[发明专利]运动目标的关联规则分析方法及系统

说明书

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种运动目标的关联规则分析方法及系统。

背景技术

现代空域管理和监视已经是一种大范围、快节奏的管理和监视方式，包括海、陆、空、天多维度的多方平台。随着现代空域管理和监视过程中传感器种类的增加以及传感器能力的提升，空域管理和监视范围进一步扩大，方式日趋复杂化，区域内运动目标的数据量和种类也随之剧增，由此给运动目标的识别带来了极大的困难。因此，在复杂环境下针对不同飞行任务、不同目标，快速、准确地完成运动目标的识别，是未来空域管理和监视的先决条件和必要保障。

针对现有技术中运动目标的关联规则分析方法：

(1)在数据挖掘方面，目前的处理方式几乎都是基于当前t_n时刻的“静态状态”数据进行挖掘，没有考虑针对t_n-t_n-1的“动态趋势”数据进行处理，因而挖掘结果缺乏对运动目标趋势特性的体现，也同时会导致一些有用知识的遗漏；

(2)在关联规则分析方面，目前最为著名的算法是Apriori算法和FP-Growth(Frequent Pattern-Growth，频繁模式增长)算法，此外还有DHP、STEM算法等。其中，Apriori算法采用了基于逐层搜索求解频繁项集的迭代的方法，其过程简单，且易于理解，没有复杂的算法，实现起来也比较容易，但需要多次扫描数据库(数据表)且产生大量候选频繁项集，实用性不够高，效率很低。FP-Growth算法是一种不产生候选频繁项的挖掘算法，其基本思想是将事务数据库压缩到一颗FP(Frequent Pattern，频繁模式)树中，采用分而治之的思想，自底向上挖掘FP树，最终输出所有的频繁项集，但该算法在遍历FP树时需要消耗大量时间，且在支持度计算时需要完全遍历，无法充分利用算法的中间结果，导致时间和空间效率略低。此外，Apriori算法和FP-Growth算法都存在一个共同的问题：二者都认为频繁项集的所有非空子集必须也都是频繁的，但是这样产生出的大量候选频繁项集虽然都是频繁的，但有一部分是原始数据源所不包含的，这在某些特定应用环境下是不能够被接受的。

综上，由于在未来空域管理和监视过程中，各种传感器获取的目标特征信息量大、类型多样、特征间关系错综复杂，并且特征具有不同的种类和表现形式，所以现有技术中运动目标的关联规则分析方法已无法适应新的需求。

发明内容

本发明的目的在于克服现有技术中运动目标的关联规则分析方法存在的以下技术缺陷：在数据挖掘方面，对运动目标的运动趋势无法充分体现。为实现上述目的，本发明提供了一种运动目标的关联规则分析方法及系统。

根据本发明的一个方面，提供了一种运动目标的关联规则分析方法，所述方法包括：

每隔预设的采样间隔获取关于至少两个运动目标的特征数据表，所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征；

依次对预设时间段内的每个采样时刻，根据所述采样时刻及其上一采样时刻分别获取的特征数据表，得到变化趋势数据表，并对所述变化趋势数据表进行关联规则分析，得到所述采样时刻对应的第一关联知识；

整合所述预设时间段内所有采样时刻对应的第一关联知识，得到动态关联知识；

依次对所述预设时间段内的每个采样时刻，将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表，并对所述固有特征数据表进行关联规则分析，得到所述采样时刻对应的第二关联知识；

整合所述预设时间段内所有采样时刻对应的第二关联知识，得到静态关联知识；

对所述动态关联知识和所述静态关联知识进行数据融合，得到关联规则知识。

优选的是，所述根据所述采样时刻及其上一采样时刻分别获取的特征数据表，得到变化趋势数据表包括：

依次对所述采样时刻获取的特征数据表中的每个运动特征，计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值，得到所述运动特征对应的第一差值；

依次对所述采样时刻获取的特征数据表中的每个固有特征，计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值，得到所述固有特征对应的第二差值；

根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值，得到所述变化趋势数据表。

优选的是，所述根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值，得到所述变化趋势数据表包括：