CN104699755A - 一种基于数据挖掘的智能化多目标综合识别方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的智能化多目标综合识别方法，包括如下步骤：步骤一、情报信息获取；步骤二、目标特征知识与目标关联知识挖掘；步骤三、基于目标特征知识的智能化识别；步骤四、判断目标是否为相近时间、相近地点出现的目标，若是，则进入步骤五，否则，进入步骤六；步骤五、基于目标关联知识的智能化识别；步骤六、目标识别结果反馈。本发明的积极效果是：将数据挖掘技术应用到目标识别领域，为目标识别提供了自动化、智能化手段；能够进行目标识别知识库的自动构建；提出基于目标特征知识识别和基于目标关联知识识别两种目标识别思路，能在很大程度上提高多目标综合识别准确率。

Description

一种基于数据挖掘的智能化多目标综合识别方法

技术领域

本发明涉及一种基于数据挖掘的智能化多目标综合识别方法。

背景技术

无论是在军用还是民用领域，目标识别技术都具有很广泛的应用背景，因此，对于该技术，已积累了一大批卓有意义的理论与技术成果。目前已有的目标识别技术，大多是基于目标运动特性、多普勒特性、以及SAR图像等进行目标的分类和识别。而现有的目标识别技术在目标特征选择、目标特征知识库的构建及目标综合识别等方面与实际应用都还存在差距。

首先，在特征选择方面，一般来说，识别特征越多，信息量越大，识别性能越好，但实际上由于存在冗余信息，多特征识别的性能未必好。而目前，缺乏一种有效的目标特征选择方法，能够准确地反映各种复杂目标的特性。

其次，目标特征库建立得是否准确、合理，直接关系到各种识别处理算法的效果。而目前目标特征库主要通过人工进行建立、更新和维护，缺乏一种自动化和智能化手段。

最后，对于目标识别算法，目前大多采用句法分类、神经网络和模糊逻辑等有监督分类方法，存在工作量大、人为主观因素较强的问题。

此外，当有多个目标以及多种针对同一目标的情报信息时，缺乏对目标进行综合判别的有效手段。

由此可见，目前的目标识别方法还存在诸多问题，亟需提出一种解决上述各问题的方案。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种基于数据挖掘的智能化多目标综合识别方法，有效解决了多目标的综合识别问题，具体如下：

1)当针对同一目标有多种类型的情报信息时，如何进行目标特征的合理选择，能够准确地反映各种复杂目标的特性，从而能够有效支撑目标的分类和识别；

2)如何进行目标识别知识的自动化、智能化获取，其中，包含了如何将多种类型的情报信息进行预处理和关联，使其能够便于进行目标识别知识的自动化、智能化获取；

3)当有多个目标的情报信息时，如何将这多个目标进行关联识别。

本发明解决其技术问题所采用的技术方案是：一种基于数据挖掘的智能化多目标综合识别方法，包括如下步骤：

步骤一、情报信息获取：获取各种目标情报信息D₁，D₂，…，D_n，并将情报信息存放到历史目标情报数据库中；

步骤二、目标特征知识与目标关联知识挖掘：从历史目标情报数据库中挖掘产生目标特征知识和目标关联知识，并存入到目标识别知识库中；

步骤三、基于目标特征知识的智能化识别：从目标识别知识库获取目标特征知识，对实时目标情报信息D₁，D₂，…，D_n进行智能化识别，得到目标识别结果；

步骤四、判断目标D₁，D₂，…，D_n是否为相近时间、相近地点出现的目标，若是，则进入步骤五，否则，进入步骤六；

步骤五、基于目标关联知识的智能化识别：从目标识别知识库获取目标关联知识，结合基于目标特征知识的识别结果，对目标情报信息D₁，D₂，…，D_n进行基于目标关联知识的智能化识别，得到目标识别结果；

