一种基于进化聚类的多目标分群技术的制作方法

1.本发明属于聚类算法技术领域，具体涉及一种群组分类技术。


背景技术：

2.战场态势生成是从海量的战场信息中提取关键信息并分析推理，判断敌方意图并估计其威胁程度，从而减少指挥员对战场态势的认知压力，提高指挥决策效率。
3.多目标分群是战场态势生成的重要组成部分，将类型属性相同、运动状态相近或作战任务一致的多个目标划分为同一群组，可有效简化战场态势图，为进一步分析敌方意图，量化敌方威胁具有重要意义。
4.聚类分析是多目标分群的主要手段，常用方法包括最近邻算法、k均值算法、模糊c均值算法和密度聚类算法。k均值算法、模糊c均值算法的聚类结果一般依赖于预定聚类个数和初始聚类中心的选取，在缺少先验信息的场景下目标分群效果较差。密度聚类算法对处理密度分布均匀的数据具有优势，适用于解决大量密集样本分群问题，不适合编组协同作战的实际战场环境。最近邻算法通过预先设定阈值，将空间位置相近的目标划分到同一群组，原理简单，较易实现，在工程中被广泛应用。
5.在未来联合作战背景下，战场环境越来越复杂，敌我双方目标数量的激增、作战样式的变化都对战场态势生成多目标分群技术提出了更高的挑战。
6.现有技术利用最近邻算法进行多目标分群时，只考虑目标位置关系，将三维空间距离作为距离度量函数，忽略目标类别、属性和运动状态间的相似性。现有技术基于当前时刻目标的运动状态进行最近邻聚类，未考虑历史时刻聚类结果的影响，导致目标分群结果与实际战场环境不匹配。
7.例如，多目标间建立群组关系后，某一时刻、某目标执行作战任务，导致与其他目标间距离在短时间内超过阈值，群组关系将无法保持。若两个独立目标运动轨迹存在交叉，某一时刻目标间位置距离小于预先设定阈值，两目标会被错误划分到同一群组。
8.针对上述问题，迫切需要一种简单、高效的聚类算法，实现复杂的战场环境下的多目标分群技术。该技术基于多维度距离度量准则，使某一时刻的聚类结果既满足与当前时刻战场目标态势尽量一致，又满足与前一时刻聚类结果的差异性较小。使用该技术后，可以提升战场目标分群结果的准确性和稳定性，为群组目标意图推理和威胁估计奠定基础。


