專利名稱：一種態(tài)勢評估中目標(biāo)分群方法
技術(shù)領(lǐng)域：
本發(fā)明涉及戰(zhàn)場目標(biāo)分群方法，具體涉及ー種態(tài)勢評估中目標(biāo)分群方法。
背景技術(shù)：
由于戰(zhàn)場中信息表現(xiàn)形式的多祥化，導(dǎo)致了信息之間的復(fù)雜性、不確定性和信息數(shù)量的巨大性；而戰(zhàn)場指揮員無法實時處理如此巨量的信息，很難從巨量的“噪聲”中獲取有用的信息，這將導(dǎo)致“戰(zhàn)爭炫目”和“戰(zhàn)爭迷霧”的出現(xiàn)。為了解決這兩個問題，人們提出了態(tài)勢評估。其中目標(biāo)分群是態(tài)勢評估中的核心技術(shù)之一，目標(biāo)分群的速度和準(zhǔn)確度嚴(yán)重影響戰(zhàn)場指揮員的決策，因而目標(biāo)分群成為急需解決的熱點問題
發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種態(tài)勢評估中目標(biāo)分群方法，滿足戰(zhàn)場復(fù)雜環(huán)境下的需求，具有分群準(zhǔn)確的特點。為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是一種態(tài)勢評估中目標(biāo)分群方法，包括如下步驟步驟一，生成屬性優(yōu)先級鏈表和聚類因子矩陣，屬性優(yōu)先級鏈表是指所選擇的目標(biāo)屬性的以先后順序排列的鏈表，聚類因子矩陣是不同屬性間的聚類因子形成的矩陣，聚類因子是指某一目標(biāo)在單個屬性上或者多個屬性上與其它目標(biāo)的聚合期望值；步驟ニ，從屬性優(yōu)先級鏈表中選擇第一個屬性對戰(zhàn)場中的目標(biāo)進行分割生成類簇，并將所選擇的屬性從屬性優(yōu)先級鏈表中刪除；步驟三，判斷類簇中的目標(biāo)數(shù)量是否大于預(yù)先設(shè)定的目標(biāo)數(shù)量閾值，目標(biāo)數(shù)量閾值是指類簇中最少目標(biāo)數(shù)量；步驟四，如果大于目標(biāo)數(shù)量閾值，則繼續(xù)從屬性優(yōu)先級鏈表中選擇屬性對類簇進行分割，直至屬性優(yōu)先級鏈表為空或者底層類簇中的目標(biāo)數(shù)量小于目標(biāo)數(shù)量閾值；步驟五，如果小于閾值或者屬性優(yōu)先級鏈表為空，則根據(jù)目標(biāo)的位置關(guān)系對底層類簇中的目標(biāo)數(shù)據(jù)進行聚類分析生成迷你簇；步驟六，采用融合算法對所述迷你簇進行融合，獲得目標(biāo)群，融合時需要在聚類因子矩陣中查詢相對應(yīng)的聚類因子，如果聚類因子大于聚類因子閾值，，則可進行融合，如果聚類因子小于聚類因子閾值，則不能融合，其中聚類因子閾值是指兩個不同類型的迷你簇之間的最小聚合期望值。所述步驟ニ中從屬性優(yōu)先級鏈表中選擇最高優(yōu)先級的屬性進行遞歸分割，所述分割的具體方法是對于非數(shù)值型的屬性，不同的類型分成不同的類簇；對于數(shù)值型的屬性，分割過程如下所述首先在類簇LCi中的目標(biāo)鏈表Objlist中隨機選擇一目標(biāo)數(shù)據(jù)Os作為種子生成子類簇LCi_l，并把此子類簇LCiJ加入到上述類簇LCi的子類簇鏈表LClist中，然后再把類簇LCi中的其他目標(biāo)數(shù)據(jù)Oi和種子Os進行比較，如果這兩個目標(biāo)在選擇的屬性Pi上的差值小于事先確定的閾值，則將此目標(biāo)數(shù)據(jù)Oi加入種子所屬的類簇LCiJ中；如果其差值大于閾值，則將此目標(biāo)對象作為新的種子0S’生成新的類簇LCi^ ;當(dāng)所有的目標(biāo)數(shù)據(jù)Oi都被分配到子類簇時，再選擇次優(yōu)先級的屬性，遞歸上述算法，直至所有屬性Pi被選擇或者是被分割的類簇中所包含的目標(biāo)數(shù)據(jù)少于預(yù)先確定的閾值，每選擇ー個屬性對類簇中的數(shù)據(jù)進行分割相當(dāng)于LCMC樹增加ー層。所述步驟三中目標(biāo)數(shù)量閾值參照DBScan算法一般取3。
