CN107832778B - 一种基于空间综合相似度的相同目标识别方法 - Google Patents

Abstract

本发明公开了一种基于空间综合相似度的相同目标识别方法，该方法包括以下步骤：1)根据不同雷达采集的目标航迹数据建立数据库，对数据库中不同数据源的目标数据，提取原始目标数据中的时戳、距离和方位三个维度上的数据特征，并进行数据预处理；2)提取出两批不同数据源的目标数据时间相互重合的数据段，对目标数据统一时间基准；3)基于皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度三种相似度，构建相似度融合矩阵；4)利用基于密度的聚类算法DBSCAN对得到的多源相似度融合矩阵进行聚类，根据聚类结果识别出的相同目标数据。本发明通过构建相似度融合矩阵，有效克服了单一使用某种或多种空间信息的某种相似度所带来的局限性。

Description

一种基于空间综合相似度的相同目标识别方法

技术领域

本发明涉及信息处理技术，尤其涉及一种基于空间综合相似度的相同目标识别方法。

背景技术

雷达作为一种重要的传感器，其对目标的探测精度直接关系到数据融合效果的好坏。舰载雷达由于长期暴露在海上复杂环境中，受到多种不确定因素的作用影响，其探测精度可能会出现不同程度的下降。因此，为了保障数据融合的正确性，必须定期对雷达的探测精度进行分析监测，以便在其精度发生异常时及时处理。

雷达探测精度的分析一般是对检测设备收集的目标历史数据进行事后处理分析。通过将各雷达探测同一目标的目标航迹数据进行相互比对分析或是将各雷达探测同一目标的目标航迹数据分别与目标真值数据进行比对分析，研究比对误差的统计规律性，以达到对各雷达探测精度的定性或定量分析目的。

但要完成上述误差比对分析过程，首先就需要从雷达目标航迹数据、目标真值数据等多个目标数据源中，找出对应于同一目标的目标数据，而由于各数据源中包含的目标数据往往批数众多，在这种情况下，如果没有先验知识指导，要想快速识别关联各数据源中同一目标的目标数据是相当困难的，必须要有一个智能高效的识别方法来协助我们完成相同目标数据的关联。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于空间综合相似度的相同目标识别方法。

本发明解决其技术问题所采用的技术方案是：一种基于空间综合相似度的相同目标识别方法，包括以下步骤：

1)根据不同雷达采集的目标航迹数据建立数据库，对数据库中不同数据源的目标数据，提取原始目标数据中的时戳、距离和方位三个维度上的数据特征，并进行数据预处理；

2)提取出两批不同数据源的目标数据时间相互重合的数据段，对目标数据统一时间基准；

3)基于皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度三种相似度，构建多源目标数据相似度融合矩阵；

4)利用基于密度的聚类算法DBSCAN对得到的多源相似度融合矩阵进行聚类，根据聚类结果识别出的相同目标数据。

按上述方案，所述步骤1)中数据预处理包括：根据提取的数据特征，建立距离和方位两个维度的字典；并按照时戳先后顺序，对距离和方位两个维度的字典进行排序。

按上述方案，所述步骤2)中对目标数据统一时间基准具体如下：

在目标数据时间相互重合的数据段内，以数据频率较低的目标数据为基准，通过差分线性差值，统一时间基准。

按上述方案，所述步骤3)中所述相似度融合矩阵的构建方法如下：

3.1)分别计算不同数据源的某批数据在距离和方位两个维度的三种相似度，基于三种相似度计算结果构建三个原始相似度矩阵；

3.2)对原始的相似度矩阵进行相似度矩阵融合迭代运算，对最优化公式进行迭代求解，当算法收敛时，得到相似度融合矩阵；

具体为：对原始的相似度矩阵进行奇异值分解，通过若干轮相似度矩阵融合迭代运算，当迭代达到平衡状态即范数最小的时候停止迭代，可以得到多源目标数据相似度融合矩阵。

按上述方案，所述步骤4)包括如下步骤：

4.1)利用DBSCAN聚类算法对多源目标数据相似度融合矩阵进行分析；

4.2)根据算法的准确率，自适应调整DBSCAN聚类算法的参数，所述参数包括半径和最小包含点数MinPts；

4.3)将多源目标数据按相似度自动划分为不同的簇类，被聚类划分到同一个簇类中的目标数据即为识别出的不同数据源对同一目标的目标数据。

本发明产生的有益效果是：

1.对两批不同数据源的目标数据，为了综合考虑方位和距离这两种空间属性的皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度，综合利用这几种相关性计算结果进行目标数据的相似性判定，构建基于奇异值分解的相似度融合矩阵，这种相似度融合矩阵有效克服了单一使用某种或多种空间信息的某种相似度所带来的局限性。

