针对预警中空间群目标反演精度不高、鲁棒性较差的问题,提出了一种基于分类回归树(classification and regression tree,CART)算法的空间目标本体反演方法。首先构建分类与回归决策树,并将空间目标的入射角、光谱辐射亮度、温度等特征...针对预警中空间群目标反演精度不高、鲁棒性较差的问题,提出了一种基于分类回归树(classification and regression tree,CART)算法的空间目标本体反演方法。首先构建分类与回归决策树,并将空间目标的入射角、光谱辐射亮度、温度等特征数据作为决策树的输入;再基于基尼系数评估数据纯度,对目标在不同温度、不同入射角下的光谱辐射亮度进行分割;最后通过在每个节点处对数据集进行划分,实现对空间目标本体的有效反演。数值对比实验表明,3种典型空间目标的决策树模型反演结果与实际情况一致,验证了所提方法的有效性。展开更多
文摘针对预警中空间群目标反演精度不高、鲁棒性较差的问题,提出了一种基于分类回归树(classification and regression tree,CART)算法的空间目标本体反演方法。首先构建分类与回归决策树,并将空间目标的入射角、光谱辐射亮度、温度等特征数据作为决策树的输入;再基于基尼系数评估数据纯度,对目标在不同温度、不同入射角下的光谱辐射亮度进行分割;最后通过在每个节点处对数据集进行划分,实现对空间目标本体的有效反演。数值对比实验表明,3种典型空间目标的决策树模型反演结果与实际情况一致,验证了所提方法的有效性。