當(dāng)屬性優(yōu)先級鏈表不為空且類簇中的目標(biāo)數(shù)量大于目標(biāo)數(shù)量閾值，在步驟四后繼續(xù)進行步驟ニ。步驟五中生成迷你簇的步驟是首先計算核心半徑CoreR，選擇ー個點作為種子，并以此點為圓心以CoreRitScaleFactor為半徑生成一個迷你簇，其中ScaleFactor為調(diào)整因子，初始值設(shè)為I. O,在反饋階段動態(tài)調(diào)整，然后比較類簇中的其他目標(biāo)數(shù)據(jù)是否位于迷你簇，如果是，則把此目標(biāo)數(shù)據(jù)加入此迷你簇中，如果不是，則把此目標(biāo)數(shù)據(jù)作為新的種子生成新的迷你簇，當(dāng)所有數(shù)據(jù)都進入迷你簇中吋，過程結(jié)束。步驟六中迷你簇融合規(guī)則根據(jù)迷你簇之間的距離分為三種情況第一種情況兩個迷你簇之間的距離小于零，則這兩個迷你簇可融合；第二種情況兩個迷你簇之間的距離大于預(yù)先設(shè)定的目標(biāo)群之間的最大距離，此時這兩個迷你簇不可融合；第三種情況兩個迷你簇之間的距離在零和最大距離之間，此時先計算兩個迷你簇之間的中點位置，然后以此中點位置為圓心，以兩個迷你簇中較大的ー個為半徑，畫作ー個圓，計算兩個迷你簇中有多少目標(biāo)數(shù)據(jù)落在新圓內(nèi)，如果目標(biāo)數(shù)據(jù)大于或等于3個落于新圓內(nèi)，則這兩個迷你簇同屬于ー個群，可融合。與現(xiàn)有技術(shù)相比，通過本發(fā)明所述的戰(zhàn)場態(tài)勢評估中的目標(biāo)分群方法，解決了目標(biāo)分群中的不足和關(guān)鍵問題，即提高了目標(biāo)分群的精確度和目標(biāo)分群的速度，因此，可有效地支持戰(zhàn)場態(tài)勢評估和戰(zhàn)場指揮員的決策，極具實用性。


圖I為本發(fā)明所述戰(zhàn)場態(tài)勢評估中目標(biāo)分群方法的流程圖。圖2為本發(fā)明所述戰(zhàn)場態(tài)勢評估中目標(biāo)分群方法的簡單例子。圖3為所述的迷你簇相交的情形。圖4為所述的迷你簇不相交但其距離小于簇之間的最大距離的情形。圖5所述的迷你簇之間距離大于簇之間的最大距離的情形。圖6為迷你簇融合的ー個例子。
具體實施例方式下面結(jié)合附圖和實施例對本發(fā)明做進ー步詳細說明。本發(fā)明所述的戰(zhàn)場態(tài)勢評估中目標(biāo)分群方法為ー種基于層次聚類技術(shù)的目標(biāo)分群方法，其分群的精確度和速度是先有的跟蹤方法都無法比擬的，通過本發(fā)明所述方法有效地支持戰(zhàn)場態(tài)勢評估和戰(zhàn)場指揮員的決策。參照圖I所示，本發(fā)明所述戰(zhàn)場態(tài)勢評估中目標(biāo)分群包括如下步驟