2.为了识别出不同数据源中的相同目标的目标数据，在没有先验知识指导的情况下，采用基于密度的聚类算法DBSCAN对相似度融合矩阵进行聚类分割，把多源目标数据对象按相似度自动划分为不同的类簇，综合相似度较高的目标数据被划分到同一个聚类簇中，而综合相似度较低的目标数据被划分到不同的聚类簇中，得到的聚类结果为若干个簇，同一个簇内的目标数据对象之间具有较高的相似度，自动识别为相同目标。这种基于密度的聚类算法有效克服了一般分类需要先验知识指导所带来的局限性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的基于综合相似度的矩阵融合方法流程图；

图3是本发明实施例的基于DBSCAN聚类方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，该方法流程如附图1所示，包括三个主要步骤的先后顺序与输入输出接口。具体描述如下：

(1)数据预处理

首先进行数据预处理，从大量数据中提取出所要处理的数据特征，目标比对分析只涉及数据发送时刻和空间位置的计算和分析，且大多数传感器均为两坐标型，所以目标属性只选取了原始数据中时戳、距离、方位的数据特征。其次，提取出目标数据时间相互重合的数据段。然后，在对两批不同数据源的目标数据进行数据比对之前，需要先进行时间对齐。这里以数据频率较低、点数比较稀疏的数据源1的目标数据为基准，在数据频率较高、点数比较密集的数据源2的目标数据中，查找同一时刻的数据样本点。

(2)基于综合相似度的矩阵融合算法

由于各雷达提供的目标数据信息包含着大量的不确定性，为了提高信息的可靠性，增加信息的互补性，提高目标识别的准确率，综合考虑多种相似度对目标数据的相似性判定结果的影响，构建相似度矩阵并进行融合。

融合算法流程见图2。对于前述步骤中经过统一时间基准，得到两批不同数据源的目标数据时间对齐的数据样本点序列，分别代入皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度的计算公式，对样本点数据中距离、方位两维属性分别进行相关性计算，可以得到距离和方位两个空间属性上分别对应的三种相似度，以此为基础来构建相似度矩阵。

设数据源A中有a批目标数据，数据源B中有b批目标数据，以距离属性数据为例(方位属性亦然)，可以基于三种相似度计算结果构建三个原始相似度矩阵，每个原始相似度矩阵示意如下：

矩阵为N×N二维矩阵，其中N＝a+b，矩阵中第i行第j列的矩阵元素Pij代表数据源A的目标数据i和数据源B的目标数据j在距离属性上对应的相似度计算结果。

为了综合考虑距离和方位两个空间维度上的三种相似度，对原始的相似度矩阵进行奇异值分解，通过若干轮相似度矩阵融合迭代运算，当迭代达到平衡状态即范数最小的时候停止迭代，可以得到多源目标数据相似度融合矩阵。在每一轮迭代过程中，相似度较大的矩阵元素被不断增强，相似度较小的矩阵元素被不断削弱，为下一步骤中的聚类分割强化特征属性的差异性，从而提高识别结果的准确率和鲁棒性。

(3)基于相似度融合矩阵的聚类算法

为了克服一般分类中需要先验知识指导的局限性，在没有预先知道训练样本的分类信息的情况下，将多源目标数据按照相似度划分为不同的聚类簇，使得相似度较高的目标数据对象被划分到同一个聚类簇中，相似度较低的目标对象被划分到不同的聚类簇中，最大程度地实现簇类内目标数据对象相似度最大，簇类间目标数据对象相似度最小。

利用基于密度的聚类算法DBSCAN，对得到的多源相似度融合矩阵进行聚类分割，DBSCAN算法是一种十分具有代表性的基于密度的聚类方法，算法的基本思想为：如果空间中数据对象的密度高于一个设定的门限值，就将它划归到相邻的簇中。该方法把集合中分布十分密集的部分划归成一个簇，从而能够在含有“噪声”点的集合中识别出任意形状的簇。

DBSCAN算法的基本思想和所涉及的三个基本概念如下：

ε-邻域：两个对象可以被划归至同一个簇里的最大距离。

核心对象：半径ε范围内含有点的个数高于门限值MinPts的点。

直接密度可达的：核心对象和它半径ε范围内包括的所有点之间的关系。

聚类算法流程见图3。DBSCAN对每一个点进行循环遍历，假设一个点的-邻域含有MinPts及以上数目的点，那么它就是核心对象，这个点和它的-邻域中的点形成一个簇。然后DBSCAN通过递归，用相同的方法对该簇内所有的对象进行处理，从而对簇进行扩展。假如该点半径范围内包含有的点数小于MinPts，那么将它标记为已处理。当全部的点都被遍历过后，该过程结束。

