实体在对应测试环境中的目标红外特性数据，拟合各单一变量的目标红外特性变量模型；

步骤S5，所述测试模块建立叠加各变量的测试环境，所述动态交互模块获取目标实体在对应测试环境中的目标红外特性数据，智能计算模块根据目标实体在叠加各变量的测试环境中的目标红外特性数据与各所述目标红外特性变量模型对应的单一变量下的目标红外特性数据进行比较，获取显著变量；

步骤S6，状态监测模块在目标实体的环境场景中采集目标实体的红外特性数据以及对应的各所述显著变量的数据，红外模型构建模块训练红外特性数据与各显著变量对应模型的拟合关系，生成各显著变量与红外特性数据的数字孪生体；

步骤S7，对目标实体的红外特性进行分析预测，所述红外模型构建模块根据预测结果与目标实体实际红外特性数据的差距调整所述拟合关系中各显著变量的权重；

其中，所述目标红外特性数据包括目标表面温度数据和红外辐射出射度数据。

在具体实施过程中，三维尺寸数据表示物理目标的三维模型信息，即物理目标的发动机、底盘、电气设备、物理目标的初始设计阶段设计的三维模型信息；目标红外特性初始数据包括目标表面温度和辐射出射度，使用温度计、红外测温仪或专用表面温度测量系统可以采集目标表面温度，使用红外辐射计、红外热像仪等可以采集目标辐射出射度，在此对红外特性采集方式可以使用现有技术中任意一种，在此不做具体限定；

获得目标红外特性的途径主要有三种：第一种为通过场外环境进行实地测量获得；第二种是半实物仿真法，利用红外场景发生器生成不同背景环境下的红外目标，通过此方法得到目标的红外特性；第三种是基于理论分析建立目标的红外特性模型，通过模型计算获得，由于第一种实地测量所需要耗费较大的资金成本和时间以及会受到很多不确定性的影响，由于武装设备使用成本高昂，实弹训练危险程度较高，战场环境变化大，军队的作战思想、作战特点、战术运用需要保密以及其余因素，目标难以模拟，目标的红外特性无法准确检测；第二种半实物仿真需要建立庞大的红外场景发生器，需要花费大量成本，优选第三种方式建立红外特性模型；

环境数据包括：声环境数据、振动环境数据、电磁环境数据、辐射环境数据、光环境数据、热环境数据、气象数据（温度、湿度、光照、酸碱度、风沙、灰尘所给的信息）等，在此不做具体限定，根据模型的应用场合进行确定。

先采集各类目标实体的物理数据和目标实体所处环境的环境数据，数据建构模块对应数据建立模型，模型分析模块将模型划分为静态常量模型和随动模型，测试模块根据随动模型构建若干单一变量的测试环境后，动态交互模块拟合各单一变量的目标红外特性变量模型，智能计算模块建立叠加各变量的测试环境，状态检测模块获取对目标红外特性影响大的显著变量，红外模型构建模块根据红外特性数据与各显著变量对应模型的拟合关系生成数字孪生体，再根据数字孪生体预测结果调整各显著变量权重，实现了提高目标红外特性建模的准确性，并且模型可以实时更新，提高了对目标实体红外特性的预测结果准确性。

请参阅图2所示，其为本发明实施例基于数字孪生的目标红外特性建模方法的架构图，具体而言，在所述步骤S2中，所述数据构建模块根据目标实体的所述三维几何数据构建所述三维模型，根据有限元分析数据构建有限元分析模型，根据目标红外特性初始数据构建红外特性初始模型，根据若各物理场数据构建对应的物理场模型，根据地形数据构建地形模型，并根据气象数据构建气象模型。

在具体实施过程中，环境相关模型建立的环境可以为沙漠、山林、城市等，也可以通过所处情景需求建立假想的新颖的环境场景。

在本发明建模方法中，数据构建模块根据目标实体测量到的各项数据构建对应模型，为后续各个测试各显著变量对红外特性影响提供技术基础，构建模型的多样性扩大了红外特性数据的数字孪生体的应用范围。

具体而言，在所述步骤S3中，所述模型分析模块根据单个模型对应数据在预设时间段的稳定度确定模型与时间的相关性；

在第一稳定度条件下，所述模型分析模块判定单个模型为静态常量模型；

在第二稳定度条件下，所述模型分析模块判定单个模型为随动模型；

其中，所述第一稳定度条件为单个模型的对应数据在预设时间段内的任两段时间段内的平均值位于预设标准值区间且标准差位于预设标准差区间，所述第二稳定度条件为单个模型的对应数据在预设时间段内的任两段时间段内的平均值超出预设标准值区间或标准差超出预设标准差区间。