首先，生成屬性優(yōu)先級鏈表和聚類因子矩陣。屬性優(yōu)先級鏈表是指在所選擇的目標(biāo)屬性的先后順序的鏈表。假設(shè)有屬性優(yōu)先級鏈表兩個屬性Vi和ApVi的優(yōu)先級大于Ai的優(yōu)先級，在下述進行目標(biāo)分群的過程中會優(yōu)先選擇Vi，然后才選擇ん。聚類因子矩陣是不同屬性間的聚類因子形成的矩陣。聚類因子是指某一目標(biāo)在單個屬性上或者多個屬性上與其它目標(biāo)的聚合期望值。這是在算法中預(yù)先確定的值，可以來源于經(jīng)驗值或者事先通過機器學(xué)習(xí)的方法獲得。例如戰(zhàn)場中的數(shù)據(jù)有“類型(type)”屬性，假定其中一目標(biāo)0BJ_1的類型為“坦克”，而另一目標(biāo)0BJ_2的類型為“戰(zhàn)機”，戰(zhàn)機和坦克幾乎不可能在同一個群中，因而在“類型”這ー屬性上，“坦克”和“飛機”的聚合期望值，即聚類因子接近于O (步驟101)。其次是對目標(biāo)數(shù)據(jù)進行分割，“分割”的目的是根據(jù)不同的屬性將較大的類簇分割成較小的類簇，使得分割后類簇中的所有數(shù)據(jù)聯(lián)系更緊密，更趨向?qū)儆谕荒繕?biāo)群。戰(zhàn)場中的數(shù)據(jù)分為數(shù)值型的和非數(shù)值型的，需要分開處理。例如戰(zhàn)場中目標(biāo)數(shù)據(jù)的“類型”屬性是非數(shù)值型的，而“速度”屬性是數(shù)值型的。
分割算法從屬性優(yōu)先級鏈表(PPL)中選擇最高優(yōu)先級的屬性Pi (每個屬性選擇ー 次，選擇后將此屬性刪除)進行遞歸分割(步驟102、103、104和105)。如果屬性是非數(shù)值型的，例如“ type”屬性，不同的“ type”分成不同的類簇。對于數(shù)值型的屬性，分割過程如下所述首先在類簇LCi中的目標(biāo)鏈表Objlist中隨機選擇一目標(biāo)數(shù)據(jù)Os作為種子生成子類簇LCiJ并把此子類簇LCiJ加入到上述類簇LCi的子類簇鏈表LClist中，然后再把類簇LCi中的其他目標(biāo)數(shù)據(jù)Oi和種子Os進行比較，如果這兩個目標(biāo)在選擇的屬性Pi上的差值小于事先確定的閾值，則將此目標(biāo)數(shù)據(jù)Oi加入種子所屬的類簇LCiJ中；如果其差值大于閾值，則將此目標(biāo)對象作為新的種子0S’生成新的類簇ΙΑ_η。當(dāng)所有的目標(biāo)數(shù)據(jù)Oi都被分配到子類簇時，再選擇次優(yōu)先級的屬性，遞歸上述算法，直至所有屬性Pi被選擇或者是被分割的類簇中所包含的目標(biāo)數(shù)據(jù)少于預(yù)先確定的閾值。每選擇ー個屬性對類簇中的數(shù)據(jù)進行分割相當(dāng)于LCMC樹增加ー層。如式(1-1)和式(1-2)所示，Oi和Oj表示兩個目標(biāo)，而Ti是Oi的的ー個屬性值，Tj是Oj的ー個屬性值；函數(shù)f (Oi, Oj)表示目標(biāo)Oi是否會被分配到同一個類簇中。非數(shù)值型數(shù)據(jù)
,^ true Ti=Tj^O15Oj)=(式トI)
falseT1I=Tj數(shù)值型數(shù)據(jù)
^ true (Ti-Tj) /Tj <= μ (0,,0^=^(式ト2)
false(T1-Tj) /Tj > μ當(dāng)屬性優(yōu)先級鏈表為空或者是類簇中的目標(biāo)數(shù)量達到所預(yù)先設(shè)定的閾值時(步驟105)，數(shù)據(jù)都會被分割成較小的類簇，但是這些類簇中的目標(biāo)數(shù)據(jù)只是期望屬于某一群，仍然不是ー個群或者是某一群的一部分，因而需要將類簇中的目標(biāo)數(shù)據(jù)再次分割成迷你簇，而迷你簇中的數(shù)據(jù)是構(gòu)成一個群或者是某一群的一部分。