将多源相似度融合矩阵输入到DBSCAN聚类算法中进行分析，得到聚类分割结果，将多源目标数据按照综合相似度自动划分为不同的簇类，被聚类划分到同一个簇类中的不同源目标数据即为识别出的相同目标数据。

下面通过实施例，并结合附图，对本发明做进一步详细说明。

步骤1：从数据库获得的来自不同数据源的目标数据(包括样本点时戳、样本点方位、样本点距离等)，分别存入distance和direction两个字典。例如，将数据点距离值存入字典distance{}，该字典为嵌套字典，同时每个数据点的目标批号和时戳作为键值，存储格式为distance{num:{t:value}}，其中，num为目标批号，t为时戳。对于方位值，以同样方式分别存入字典direction{num:{t:value}}；

所述的步骤1包括如下步骤：

步骤1.1.读取数据库中的目标数据；

步骤1.2.新建一个distance字典和一个direction字典；

步骤1.3.读取数据库中距离数据存放到distance{num:{t:value}}字典中，num为目标批号，t为时戳，value为距离值；

步骤1.4.读取数据库中方位数据存放到direction{num:{t:value}}字典中，num为目标批号，t为时戳，value为方位值；

步骤1.5.使用sorted()函数对数组distance{}、和direction{}两个字典按时间重新排序。

步骤2：对目标数据统一时间基准进行比对，根据目标数据中的时戳，提取出两批不同数据源的目标数据时间相互重合的数据段，在该时间段内进行数据时间对齐，查找两批目标数据在同一时刻的数据样本点。

所述的步骤2包括如下步骤：

步骤2.1.对两批不同数据源的目标数据，根据时戳t进行先后排序，找出两批目标数据的起止时间段分别为T_min1～T_max1和T_min2～T_max2。选取起始时间T_min1和T_min2中的最大值T_min，同理选取结束时间T_max1和T_max2中的最小值T_max。判断T_min<T_max，则存在时间相互重合的数据段，在两批不同数据源的目标数据中筛选出时戳t处于T_min～T_max时间段的所有样本点。

步骤2.2.在目标数据时间相互重合的数据段内，以数据频率较低、点数比较稀疏的数据源的目标数据为基准，在数据频率较高、点数比较密集的数据源的目标数据中，查找同一时刻的数据样本点进行数据比对。如果没有查找到相同时刻的点，则通过将与该时刻相邻的两个点的数据进行差分，选取差分计算出的插值点作为该时刻的数据样本点进行数据比对。这里假设x₁为采样频率较低的数据源1在k₁时刻的目标距离数据，x₂为采样频率较高的数据源2在k₂时刻的目标距离数据，x₃为数据源2在k₃时刻的目标距离数据，并且有k₂<k₁<k₃。因为k₂时刻和k₃时刻相隔时间很短，可以认为变化是线性的，进行差分线性插值。通过对x₂和x₃进行插值，可得到数据源2在k₁时刻的目标距离数据：

步骤3：构建相似度融合矩阵

步骤3.1.基于三种相似度的计算模型构造原始相似度矩阵

假设经过时间基准统一后，数据源1中某批目标数据中选取出来的目标点距离属性数据序列为(x₁,x₂,x₃…x_n),数据源2中某批目标数据中选取出来的目标点距离属性数据序列为(y₁,y₂,y₃…y_n)，分别计算皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度。

皮尔逊相关：

基于欧几里德距离的相似度：

余弦相似度：

假设数据源1中有a批目标数据，数据源2中有b批目标数据，利用三种相似度的计算公式，可以得到任意两批不同数据源的目标数据的在距离或方位维度上的三种相似度，因此可以构建多个N×N二维相似度矩阵，其中N＝a+b，且矩阵元素P_ij代表数据源A的目标数据i和数据源B的目标数据j在距离或方位维度上的某种相似度计算结果。

步骤3.2.相似度矩阵融合迭代运算

以两个矩阵的迭代运算为例，假设P1、P2分别是原始的距离和方位维度上对应的某种相似度矩阵，S1和S2分别是P1、P2其经过奇异值分解后，消除了奇异值小于1的后处理矩阵。