技术实现要素：

9.本发明为了解决现有技术存在的问题，提出了一种基于进化聚类的多目标分群技术，为了实现上述目的，本发明采用了以下技术方案。
10.步骤一：根据目标的三维空间位置坐标、速度、航向、敌我属性、军民属性、类型因素，构建待分群目标样本集；
11.步骤二：将三维空间位置坐标作为度量主体，将速度、航向、敌我属性、军民属性、类型作为惩罚系数，定义目标之间的初始距离度量函数，生成多因素距离度量矩阵；
12.步骤三：设置时间平滑因子，用距离度量函数的历史计算结果修正当前计算结果，定义最终距离度量函数，更新多因素距离度量矩阵；
13.步骤四：预设距离阈值，计算两个目标之间的距离，若小于阈值，则划分入同一个群，直至所有目标分群结束。
14.步骤一中，设分别为tk时刻第i个目标的三维空间位置坐标、速度、航向，为敌我属性，为军民属性，为类型，则n个目标中tk时刻第i个目标为
[0015][0016]
进一步的，敌我属性中，0表示敌，1表示我，2表示友，3表示不明；军民属性中，0表示军，1表示民，2表示不明；类型中，0表示空中，1表示水面，2表示水下，3表示不明。
[0017]
步骤二中，设为tk时刻第i个目标和第j个目标在三维空间直角坐标系中的距离为速度和航向惩罚函数分别为敌我属性、军民属性、类型惩罚函数分别为则目标之间的初始距离度量函数为若两个目标的速度相等，航向、敌我属性、军民属性、类型相同，则惩罚系数分别为1，否则大于1，随惩罚因子增大而增大。
[0018]
步骤三中，设为t
k-1
时刻两个目标之间的初始距离度量函数，αk∈[0,1]为时间平滑因子，则最终距离度量函数为若αk＝1，则不考虑历史时刻距离度量对分群结果的影响，若αk＝0，则保持历史时刻的分群结果，若0《αk《1，则考虑历史时刻的分群结果、平衡当前时刻的距离度量对分群结果的影响。
[0019]
本发明的有益效果：借鉴进化聚类算法思想，基于最近邻准则，实现战场目标分
群，通过定义新的距离度量函数，有效提升了聚类结果准确性和稳定性，具有较低的实现复杂度和较高的工程应用价值；计算各目标间距离度量时，不是简单计算目标之间的三维空间位置距离，而是考虑了目标速度、航向、敌我属性、军民属性、类型因素的影响，引入相应的惩罚函数，对距离度量进行修正，可根据具体应用场景调整各因素的惩罚因子，令目标分群结果更为准确；进行目标分群时，充分运用了历史信息，不仅考虑了当前时刻目标间的距离度量，还引入了前一时刻目标间距离度量的影响，通过调整时间平滑因子，平衡当前时刻和历史时刻目标状态对聚类结果的影响，使目标分群结果更符合实际战场环境。
附图说明
[0020]
图1是多方编队运动轨迹，图2是目标轨迹交汇区域的现有技术分群结果，图3是队形变化间距不稳的现有技术分群结果，图4是目标轨迹交汇区域的本发明分群结果，图5是队形变化间距不稳的本发明分群结果。
具体实施方式
[0021]
以下结合附图对本发明的技术方案做具体的说明。
[0022]
假设敌方2个直升机编队与我方1个直升机编队相向行进，遭遇时，敌方编队折返，我方编队追击。
[0023]
下表给出了多方编队的基本信息，运动轨迹仿真如图1所示。
[0024][0025]
基于进化聚类的最近邻算法，对战场目标进行分群，在任一时刻tk，构建tk时刻的目标样本集目标数n＝8
[0026][0027]
多因素距离度量函数中速度惩罚因子αv＝1、航向惩罚因子αd＝1，敌我属性、军民属性、目标类型的惩罚因子α
t1
＝α
t2
＝α
t3
＝1，时间平滑因子αk＝0.5，距离度量阈值η＝3。
[0028]
步骤1：对于样本集中的数据，计算目标两两之间的时间平滑的多因素距离，形成n
×
n维距离度量矩阵dis，由于距离矩阵具有对称性，实际应用中只需计算上三角矩阵。
[0029][0030]
步骤2：依次比较距离度量矩阵中两目标距离值与距离阈值的大小关系，若距离小于阈值，则划分为同一群组并设置群组序号。
[0031]
步骤2.1：初始化距离度量矩阵dis,各目标群组序号i-id＝0(1≤i≤8)，群组个数num＝0；
[0032]
步骤2.2：选取初始目标i＝1；若i-id＝0，即该目标未划分到任意群组，则将其设
置为独立群目标，num＝num 1，i-id＝num；
[0033]
步骤2.3：选取目标j＝i 1，若dis(i,j)《η，则将其与第i个目标划分为同一群组，j-id＝i-id，j＝j 1直至所有(n-i)个目标遍历结束。
[0034]
步骤2.4：令i＝i 1，重复步骤2.2-2.4，直至i＝n，所有目标分群结束。
[0035]
步骤3：根据群组个数和各目标群组序号统计目标分群结果并输出。
[0036]
各编队间距离较大且保持稳定时，现有技术可以实现较好的分群效果，但是在目标轨迹有所交汇的区域，如图2所示，或编队内的队形变化导致目标间距离不稳定时，如图3所示，现有技术出现了错误。
[0037]
本发明考虑了目标类型、属性、速度、航向等多种因素，以及前一时刻分群结果的影响，有效提升了分群结果准确性和稳定性，如图4和5所示。
[0038]
上述作为本发明的实施例，并不限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。