[发明专利]基于K-means聚类的空中目标分群方法

权利要求书

1.一种基于K-means聚类的空中目标分群方法，其特征在于，采用最大最小距离算法计算目标分群的聚类初始中心和聚类个数；该方法的实现步骤具体如下：

步骤1，读入传感器观测到的每个目标的空中目标识别数据，该数据中包含该目标分别在X轴、Y轴和Z轴的位置分量、目标属性和目标类型；

步骤2，生成空中目标数据集：

将所有空中目标识别数据中属性相同的空中目标组成空中目标数据集T；

步骤3，获取阈值：

第一步，按照下式，计算空中目标数据集T中每个空中目标的初始参考值：

其中，M_i表示空中目标数据集T中第i个空中目标的初始参考值，|·|表示求绝对值操作，x_i，y_i，z_i分别表示第i个空中目标在X轴、Y轴、Z轴上的坐标值，∑表示求和操作，n表示空中目标数据集T中空中目标的总数；

第二步，选空中目标数据集T中所有空中目标的初始参考值中的最小值将计算该最小值对应的空中目标C₁与目标数据集T中每个空中目标的欧式距离，并从中找出最大欧式距离所对应的空中目标C₂；

第三步，用空中目标C₁与C₂的欧式距离与距离参数的乘积作为阈值；所述距离参数为经验值；

步骤4，计算空中目标群总数：

第一步，设置一个用于存放空中目标的集合C，将C₁和C₂放入集合C中；

第二步，在空中目标数据集T中除去C₁和C₂之外，计算其余每个空中目标分别与空中目标C₁的欧氏距离和与空中目标C₂的欧氏距离，从中选取最小值，将所有最小值组成最小间距集合；

第三步，从最小间距集合中选取最大值；

第四步，判断所选最大值是否大于阈值，若是，则执行第五步，否则，执行第六步；

第五步，将最大值对应的空中目标加入集合C，从最小间距集合中舍弃所选取最大值后执行第三步，

第六步，将集合C中元素的个数作为空中目标群总数，执行步骤5；

步骤5，空中目标分群：

第一步，将集合C中的元素作为空中目标群中心目标；

第二步，计算空中目标数据集T中每个空中目标分别与每个空中目标群中心目标的欧式距离，从中选取最小值，将空中目标划分到该最小值对应的群中心目标所在空中目标群中；

第三步，在每一个空中目标群中，用当前空中目标群中所有空中目标分别在立体坐标系X轴、Y轴、Z轴上坐标的平均值，更新空中目标群中心目标在X轴、Y轴、Z轴上的坐标值；

第四步，判断误差平方和目标函数是否达到最小值，若是，则执行步骤6，否则，执行第二步；

步骤6，将当前所得空中目标群作为分群结果。

2.根据权利要求1所述的基于K-means聚类的空中目标分群方法，其特征在于，步骤5第四步中所述的误差平方和目标函数为：其中，J表示空中目标数据集T中所有空中目标与其所属空中目标群的群中心的平方误差之和，C_i表示空中目标群第i个空中目标群中心,t_i∈C_i表示空中目标t_i属于群中心为C_i的空间目标群。

3.根据权利要求1所述的基于K-means聚类的空中目标分群方法，其特征在于，步骤5第四步中所述的判断误差平方和目标函数是否达到最小值，该判断采用近似判断误差平方和目标函数是否达到局部极小值的方法，具体过程为：

A.计算每个空中目标t_i到所属空中目标群中心C_j的欧式距离；

B.对于每一个空中目标分群中心C_j，将每个空中目标t_i到所属空中目标群中心C_j的欧式距离进行求和平均；

C.对于K个空间目标群中心，则用步骤B求和平均所得值构成K维向量S；

D.设定S'为空中目标群分群过程中上一次迭代所得的K维向量，计算本次迭代所得的向量S和上次迭代的向量S'的欧式距离，记为Dis；

E.如果Dis＜0.001，则认为该误差平方和目标函数达到局部极小值。