本發(fā)明屬于態(tài)勢估計技術領域，特別涉及一種基于改進空間距離劃分的目標分群方法，可用于態(tài)勢估計、指揮控制系統(tǒng)。

背景技術：

在實際態(tài)勢中，由于各種目標數(shù)量眾多，紅藍雙方各類型目標交錯參雜在一起，通過多種信息化觀測平臺所獲得的量測數(shù)據(jù)，如果未經(jīng)精簡和凝練而同時顯示出來，提供給指揮員的態(tài)勢圖可能布滿密密麻麻的目標標志，造成信息炫目問題，導致指揮員無法有效把握態(tài)勢。目標分群是降低或改變提供給決策制定者的信息量的最有效方式之一。它可以將類型相近、運動狀態(tài)相近、執(zhí)行相同任務或具有相同威脅的目標進行合并，簡化態(tài)勢情況，給指揮員提供簡單明了的態(tài)勢視圖。

目前，典型的目標分群方法有：K均值、模糊C均值、ISODATA和最近鄰方法等。其中：

K均值方法，簡單易實現(xiàn)，但需指定分類數(shù)，這與通常實際面臨分類數(shù)未知的情況不匹配，而且其分類結果較為依賴于初始分類中心選取，造成了分類結果穩(wěn)定性不足的問題；

模糊C均值方法，與K均值方法的缺陷類似，同樣需指定分類數(shù)，且分類結果較為依賴于初始分類中心選?。?/p>

ISODATA方法，是在K均值算法的基礎上增加對聚類結果的合并和分裂操作實現(xiàn)動態(tài)分群，能夠處理類數(shù)未知的分群問題，但其以樣本與聚類中心的距離作為分群依據(jù)，適合于解決球狀簇樣本分群問題，而對于態(tài)勢估計中常見的線型編隊分群問題存在不足；

最近鄰方法，通過設定閾值實現(xiàn)分群，簡單易實現(xiàn)，在工程中應用廣泛，但對于不同量測尺度或情況的分群問題，閾值需分別設定，缺乏有效的閾值選取方法。

技術實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術中的不足，通過引入劃分獨立性和逆χ²分布概率區(qū)間約束，對空間距離劃分進行改進，有效去除計算冗余，動態(tài)地優(yōu)選合理閾值，提出了一種基于改進空間距離劃分的目標分群方法，有效提高分群效率、準確率和穩(wěn)定性。

實現(xiàn)本發(fā)明的技術關鍵是：在目標分群過程中，首先通過紅藍方及類別屬性劃分，約減分群目標數(shù)規(guī)模，提高分群效率，其次引入劃分獨立性，消除計算冗余，進而通過逆χ²分布概率區(qū)間約束，動態(tài)優(yōu)選閾值，提高分群準確率，有效濾除噪聲干擾。其實現(xiàn)步驟包括如下：

(1)讀入當前時刻傳感器觀測得到的目標位置量測數(shù)據(jù)和目標識別數(shù)據(jù)；所述的目標識別數(shù)據(jù)由紅藍方識別數(shù)據(jù)和類別屬性識別數(shù)據(jù)組成；

(2)根據(jù)紅藍方識別數(shù)據(jù)對所有目標進行劃分，得到紅方目標標號集和藍方目標標號集；

(3)根據(jù)類別屬性識別數(shù)據(jù)分別對紅方目標標號集和藍方目標標號集進行再劃分，一一對應得到紅方各類目標標號集和藍方各類目標標號集；

(4)分別對紅方各類目標標號集和藍方各類目標標號集進行改進空間距離劃分；藍方各類目標標號集進行改進空間距離劃分的方式與紅方各類目標標號集進行改進空間距離劃分的方式相同；具體包括以下步驟：

(4a)計算紅/藍方各類目標標號集內當前類的目標之間的距離，并將距離按升序排列得到距離序列；

(4b)根據(jù)距離序列計算得到距離閾值序列；

(4c)將概率區(qū)間經(jīng)逆χ²分布函數(shù)映射得到距離閾值區(qū)間；其中，概率為所有目標之間的距離出現(xiàn)的概率；

(4d)從屬于距離閾值區(qū)間內的距離閾值序列中，根據(jù)目標之間的直接鄰近關系推導出間接鄰近關系，在距離閾值序列中將間接鄰近關系對應的距離閾值剔除得到獨立距離閾值序列；