在具体实施过程中，确定预设标准值区间时，标准值最大值为1.1倍的标准值最小值，在确定预设标准差区间时，标准差最大值为1.5倍的标准差最小值，预设标准值区间和预设标准差区间均为由对应最小值和最大值组成的闭区间，可以理解的是，平均值位于预设标准值区间或标准差位于预设标准差区间指的是平均值属于预设标准值区间或标准差属于预设标准差区间，平均值超出预设标准值区间或标准差超出预设标准差区间指的是平均值不属于预设标准值区间或标准差不属于预设标准差区间。例如，三维几何模型，通常是静态常量模型，光环境模型、温度环境模型通常是随动模型。

在本发明建模方法中，模型分析模块根据时间变化确定模型的类型，将模型分为静态常量模型和随动模型，静态常量模型对目标实体没有影响，提前确认静态常量可简化后续优化模型过程，提高目标红外特性建模效率。

具体而言，在所述步骤S4中，所述测试模块根据各所述随动模型的数据范围建立若干单一变量的测试环境，所述测试环境中对应的单一变量的取值至少包括至少一个第一值、一个第二值和中值，

其中，所述第一值大于所述中值且第一值小于等于最大值，所述第二值小于所述中值且第二值大于等于最小值。

可以理解的是，最大值为对应的随动模型的数据范围中的数据最大值，并且不超出物理实体所处环境中的客观最大值，最小值为单一变量对应的随动模型的数据范围中的数据最小值，并且不低于物理实体所处环境中的客观最小值。中值为最大值和最小值的数据平均值。上述针对单个随动模型的数据范围的单个数据区间，若单个随动模型的数据范围存在至少两个数据区间，则分别确定各数据区间的最大值、最小值和中值。

具体而言，在所述步骤S4中，对于单个所述随动模型，所述动态交互模块根据单个变量对应的数据范围建立若干测试环境，并获取目标实体在各对应测试环境中的若干目标红外特性数据，动态交互模块根据单个变量的变化顺序与目标红外特性数据的对应关系拟合出单个变量的目标红外特性变量模型。

在本发明建模方法中，动态交互模块对各个随动模型中变量构建对应若干测试环境，保证在测试过程中测试结果为单一变量对目标红外特性的影响，提高了目标红外特性建模的准确性。

具体而言，其特征在于，在所述步骤S5中，所述动态交互模块根据各所述随动模型与时间的关系，在单个变量的测试环境中调整另一个随动变量，并获取目标红外特性数据的变化量，动态交互模块根据测试环境调整前后目标红外特性数据的变化量确定调整的随动变量是否为显著变量；

若调整前后目标红外特性数据的变化量超出观测容许偏差阈值，所述状态监测模块判定调整的随动变量为显著变量。

可以理解的是，观测容许偏差阈值指的是判定影响目标红外特性数据的随动变量的判断依据，目标红外特性数据的变化量达到阈值时，判定该随动变量为显著变量。

在具体实施过程中，智能计算模块制造多变量可控的测试环境时，将单一变量的测试环境和静态常量进行叠加，测试中加入静态模型的影响。

观测容许偏差阈值大小等于0.1倍的初始值，若目标红外特性数据的变化量与初始值差值绝对值超过阈值，判定调整的随动变量为显著变量。

例如，在光环境模型的测试环境中，对单个光照度测试环境的温度进行调整，并根据调整前后目标红外特性数据的变化量确定调整的温度变量是否为显著变量。

在本发明建模方法中，状态检测模块根据随动变量变化对目标红外特性数据的变化量的影响结果判断，将随动变量中显著变量选出，进一步筛选掉对目标红外特性影响小的变量，简化了后续优化模型过程，进一步提高目标红外特性建模效率。

具体而言，在所述步骤S6中，所述红外模型构建模块根据目标实体的环境场景中采集目标实体的红外特性数据以及对应的各所述显著变量数据确定所述拟合关系，并采用下式对拟合关系进行表示：

，

其中，gi(t)为单个模型

单个显著变量的模型函数反映了单个显著变量与目标红外特性数据的对应关系，拟合后的

具体而言，在所述步骤S6中，所述红外模型构建模块使用所述数字孪生体的所述拟合关系对目标实体在环境场景中的红外特性数据进行预测，并根据预测结果与所述状态监测模块测量的目标实体实际红外特性数据进行比较，确定模型误差率，模型误差率计算公式为：