相似度矩阵融合迭代公式为：

其中下标t代表经过t轮迭代后的相似度矩阵，在每一轮迭代过程中，相似度较大的矩阵元素被不断增强，相似度较小的矩阵元素被不断削弱。当迭代到达平衡状态后得P＝AP，即范数最小化的时候，算法收敛停止迭代过程，其最优化公式可写为：

下面分析S×P×S^T，将矩阵S按行展开(S_i为行向量)，矩阵P按列展开，矩阵S^T按列展开，得：

S^T的第j个列向量记为

(S^T的第j个列向量为S第j个行向量的转置，s_ij为矩阵S中的第i行、第j列元素)。令上式结果矩阵为C，则其每个元素c_ij为：

分别按i和j进行展开得：

其中，矩阵

是将矩阵P按列向量分开并拼接而成的(n×n)×1维矩阵，则原迭代式变为：

写成矩阵形式为：

步骤4.基于密度的聚类算法DBSCAN进行聚类分割。

利用基于密度的聚类算法DBSCAN对得到的多源相似度融合矩阵进行聚类分割。

DBSCAN算法的三个输入值分别为基于奇异值分解的相似度融合矩阵，半径ε和最小包含点数MinPts，其中半径ε和最小包含点数MinPts是经过大量数学统计得到的经验值数据，算法的输出值是根据密度进行划分形成的聚类簇，算法的具体工作步骤如下：

(1)随机取出一个点，遍历在它周围半径ε范围内的每一个附近点。

(2)如果这个点的ε范围内含有MinPts及以上数目的对象，则这个点和它ε范围内的点形成一个簇，然后进行循环，用相同的方法处理该簇内所有的点，从而对簇进行扩展

(3)如果这个点的半径ε范围内含有的点数小于MinPts，那么将它标记为已处理。

(4)当全部的点都被遍历过后，该过程结束。

通过利用DBSCAN聚类算法对多源目标数据相似度融合矩阵进行分析，得到聚类结果，将多源目标数据按相似度自动划分为不同的簇类，被聚类划分到同一个簇类中的目标数据即为识别出的不同数据源对同一目标的目标数据。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于空间综合相似度的相同目标识别方法，其特征在于，包括以下步骤：

1)根据不同雷达采集的目标航迹数据建立数据库，对数据库中不同数据源的目标数据，提取原始目标数据中的时戳、距离和方位三个维度上的数据特征，并进行数据预处理；

2)提取出两批不同数据源的目标数据时间相互重合的数据段，对目标数据统一时间基准；

3)基于皮尔逊相似度、基于欧几里得距离的相似度和余弦相似度三种相似度，构建多源目标数据相似度融合矩阵；

所述步骤3)中所述相似度融合矩阵的构建方法如下：

3.1)分别计算不同数据源的某批数据在距离和方位两个维度的三种相似度；

3.2)进行相似度矩阵融合迭代运算，对最优化公式进行迭代求解，当算法收敛时，得到相似度融合矩阵；

相似度矩阵融合迭代公式为：

其中，P¹、P²分别是原始的距离和方位维度上对应的某种相似度矩阵，S¹和S²分别是P¹、P²其经过奇异值分解后，消除了奇异值小于1的后处理矩阵；下标t代表经过t轮迭代后的相似度矩阵；

当迭代到达平衡状态后得P＝AP，即范数最小化的时候，算法收敛停止迭代过程，其最优化公式写为：

其中，P为P¹、P²的集合；

则相似度融合矩阵为：

4)利用基于密度的聚类算法DBSCAN对得到的多源相似度融合矩阵进行聚类，根据聚类结果识别出的相同目标数据。

2.根据权利要求1所述的基于空间综合相似度的相同目标识别方法，其特征在于，所述步骤1)中数据预处理包括：根据提取的数据特征，建立距离和方位两个维度的字典；并按照时戳先后顺序，对距离和方位两个维度的字典进行排序。

3.根据权利要求1所述的基于空间综合相似度的相同目标识别方法，其特征在于，所述步骤2)中对目标数据统一时间基准具体如下：

在目标数据时间相互重合的数据段内，以数据频率较低的目标数据为基准，通过差分线性差值，统一时间基准。

4.根据权利要求1所述的基于空间综合相似度的相同目标识别方法，其特征在于，所述步骤4)包括如下步骤：

4.1)利用DBSCAN聚类算法对多源目标数据相似度融合矩阵进行分析；

4.2)根据算法的准确率，自适应调整DBSCAN聚类算法的参数，所述参数包括半径和最小包含点数MinPts；

4.3)将多源目标数据按相似度自动划分为不同的簇类，被聚类划分到同一个簇类中的目标数据即为识别出的不同数据源对同一目标的目标数据。

Images