(4e)從獨立距離閾值序列中選取最大的獨立閾值作為最終分群閾值；

(4f)根據(jù)最終分群閾值進行目標空間分群得到一個或多個群目標；

(4g)檢查紅/藍方各類目標標號集的所有類別是否均已進行目標空間分群，如果沒有，則將紅/藍方各類目標標號集內的下一類更新為當前類，跳轉到步驟(4a)；否則，執(zhí)行步驟(5)；

(5)輸出全部群目標，檢查下一時刻的傳感器觀測數(shù)據(jù)是否到達，若是，將下一時刻更新為當前時刻，跳轉到步驟(1)；否則，結束本流程。

其中，所述的步驟(4d)，具體包括以下步驟：

(4d1)將在距離閾值區(qū)間內的距離閾值序列作為新的距離閾值序列；

(4d2)初始化目標記錄庫；

(4d3)檢查新的距離閾值序列中當前距離閾值所對應的目標標號是否均已記錄在目標記錄庫中，若無，則繼續(xù)執(zhí)行步驟(4d4)；否則，轉到步驟(4d6)；其中，當前距離閾值的初始序號為新的距離閾值序列中最小距離閾值的序號；

(4d4)將當前距離閾值記錄為獨立距離閾值；

(4d5)將當前距離閾值所對應的目標標號記錄在目標記錄庫中；

(4d6)將當前距離閾值的序號加1作為下一距離閾值的序號，判斷下一距離閾值的序號是否小于等于新的距離閾值序列中最大距離閾值的序號，若是，將下一距離閾值更新為當前距離閾值，返回步驟(4d3)；否則，則執(zhí)行步驟(4d7)；

(4d7)將所有獨立距離閾值按升序排列，生成獨立距離閾值序列。

本發(fā)明具有以下優(yōu)點：

1)本發(fā)明通過優(yōu)先進行紅藍方及類別屬性劃分，有效約減參與分群目標數(shù)的規(guī)模，降低計算量，提高計算效率；

2)本發(fā)明通過引入劃分獨立性和逆χ²分布概率區(qū)間約束，消除計算冗余并提取候選閾值，在此基礎上選取最大候選閾值，能夠有效濾除噪聲干擾，提高分群準確率。

附圖說明

圖1是本發(fā)明的整體流程圖；

圖2是用本發(fā)明對靜態(tài)多編隊群目標進行分群的目標空間分布圖；

圖3是本發(fā)明中距離閾值序列關系圖；

圖4是本發(fā)明中不同距離閾值分群結果比較圖；

圖5是用本發(fā)明及現(xiàn)有方法對靜態(tài)多目標進行分群的實驗結果圖；

圖6是用本發(fā)明對多編隊群目標進行動態(tài)分群的全局目標分群實驗結果圖；

圖7是用本發(fā)明對多編隊群目標進行動態(tài)分群的局部區(qū)域A目標分群實驗結果圖；

圖8是用本發(fā)明對多編隊群目標進行動態(tài)分群的局部區(qū)域B目標分群實驗結果圖。

具體實施方式

下面結合附圖及實施例對本發(fā)明做進一步詳細的說明。

參照圖1，本發(fā)明的基于改進空間距離劃分的目標分群方法，具體包括以下步驟：

步驟1.數(shù)據(jù)讀入。

1.1)令初始時刻k＝1，讀入k時刻的目標位置量測數(shù)據(jù)其中，表示k時刻的第t個目標的位置量測列向量，t為目標標號，取值為1,2,…,N_k，N_k表示k時刻的目標總數(shù)，k表示時刻；