模型误差率：

其中，α为模型误差率，A1为所述数字孪生体的预测结果，B为测量的目标实体实际红外特性数据，β为大于1的静态常量模型干扰系数。

在具体实施过程中，B为历史目标实体在环境场景中的各变量的实际数值对应的目标实体实际红外特性数据，A1为所述数字孪生体的采用历史目标实体在环境场景中的各变量的实际数值进行拟合后输出的预测结果，β一般根据测试的测量准确度进行取值，若准确度越高，β越趋近于1。

在本发明建模方法中，红外模型构建模块计算模型分析的模型误差率，根据模型误差率判断是否需要调整显著变量权重，可以直观的看出当前模型的仿真准确率，同时可以简化后续优化模型过程。

具体而言，在所述步骤S6中，所述红外模型构建模块根据所述模型误差率与允许误差率的差值确定各所述随动模型的单一变量的取值个数；

若所述差值大于0，所述红外模型构建模块判定需调整各所述随动模型的单一变量的取值个数，所述取值个数的调整量与所述差值成正比。

在具体实施过程中，模型误差率与允许误差率的差值取值为绝对值，差值小于1%时，无需调整随动模型的单一变量的取值个数；差值大于等于1%且小于3%时，调整一个随动模型的单一变量的取值个数；差值大于3%时，调整两个或以上随动模型的单一变量的取值个数。可以理解的是，各所述随动模型的单一变量的取值个数能够对获取的单个显著变量的模型函数的精度产生影响，取值个数越多，模型的精度越高。

具体而言，在所述步骤S7中，所述红外模型构建模块在模型误差率超范条件下，根据误差率最小原则调整所述拟合关系中各显著变量的权重值；

所述误差率最小原则为采用调整后的权重值确定的拟合关系计算的模型误差率小于任一个除所述权重值外的数值确定的拟合关系计算的模型误差率；

所述模型误差率超范条件为所述模型误差率与允许误差率的差值大于0。

在具体实施过程中，调整后的拟合关系，并采用下式表示：

，

其中，αi为单个显著变量的权重值。

可以理解的是，误差率最小原则可以通过数据穷举和历变的方式获得权重值，也能够通过获得各权重值与

可以理解的是，通过更换多次目标实体以及目标实体所在的环境场景，重复进行之前的操作步骤，将数字孪生体预测结果和测量的目标实体实际红外特性进行对比校正，使得数字孪生体不断地优化更新提高准确性，基于数字孪生技术，能够保证实际测得的数据可以流动交互，体现了此系统的智能化和实用化。此方法将各种要素之间的输入输出均基于经过验证的仿真分析与试验获得，具有较高的准确性和可靠性，从而保证了整个系统的准确性，并且模型依据信息交互，自主更新模型，从而使得实用性更强；模型应用范围广，搭建环境模型时可以模拟真实环境中无法搭建的场景，例如核战争、自然灾害引起的极端情况，可以避免武器装备的损耗、人员的调动后勤保障、突发不可控情况的发生，且此方法可以多次重复模拟场景，相较而言成本低。

在本发明建模方法中，红外模型构建模块判断需要调整显著变量的权重时，用预测结果与目标实体实际红外特性数据的差距进行权重调整，使得权重调整值更准确，拟合结果更准确，进一步提高了目标红外特性建模的准确性。

请参阅图3所示，其为本发明实施例基于数字孪生的目标红外特性建模方法的数字孪生实现图，本发明建模后的目标红外特性能够用于服务：预测评估服务、作战决策服务、模型验证服务、数字模型校正服务、靶标校正服务、人机交互服务、基准图制备服务、作战辅助决策服务、弹上制导控制算法训练与优化服务和靶场/靶标设计优化服务。

在具体实施过程中，将目标实体呈现的红外特性信息与通过数字模型仿真得到的红外特征信息进行对比校正，将需要更新的数据通过动态交互系统反馈至各自实体，实现虚实交互；更换多次目标实体以及目标实体所在的环境场景，重复进行之前的操作步骤，将二者的红外特性进行对比校正，使得数字模型不断地优化更新提高逼真度通过更换多次目标实体以及物理目标所在的环境场景，重复进行之前的操作步骤，将物理目标实体呈现的红外特性信息与通过数字模型仿真得到的红外特征信息进行对比校正，使得数字模型持续优化更新。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。