生成迷你簇的其主要算法是首先計算核心半徑CoreR，選擇ー個點作為種子，并以此點為圓心以CorelfScaleFactor為半徑生成一個迷你簇(其中ScaleFactor為調(diào)整因子，初始值設(shè)為I. 0，在反饋階段可以動態(tài)調(diào)整)，然后把比較類簇中的其他目標(biāo)數(shù)據(jù)是否位于迷你簇，如果是，則把此目標(biāo)數(shù)據(jù)加入此迷你簇中，如果不是，則把此目標(biāo)數(shù)據(jù)作為新的種子生成新的迷你簇。如此進行，當(dāng)所有數(shù)據(jù)都進入迷你簇中吋，過程結(jié)束(步驟106)。分割過程完成之后，是迷你簇的融合，包括LCMC樹中葉子類簇內(nèi)部的迷你簇的融合和類簇之間的迷你簇的融合，其主要算法思想是比較兩個迷你簇之間的距離(步驟107)。迷你簇之間的距離定義如式(1-3)所示。
權(quán)利要求
1.一種態(tài)勢評估中目標(biāo)分群方法，其特征在于，包括如下步驟 步驟一，生成屬性優(yōu)先級鏈表和聚類因子矩陣，屬性優(yōu)先級鏈表是指所選擇的目標(biāo)屬性的以先后順序排列的鏈表，聚類因子矩陣是不同屬性間的聚類因子形成的矩陣，聚類因子是指某一目標(biāo)在單個屬性上或者多個屬性上與其它目標(biāo)的聚合期望值； 步驟二，從屬性優(yōu)先級鏈表中選擇第一個屬性對戰(zhàn)場中的目標(biāo)進行分割生成類簇，并將所選擇的屬性從屬性優(yōu)先級鏈表中刪除； 步驟三，判斷類簇中的目標(biāo)數(shù)量是否大于預(yù)先設(shè)定的目標(biāo)數(shù)量閾值，目標(biāo)數(shù)量閾值是指類簇中最少目標(biāo)數(shù)量； 步驟四，如果大于目標(biāo)數(shù)量閾值，則繼續(xù)從屬性優(yōu)先級鏈表中選擇屬性對類簇進行分害IJ，直至屬性優(yōu)先級鏈表為空或者底層類簇中的目標(biāo)數(shù)量小于目標(biāo)數(shù)量閾值； 步驟五，如果小于閾值或者屬性優(yōu)先級鏈表為空，則根據(jù)目標(biāo)的位置關(guān)系對底層類簇中的目標(biāo)數(shù)據(jù)進行聚類分析生成迷你簇； 步驟六，采用融合算法對所述迷你簇進行融合，獲得目標(biāo)群，融合時需要在聚類因子矩陣中查詢相對應(yīng)的聚類因子，如果聚類因子大于聚類因子閾值，，則可進行融合，如果聚類因子小于聚類因子閾值，則不能融合，其中聚類因子閾值是指兩個不同類型的迷你簇之間的最小聚合期望值。
2.根據(jù)權(quán)利要求I所述目標(biāo)分群方法，其特征在于，所述步驟二中從屬性優(yōu)先級鏈表中選擇最高優(yōu)先級的屬性進行遞歸分割。
3.根據(jù)權(quán)利要求I或2所述目標(biāo)分群方法，其特征在于，所述分割的具體方法是 對于非數(shù)值型的屬性，不同的類型分成不同的類簇； 對于數(shù)值型的屬性，分割過程如下所述首先在類簇LCi中的目標(biāo)鏈表Objlist中隨機選擇一目標(biāo)數(shù)據(jù)Os作為種子生成子類簇IA_1，并把此子類簇LCiJ加入到上述類簇LCi的子類簇鏈表LClist中，然后再把類簇LCi中的其他目標(biāo)數(shù)據(jù)Oi和種子03進行比較，如果這兩個目標(biāo)在選擇的屬性Pi上的差值小于事先確定的閾值，則將此目標(biāo)數(shù)據(jù)Oi加入種子所屬的類簇LCiJ中；如果其差值大于閾值，則將此目標(biāo)對象作為新的種子0S’生成新的類簇LCi_n ;當(dāng)所有的目標(biāo)數(shù)據(jù)Oi都被分配到子類簇時，再選擇次優(yōu)先級的屬性，遞歸上述算法，直至所有屬性Pi被選擇或者是被分割的類簇中所包含的目標(biāo)數(shù)據(jù)少于預(yù)先確定的閾值，每選擇一個屬性對類簇中的數(shù)據(jù)進行分割相當(dāng)于LCMC樹增加一層。