1.2)讀入k時刻的目標識別數(shù)據(jù)，所述的目標識別數(shù)據(jù)由紅藍方識別數(shù)據(jù)和類別屬性識別數(shù)據(jù)組成；其中，表示k時刻的第t個目標的紅藍方識別結果，表示k時刻的第t個目標的類別屬性識別結果。

步驟2.紅藍方及類別屬性劃分。

2.1)根據(jù)紅藍方識別數(shù)據(jù)對所有目標進行劃分，得到紅/藍方目標標號集E_i：

$E_i=\left\{t\right|e_k^{\left(t\right)}=i\},i=1,2;---1)$

其中，i為紅藍方標號，E₁為藍方目標標號集，E₂為紅方目標標號集；

2.2)根據(jù)類別屬性識別數(shù)據(jù)分別對紅/藍方目標標號集進行再劃分，一一對應得到紅/藍方各類目標標號集P_ij：

$P_{ij}=\left\{t\right|e_k^{\left(t\right)}=i,c_k^{\left(t\right)}=j\},i=1,2,j=1,2,...,C;---2)$

其中，j為類別標號，C表示類別總數(shù)。

步驟3.改進空間距離劃分。

分別對紅/藍方各類目標標號集P_ij進行改進空間距離劃分；藍方各類目標標號集進行改進空間距離劃分的方式與紅方各類目標標號集進行改進空間距離劃分的方式相同；具體包括以下步驟：

3.1)計算紅/藍方各類目標標號集P_ij內當前類的所有目標標號對應目標之間的距離，并按升序排列，生成距離序列d_l，l＝0,1,…,N′-1：

3.1.1)計算P_ij內當前類的所有目標標號對應目標之間的距離d_ab：

$d_{ab}=D(z_k^{\left(a\right)},z_k^{\left(b\right)}),a,b\∈P_{ij};---3)$

其中，表示k時刻的第a個目標和第b個目標的位置量測之間的距離，a為第一個目標標號，其取值為a∈P_ij，b為第二個目標標號，其取值為b∈P_ij；

3.1.2)將d_ab按升序排列，生成距離序列d_l，l＝0,1,…,N′-1，滿足d_l-1≤d_l，其中l(wèi)為距離序號，N′為距離總數(shù)，d₀＝0；

3.2)根據(jù)距離序列d_l，l＝0,1,…,N′-1，生成距離閾值序列Δ_l，l＝1,2,…,N′-1：

${\mathrm{\Δ}}_l=\frac{(d_{l-1}+d_l)}{2},l=1,2,...,N^{\′}-1;---4)$

3.3)根據(jù)概率區(qū)間經(jīng)逆χ²分布函數(shù)映射得到距離閾值區(qū)間

Δ＝(Q+R)^1/2·invchi2(p)， 5)

$\stackrel{\‾}{\mathrm{\Δ}}={(Q+R)}^{1/2}\·invchi2\left(\stackrel{\‾}{p}\right);---6)$

其中，p和分別表示概率區(qū)間的下限和上限，Δ和分別表示距離閾值區(qū)間的下限和上限，invchi2(·)表示二維逆χ²分布函數(shù)，Q為目標過程噪聲方差，R為目標量測噪聲方差；

3.4)從范圍內的距離閾值序列中，根據(jù)目標之間的直接鄰近關系推導出間接鄰近關系，在距離閾值序列中將間接鄰近關系對應的距離閾值剔除得到獨立距離閾值序列m＝1,2,…,N″，其步驟如下：

3.4.1)將在范圍內的距離閾值序列Δ_l作為新的距離閾值序列l(wèi)＝r,r+1,…,q，其中，r為范圍內的最小距離閾值的序號，q為范圍內的最大距離閾值的序號；

3.4.2)初始化l＝r，目標記錄庫

3.4.3)檢查新的距離閾值序列中當前距離閾值所對應的目標標號是否均已記錄在U中，若無，則繼續(xù)執(zhí)行步驟3.4.4)；否則，轉到步驟3.4.6)；