步骤六、目标识别结果反馈：根据外界系统的目标识别需求，将目标识别结果反馈给外界系统。

与现有技术相比，本发明的积极效果是：相比于同类方案，本发明创新性地将数据挖掘技术应用到目标识别领域，为目标识别提供了自动化、智能化手段；提出基于属性重要性的分类挖掘算法和基于时间序列的关联规则挖掘算法，能够进行目标识别知识库的自动构建；提出基于目标特征知识识别和基于目标关联知识识别两种目标识别思路，能在很大程度上提高多目标综合识别准确率。具体优点如下：

1)本发明提出的目标识别技术适用于各种类型目标(空中目标、海上目标、水下目标等)的识别，无论是在军用还是民用领域，都具有较广阔的应用价值；

2)本发明采用数据挖掘技术自动构建目标识别知识库(包含目标特征知识和目标关联知识)，为目标识别知识的获取提供了自动化、智能化手段，减少了人工干预过程；

3)本发明提出的目标智能化识别方法，能够有效提高各种类型目标识别准确率，特别是针对有多种目标且针对同一目标有多种情报类型的情况下，能够有效进行目标的综合识别。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明方法的流程图；

图2为本发明的目标特征知识挖掘方法的流程图；

图3为发现频繁项目集过程示意图。

具体实施方式

一种基于数据挖掘的智能化多目标综合识别方法，如图1所示，包括如下步骤：

步骤一、情报信息获取：获取各种目标情报信息D₁，D₂，…，D_n，并将情报信息存放到历史目标情报数据库中；

步骤二、目标特征知识与目标关联知识挖掘：从历史目标情报数据库中挖掘产生目标识别知识(包括目标特征知识和目标关联知识)，并存入目标识别知识库中。其中：

(一)目标特征知识的挖掘方法如图2所示，包括如下流程：

(1)目标情报关联：将多种类型的目标情报信息关联起来，形成综合情报数据集；

(2)目标属性选择：选择进行分类的目标情报属性集合，具体方法为：从所有属性中去掉某一属性，若去掉该属性后分类模型发生变化，说明该属性的重要性高，则保留该属性；若去掉该属性后分类模型未发生变化，则说明该属性的重要性低，则去掉该属性；

(3)分类挖掘：通过基于属性重要性的分类挖掘算法获取分类模型；

(4)模型评估：通过已进行准确分类的目标情报测试数据集对分类模型进行评估，如果达到预期效果，则输出模型，否则，返回到步骤(2)。

通过目标特征知识挖掘，获取到目标各属性特征与目标类型之间的关系模型。

目标特征知识挖掘通过挖掘目标情报的特征参数(比如目标运动速度、加速度、高度/深度、发现距离、目标雷达类型、以及辐射源参数等)，从而获取到目标各属性特征与目标类型之间的关系模型。具体举例如下：

假设有两种类型情报数据集LD和DK，以及已进行准确分类的目标综合情报测试数据集CS，采用基于属性重要性的目标特征知识挖掘方法进行目标特征知识提取的过程如下：

1)根据目标类型属性字段，将LD和DK进行关联，形成综合情报数据集ZH；

2)对于ZH，选择所有属性组成的属性集合W＝{目标运动速度、加速度、高度/深度、发现距离、雷达类型,…}进行分类挖掘，得到分类模型M₁；

3)从W中去掉“目标运动速度”属性，重新进行分类挖掘，得到挖掘模型M₂；

4)判断M₂是否与M₁相同，如果相同，则从W中去掉“目标运动速度”属性，否则，保留此属性；

5)对W中的所有属性均采用步骤4)的方法进行判断，从而形成最终的属性集合W’；

6)利用W’进行分类挖掘，获得最终的分类模型M；

7)利用CS对分类模型M进行评估，如果达到预期效果，比如分类准确率为98％，则输出模型M，否则，返回到步骤2)。

(二)目标关联知识挖掘方法的具体流程如下：

(1)确定在相近时间点出现的目标：给定时间点相差度域值λ₁，若某两个目标的发现时间相差度<λ₁，则将这两个目标归为同一事务T_i(i＝1，2，…，n)，否则，新增一个事务T_i+1，以此类推，形成事务集合T；

