[发明专利]一种基于DTW-DBSCAN算法的空中目标分群方法

说明书

本公开的基于DTW‑DBSCAN算法的空中目标分群方法，通过接收空中目标数据；判断空中目标数据的数量，对空中目标数据进行处理得到最新的空中目标数据；对最新的空中目标数据进行无量纲化处理；计算不同属性的最新的空中目标数据之间的DTW距离，形成DTW距离矩阵；利用KNN算法和数学期望法基于DTW距离矩阵分别生成DTW距离矩阵的平均最近邻距离集合和平均最近邻距离集合的邻域密度阈值；依次将平均最近邻距离集合中的元素和邻域密度阈值输入到DBSCAN算法进行聚类分群，输出空中目标分群结果。能够有效实现空中目标的动态分群，解决人为确定分群数目造成的目标分群结果的不稳定，及只对当前时刻目标数据进行目标分群易出错的问题，提高了空中目标分群的精确性。

技术领域

本发明属于战场态势评估技术领域，具体涉及一种基于DTW-DBSCAN(DynamicTime Warping-Density)算法的空中目标分群方法。

背景技术

现代战场中的态势信息的数据源复杂多样，存在模糊性和不确定性，仅凭指挥员自身经验和知识储备难以做出实时决策。态势评估技术旨在从海量战场数据中挖掘出有价值的特征信息，辅助指挥员做出正确及时的作战决策。

目标分群(目标分类)是态势评估领域二级信息融合的重要组成部分。通过在一级数据融合所提供空中战场数据的基础上，通过同类信息的聚合和深层次的信息抽取，将敌方的战斗实体划分为更高抽象层次的作战集群，从而为军事决策提供更为有效的参考。

当前目标分群技术多是通过聚类方法实现，且需要人工设置分群类数。根据人工设置类数的时间，可将常用目标分群算法分为预先设置类数算法和根据聚类结果选择类数算法。预先设置类数算法的结果比较依赖人工设置的参数，这会造成目标分群结果的不稳定性。根据聚类结果选择类数算法依赖选择人员的知识背景，且会较大程度分散指挥人员的注意力，因此不适合实际战场环境使用。

以K-Means为代表的传统分群算法适合解决球型数据的分群问题，对战场中常见的线型编队分群问题存在不足。并且，当前目标分群技术只针对当前时刻的敌方目标数据进行分群，并没有考虑到历史数据问题，当传感器捕获到的目标数据维度较低或航迹有重叠时，很容易分群错误，并且由于大多数分群算法需要人为地实时确定参数，无法实现实时自动的目标分群。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于DTW-DBSCAN算法的空中目标分群方法，能够有效实现空中目标的动态分群，解决了因人为确定分群数目造成的目标分群结果的不稳定性，以及只能对当前时刻目标数据进行目标分群易出错的问题，提高了空中目标分群的精确性。

根据本公开的一方面，本发明提供了一种基于DTW-DBSCAN算法的空中目标分群方法，所述方法包括：

接收空中目标数据；

判断所述空中目标数据的数量，根据所述空中目标数据的数量对所述空中目标数据进行处理，得到最新的空中目标数据；

对最新的空中目标数据进行无量纲化处理；

计算经无量纲化处理的不同属性的最新的空中目标数据之间的DTW距离，形成DTW距离矩阵；

利用KNN算法和数学期望法基于所述DTW距离矩阵分别生成DTW距离矩阵的平均最近邻距离集合和平均最近邻距离集合的邻域密度阈值；

依次将所述平均最近邻距离集合中的元素和所述平均最近邻距离集合的邻域密度阈值输入到DBSCAN算法进行聚类分群，并输出所述空中目标分群结果。

在一种可能的实现方式中，所述空中目标数据为当前时间段内和与其相邻的上一时间段内的空中目标数据的一级信息进行融合得到的。

在一种可能的实现方式中，所述判断所述空中目标数据的数量，根据所述空中目标数据的数量对所述空中目标数据进行预处理，包括：