3.4.4)將新的距離閾值序列中的當前距離閾值記錄為獨立距離閾值；

3.4.5)將新的距離閾值序列中當前距離閾值所對應的目標標號記錄在U中；

3.4.6)令l＝l+1，若l≤q，返回步驟3.4.3)進行迭代，若l＞q，停止迭代，執(zhí)行步驟3.4.7)；

3.4.7)將所有獨立距離閾值按升序排列，生成獨立距離閾值序列m＝1,2,…,N″，其中m為獨立距離閾值序號，N″為獨立距離閾值總數(shù)；

3.5)從獨立距離閾值序列中選取最大的獨立閾值作為最終的分群閾值：

${\widehat{\mathrm{\Δ}}}_{max}=max\left({\widehat{\mathrm{\Δ}}}_m\right);---7)$

3.6)根據(jù)進行目標空間分群，得到一個或多個群目標G_ijs，s＝1,2,…,S，其步驟如下：

3.6.1)初始化s＝1，s為紅/藍方當前類目標的空間分群序號，取值為1,2,…,S，S表示紅/藍方當前類目標的空間分群總數(shù)；

3.6.2)選取任意目標標號a作為搜索中心，a∈P_ij，初始化G_ijs＝{a}，對P_ij進行更新：

P_ij＝P_ij\a； 8)

其中，P_ij\a表示從P_ij中去除a；

3.6.3)若則P_ij的目標分群過程結束，轉到步驟3.7)；否則，繼續(xù)執(zhí)行步驟3.6.4)；

3.6.4)搜索與第a個目標直接相鄰的其他目標標號集V：

$V=\left\{b\right|d_{ab}\≤{\widehat{\mathrm{\Δ}}}_{max},b\∈P_{ij}\};---9)$

3.6.5)若則令s＝s+1，返回步驟3.6.2)進行迭代；否則，繼續(xù)執(zhí)行步驟3.6.6)；

3.6.6)對G_ijs進行更新：

G_ijs＝G_ijs∪V； 10)

其中，G_ijs∪V表示G_ijs與V取并集；

3.6.7)對P_ij進行更新：

P_ij＝P_ij\V； 11)

其中，P_ij\V表示從P_ij中去除V；

3.6.8)若則P_ij的目標分群過程結束，轉到步驟3.7)；否則，更新搜索中心，a＝h，其中h是與第a個目標直接相鄰的目標所對應的標號，h∈V，返回步驟3.6.4)進行迭代。

3.7)檢查紅/藍方各類目標標號集P_ij的所有類別是否均已進行目標空間分群，如果沒有，則將紅/藍方各類目標標號集內的下一類更新為當前類，跳轉到步驟3.1)；否則，執(zhí)行步驟4；

步驟4.分群結果輸出。

4.1)輸出全部群目標G_ijs，i＝1,2，j＝1,2,…,C，s＝1,2,…,S；

4.2)檢查下一時刻的傳感器觀測數(shù)據(jù)是否到達，若是，令k＝k+1，返回步驟1進行迭代；否則，結束本流程。

本發(fā)明的效果可通過以下仿真實驗進一步說明：

1.仿真條件。

仿真環(huán)境：計算機采用Intel Core i3-2130CPU 3.4Ghz，2GB內存，軟件采用Matlab R2011a仿真實驗平臺。

仿真參數(shù)：目標過程噪聲方差Q＝1，目標量測噪聲方差R＝0.2，概率區(qū)間

2.仿真方法。

方法1：本發(fā)明方法；

方法2：K均值方法；

方法3：模糊C均值方法；

方法4：ISODATA方法。

3.仿真內容與結果。

仿真1：用方法1，對靜態(tài)多目標進行分群，結果如圖2、圖3和圖4所示，其中：

圖2為靜態(tài)多目標編隊示意圖；

圖3為距離閾值序列關系圖；

圖4為不同距離閾值對靜態(tài)多目標進行分群的結果比較圖；

圖4(a)為用Δ₂對靜態(tài)多目標進行分群的結果圖；

圖4(b)為用Δ₃對靜態(tài)多目標進行分群的結果圖；

圖4(c)為用Δ₄對靜態(tài)多目標進行分群的結果圖；

圖4(d)為用Δ₅對靜態(tài)多目標進行分群的結果圖。

在圖2中，有兩組目標編隊，分別呈線形(左側)和三角形(右側)。

從圖4可以看出，Δ₅超出合理區(qū)間；Δ₄雖然得到正確劃分，但與Δ₃的結果重復，所以Δ₄為非獨立距離閾值；Δ₂雖為獨立距離閾值，但由于過小，右側編隊未正確劃分；而Δ₃為區(qū)間范圍內最大的獨立距離閾值，所得到的劃分結果較為理想。因此，本發(fā)明的距離閾值優(yōu)選方法具有一定的合理性與有效性。