(2)确定在相近地点出现的目标：给定距离相差度域值λ₂，对于T中的每一个事务T_i，计算出任意两个目标之间的距离D，当D<λ₂时，将这两个目标归为同一事务T_ij(j＝1，2，…，m)，否则，则新增一个事务T_i，j+1，以此类推，最终形成事务集合T’；

(3)关联规则挖掘：通过采用基于时间序列的关联规则挖掘算法，从目标情报信息事务库T’中，提取多个目标在同一时间段、同一区域出现的关联规则。

目标关联知识挖掘，即依据历史目标情报信息中与目标类型及类型组合相关属性，如目标所在的地点(如经度、维度)、发现时间等，采用基于时间序列的关联规则挖掘算法挖掘情报信息中相近时间、相近地点多个目标同时存在的关联模式特征，并形成关联规则集。具体挖掘过程现举例说明如下：

1)目标情报预处理

a)给定时间点相差度域值λ₁＝30秒，若目标A的发现时间为T_A＝8:20:10，目标B的发现时间T_B＝8:20:15，则|T_A-T_B|<λ₁，则将这两个目标归为同一事务T₁，否则，新增一个事务T₂；

b)按照a)的方法对所有情报进行处理，形成事务库T；

c)给定距离相差度域值λ₂＝100米，对T中的每一个事务T_i(i＝1，2，…，n)中的各目标，根据目标的经度、维度计算出各目标之间的距离D，当D<λ₂时，将这些目标归为同一事务T_i1，否则，则新增一个事务T_i2；

d)按照b)的方法对T中的所有事务进行处理，最终形成事务库T’。

2)目标关联知识挖掘

目标关联知识挖掘可采用APriori、FP-Growth等经典的基于时间序列的关联规则挖掘算法，下面以APriori算法进行说明：

a)发现频繁项目集，如附图3所示。

假定最小支持度阈值是50％。意思就是在事务数据库T’中，有4个事务，至少要保证数据项在2两个事务中出现，这样的项才叫做频繁项。那么，对于这个例子而言，发现频繁项目集的过程就是找出至少在两个事务中出现的项目集合。

首先，扫描原始目标情报数据集D，对每个候选项目计数，比如I1这个项在两个事务中出现，那么它的计数就是2，依次类推；由于I4这个项只出现了1次，小于最小支持度2，因此将其丢弃，这样，就形成了频繁1项集L1。

接下来，根据L1，将项目两两进行组合，产生候选频繁项目集C2，又一次扫描数据库，对每一个候选项目集合计数，可以看到[I1，I2]，[I1，I5]，[I2，I3]这几个项目集在数据库中只出现了1次，小于最小支持度2，因此将他们丢弃，这样，就形成了频繁2项集L2，依次类推，直到不能再找到频繁项目集为止。如果待挖掘的数据量很大的话，这样的过程可能要反复成百上千次。由于例子很简单，L3就是最终形成的频繁项目集合。

b)找出强关联规则

由步骤a)已经得出频繁项目集：L＝{I2，I3，I5}，假定最小置信度阈值是75％。

对于频繁项目集L，生成其所有的非空子集：

{I2}，{I3}，{I5}，{I2，I3}，{I2，I5}，{I3，I5}

对于L的每一个非空子集x，计算其置信度，若其置信度大于设定的最小置信度75％，那么即为强关联规则。

从L的非空子集中产生的关联规则有：

其中，confidence>75％的即为强关联规则R，包括：

$I2^I3\&DoubleRightArrow;I5$

$I3^I5\&DoubleRightArrow;I2$

步骤三、基于目标特征知识的智能化识别：从目标识别知识库获取目标特征知识，对实时目标情报信息D₁，D₂，…，D_n进行智能化识别，得到目标识别结果。具体的流程如下：