4.根據(jù)權(quán)利要求I所述目標(biāo)分群方法，其特征在于，所述步驟三中目標(biāo)數(shù)量閾值取3。
5.根據(jù)權(quán)利要求I所述目標(biāo)分群方法，其特征在于，當(dāng)屬性優(yōu)先級鏈表不為空且類簇中的目標(biāo)數(shù)量大于目標(biāo)數(shù)量閾值，在步驟四后繼續(xù)進行步驟二。
6.根據(jù)權(quán)利要求I所述目標(biāo)分群方法，其特征在于，生成迷你簇的步驟是首先計算核心半徑CoreR,選擇一個點作為種子,并以此點為圓心以CorelfScaleFactor為半徑生成一個迷你簇，其中ScaleFactor為調(diào)整因子，初始值設(shè)為I. 0，在反饋階段動態(tài)調(diào)整，然后比較類簇中的其他目標(biāo)數(shù)據(jù)是否位于迷你簇，如果是，則把此目標(biāo)數(shù)據(jù)加入此迷你簇中，如果不是，則把此目標(biāo)數(shù)據(jù)作為新的種子生成新的迷你簇，當(dāng)所有數(shù)據(jù)都進入迷你簇中時，過程結(jié)束。
7.根據(jù)權(quán)利要求I所述態(tài)勢評估中目標(biāo)分群方法，其特征在于，所述迷你簇融合規(guī)則根據(jù)迷你簇之間的距離分為三種情況第一種情況兩個迷你簇之間的距離小于零，則這兩個迷你簇可融合； 第二種情況兩個迷你簇之間的距離大于預(yù)先設(shè)定的目標(biāo)群之間的最大距離，此時這兩個迷你簇不可融合； 第三種情況兩個迷你簇之間的距離在零和最大距離之間，此時先計算兩個迷你簇之間的中點位置，然后以此中點位置為圓心，以兩個迷你簇中較大的一個為半徑，畫作一個圓，計算兩個迷你簇中有多少目標(biāo)數(shù)據(jù)落在新圓內(nèi)，如果目標(biāo)數(shù)據(jù)大于或等于3個落于新圓內(nèi)，則這兩個迷你簇同屬于一個群，可融合。
全文摘要
一種態(tài)勢評估中目標(biāo)分群方法，首先生成屬性優(yōu)先級鏈表和聚類因子矩陣；其次從屬性優(yōu)先級鏈表中選擇第一個屬性對戰(zhàn)場中的目標(biāo)進行分割生成類簇，并將所選擇的屬性從屬性優(yōu)先級鏈表中刪除；接著判斷類簇中的目標(biāo)數(shù)量是否大于預(yù)先設(shè)定的目標(biāo)數(shù)量閾值；如果大于目標(biāo)數(shù)量閾值，則繼續(xù)從屬性優(yōu)先級鏈表中選擇屬性對類簇進行分割；如果小于閾值或者屬性優(yōu)先級鏈表為空，則根據(jù)目標(biāo)的位置關(guān)系對底層類簇中的目標(biāo)數(shù)據(jù)進行聚類分析生成迷你簇；最后采用融合算法對迷你簇進行融合，獲得目標(biāo)群；本發(fā)明解決了目標(biāo)分群中的不足和關(guān)鍵問題，即提高了目標(biāo)分群的精確度和目標(biāo)分群的速度，因此，可有效地支持戰(zhàn)場態(tài)勢評估和戰(zhàn)場指揮員的決策。
文檔編號G06K9/62GK102663430SQ201210112849
公開日2012年9月12日 申請日期2012年4月17日 優(yōu)先權(quán)日2012年4月17日
發(fā)明者盧正才, 張海生, 李鳳翔, 江子能, 覃征 申請人:清華大學(xué)