仿真2：用所述四種方法，對靜態(tài)多目標進行分群，結果如圖5所示，其中：

圖5(a)為用方法1對靜態(tài)多目標進行分群的結果圖；

圖5(b)為用方法2對靜態(tài)多目標進行分群的結果圖；

圖5(c)為用方法3對靜態(tài)多目標進行分群的結果圖；

圖5(d)為用方法4對靜態(tài)多目標進行分群的結果圖。

從圖5可以看出，本發(fā)明方法能夠較好的實現(xiàn)目標分群，且無需預設類數(shù)，方法2和方法3雖然也能較好的實現(xiàn)目標分群，但其預設類數(shù)需設為理想值，且其分類結果受該設定值影響較大，當類數(shù)設定錯誤時必然得到錯誤的分群結果，因而難以滿足實際中類數(shù)未知情況的分群需求，方法4雖然也無需預設類數(shù)，但其以樣本與聚類中心的距離作為分群依據(jù)，不適合解決線型編隊的分群問題，尤其當線型編隊內目標最大間距與編隊間最小距離接近時，該方法的參數(shù)設置尤為困難，難以獲得理想的分群結果。

對圖5中的場景分別進行100次運行，統(tǒng)計平均運行時間，結果如表1所示。

表1

由表1中的統(tǒng)計數(shù)據(jù)可以看出：由于方法2、方法3和方法4均需要通過迭代實現(xiàn)分群，較為耗時；而本發(fā)明則通過對劃分獨立性和概率區(qū)間約束進行分析，直接得到劃分閾值進行分群，運行效率更高。

綜上可以得出，本發(fā)明在分群準確率和實時性方面均優(yōu)于方法2、方法3和方法4。

仿真3：用方法1，對多編隊群目標進行動態(tài)分群，結果如圖6、圖7和圖8所示，其中：

圖6為用方法1對多編隊群目標進行動態(tài)分群的全局目標分群結果；

圖7為用方法1對多編隊群目標進行動態(tài)分群的局部區(qū)域A目標分群結果；

圖8為用方法1對多編隊群目標進行動態(tài)分群的局部區(qū)域B目標分群結果。

在圖6中，虛線矩形框為便于觀察實驗結果的局部區(qū)域，局部區(qū)域旁邊的字母A、B為局部區(qū)域所對應的編號，黑色六角形為各群目標觀測起始位置，各群目標編隊情況如表2所示。圖6所描繪的態(tài)勢情況為紅藍雙方的飛機與車輛多編隊相向行進遭遇，藍方飛機編隊中途折返撤退，紅方飛機編隊進行追擊。在圖6、圖7和圖8中，黑點表示各目標的位置量測，實線矩形框范圍內的多個目標被劃分屬于同一群目標，各群目標運動軌跡旁邊的數(shù)字為群目標所對應的編號。

表2

從圖6、圖7和圖8可以看出，實際情況下群目標編隊間距較大，但由于噪聲的影響編隊內目標間距不穩(wěn)定，而本發(fā)明能夠動態(tài)的優(yōu)選劃分閾值，應對上述挑戰(zhàn)，有效且穩(wěn)定的實現(xiàn)編隊分群。

對圖6中的場景分別進行100次運行，統(tǒng)計平均運行時間，本發(fā)明的運行時間為0.0065s，滿足實時性要求。

綜上可以得出，本發(fā)明能夠實現(xiàn)對實際情況下多編隊群目標有效、準確且實時的動態(tài)分群。