(1)获取待识别的实时情报数据D₁，D₂，…，D_n；

(2)将D₁，D₂，…，D_n进行关联，形成一条综合情报信息D_1&2&…&n；

(3)提取D_1&2&…&n中的关键特征信息；

(4)从目标识别数据库中获取目标识别分类模型M；

(5)利用目标识别分类模型M对D_1&2&…&n进行智能化识别；

(6)输出目标识别结果。

基于目标特征知识的智能化识别方法实施举例如下：

设时间点相差度域值λ₁＝30秒；距离相差度域值中，经度相差度域值λ_2J＝0.1，维度相差度域值λ_2W＝0.1。

现收到目标A的两条不同类型的实时情报D_A1和D_A2:

D_A1＝{发现时间：T_A＝8:20:10、发现地点：JD_A＝东经32.01。WD_A＝北纬58.02。、速度1200米/秒、高度3000米…}；

D_A2＝{雷达类型SPSS-01,…}

1)对目标A进行基于目标特征知识的识别，过程如下：

a)将D_A1和D_A2进行关联，形成一条情报信息D_A1&2:

D_A1&2＝{发现时间：TA＝8:20:10、发现地点：JD_A＝东经32.01°WD_A＝北纬58.02°、速度1200米/秒、高度3000米、雷达类型SPSS-01,…}

b)提取分类模型中包含的特征字段信息，如目标运动速度、高度、雷达类型等；

c)获取分类模型M；

d)利用分类模型M对关联后的情报信息D_A1&2进行识别；

e)给出识别结果为TAR_A，准确率为98％，并输出。

现收到目标B的两条不同类型的实时情报D_B1和D_B2:

D_B1＝{发现时间：T_B＝8:20:15、发现地点：JD_B＝东经32.05°WD_B北纬58.07°、速度1500米/秒、高度5000米…}；

D_B2＝{雷达类型EAR,…}

2)对目标B进行基于目标特征知识的识别(识别步骤与步骤1)相同)，得到目标B的识别结果为TAR_B。

步骤四、判断目标D₁，D₂，…，D_n是否为相近时间、相近地点出现的目标，若是，则进入步骤五，否则，进入步骤六；

步骤五、基于目标关联知识的智能化识别：从目标识别知识库获取目标关联知识，结合基于目标特征知识的识别结果，对目标情报信息D₁，D₂，…，D_n进行基于目标关联知识的目标识别，得到目标识别结果。具体的流程如下：

(1)获取待识别的实时情报数据D；

(2)从实时情报数据中提取目标关键特征信息，如发现时间T、地点(如经度、维度)等；

(3)根据时间相差度域值λ₁和距离相差度域值λ₂，判断该目标与之前已识别出的目标是否为在相近时间、相近地点发现，若是，则进入步骤(4)，若不是，则结束；

(4)从目标识别数据库中获取目标关联知识R；

(5)基于目标关联知识R，对当前目标情报D进行智能化识别；

(6)输出目标识别结果。

基于目标关联知识的智能化识别方法实施举例如下：

以步骤三的实例为基础，对目标B进行基于作战模式的智能化识别，过程如下：

1)通过|T_A-T_B|<λ₁，可判断目标A和B是在相近时间发现；

2)通过|JD_A-JD_B|<λ_2J，|WD_A-WD_B|<λ_2W，可判断目标A和B是在相近地点发现；

3)获取强关联规则集合R；

4)搜索R中的所有规则，假设包含规则(可信度＝100％)，则可得目标B的类型为TAR_B，准确率为100％；

5)输出对目标B的识别结果。

步骤六、目标识别结果反馈：根据外界系统的目标识别需求，将目标识别结果反馈给外界系统。

Claims (7)

1.一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：包括如下步骤：

步骤一、情报信息获取：获取各种目标情报信息D₁，D₂，…，D_n，并将情报信息存放到历史目标情报数据库中；

步骤二、目标特征知识与目标关联知识挖掘：从历史目标情报数据库中挖掘产生目标特征知识和目标关联知识，并存入到目标识别知识库中；

步骤三、基于目标特征知识的智能化识别：从目标识别知识库获取目标特征知识，对实时目标情报信息D₁，D₂，…，D_n进行智能化识别，得到目标识别结果；

步骤四、判断目标D₁，D₂，…，D_n是否为相近时间、相近地点出现的目标，若是，则进入步骤五，否则，进入步骤六；

步骤五、基于目标关联知识的智能化识别：从目标识别知识库获取目标关联知识，结合基于目标特征知识的识别结果，对目标情报信息D₁，D₂，…，D_n进行基于目标关联知识的智能化识别，得到目标识别结果；

步骤六、目标识别结果反馈：根据外界系统的目标识别需求，将目标识别结果反馈给外界系统。

2.根据权利要求1所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：步骤二所述的目标特征知识挖掘的流程为：

（1）目标情报关联：将多种类型的目标情报信息关联起来，形成综合情报数据集；

（2）目标属性选择：选择进行分类的目标情报属性集合，具体方法为：从所有属性中去掉某一属性，若去掉该属性后分类模型发生变化，则保留该属性；若去掉该属性后分类模型未发生变化，则去掉该属性；

（3）分类挖掘：通过基于属性重要性的分类挖掘算法获取分类模型；

（4）模型评估：通过目标情报测试数据集对分类模型进行评估，如果达到预期效果，则输出模型，否则，返回到步骤（2）。

3.根据权利要求1所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：步骤二所述的目标关联知识挖掘方法的流程为：

（1）确定在相近时间点出现的目标：给定时间点相差度域值λ₁，若某两个目标的发现时间相差度<λ₁，则将这两个目标归为同一事务T_i（i=1，2，…，n），否则，新增一个事务T_i+1，以此类推，形成事务集合T；

（2）确定在相近地点出现的目标：给定距离相差度域值λ₂，对于T中的每一个事务T_i，计算出任意两个目标之间的距离D，当D<λ₂时，将这两个目标归为同一事务T_ij （j=1，2，…，m），否则，新增一个事务T_i，j+1，以此类推，形成最终事务集合；

（3）关联规则挖掘：通过采用基于时间序列的关联规则挖掘算法，从最终事务集合中，提取多个目标在同一时间段、同一区域出现的关联规则。

4.根据权利要求3所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：所述基于时间序列的关联规则挖掘算法为：

a）发现频繁项目集：

首先，扫描原始目标情报数据集D，对每个候选项目计数，并丢弃出现次数小于最小支持度阈值的候选项目，形成频繁1项集L1；

接下来，根据L1，将项目两两进行组合，产生候选频繁项目集，扫描候选频繁项目集，对每一个候选项目计数，并丢弃出现次数小于最小支持度阈值的候选项目，产生频繁2项集L2，依次类推，直到不能再找到频繁项目集为止，最终形成频繁项目集合；

b）找出强关联规则

生成频繁项目集的所有非空子集；

计算每一个非空子集x的置信度，若置信度大于设定的最小置信度，则即为强关联规则。

5.根据权利要求1所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：步骤三所述的基于目标特征知识的智能化识别流程为：

（1）获取待识别的实时情报数据D₁，D₂，…，D_n；

（2）将D₁，D₂，…，D_n进行关联，形成一条综合情报信息D_1&2&…&n；

（3）提取D_1&2&…&n中的关键特征信息；

（4）从目标识别数据库中获取目标识别分类模型M；

（5）利用目标识别分类模型M对D_1&2&…&n进行智能化识别；

（6）输出目标识别结果。

6.根据权利要求1所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：步骤五所述的基于目标关联知识的智能化识别流程为：

（1）获取待识别的实时情报数据D；

（2）从实时情报数据中提取目标关键特征信息；

（3）根据时间相差度域值和距离相差度域值，判断该目标与之前已识别出的目标是否为在相近时间、相近地点发现，若是，则进入步骤（4），若不是，则结束；

（4）从目标识别数据库中获取目标关联知识R；

（5）基于目标关联知识R，对当前目标情报D进行智能化识别；

（6）输出目标识别结果。

7.根据权利要求6所述的一种基于数据挖掘的智能化多目标综合识别方法，其特征在于：所述目标关键特征信息包括发现时间、发现地点的经度、维度等。