CN111783020B - 一种多维特征的战场实体目标分群方法及系统 - Google Patents
一种多维特征的战场实体目标分群方法及系统 Download PDFInfo
- Publication number
- CN111783020B CN111783020B CN202010713040.6A CN202010713040A CN111783020B CN 111783020 B CN111783020 B CN 111783020B CN 202010713040 A CN202010713040 A CN 202010713040A CN 111783020 B CN111783020 B CN 111783020B
- Authority
- CN
- China
- Prior art keywords
- group
- target
- attack
- attribute
- groups
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 125000000524 functional group Chemical group 0.000 claims abstract description 89
- 230000007123 defense Effects 0.000 claims abstract description 54
- 230000007935 neutral effect Effects 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于多维特征的战场实体目标分群方法及系统。该方法包括:获取设定时刻的全部目标轨迹数据点;计算任意两个数据点的多维度欧氏距离;根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群;根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群;根据目标的防御属性,将所述功能群划分为不同级别的防御群;根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群;根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群。本发明能够综合实现战场实体目标的实时分群处理。
Description
技术领域
本发明涉及战场实体目标分群领域,特别是涉及一种多维特征的战场实体目标分群方法及系统。
背景技术
目标分群问题也称为群形成过程,是态势估计中的一个重点和难点问题,属于信息融合中的高层融合范畴。现有的目标分群方法大多是直接利用聚类算法进行战场实体目标的分群处理,极少考虑进行战场态势分析所需的目标速度、航向、属性和类型等多维特征;且现有方法在进行分群处理时,往往会忽略聚类结果中的噪声点,而这些“噪声点”目标,也极有可能是影响战场态势的关键性因素。
发明内容
本发明的目的是提供一种多维特征的战场实体目标分群方法及系统,综合实现战场实体目标的实时分群处理。
为实现上述目的,本发明提供了如下方案:
一种基于多维特征的战场实体目标分群方法,包括:
获取设定时刻的全部目标轨迹数据点;
计算任意两个数据点的多维度欧氏距离;
根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群;
根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群;
根据目标的防御属性,将所述功能群划分为不同级别的防御群;
根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群;
根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群。
可选地,所述计算任意两个数据点的多维度欧氏距离,具体包括:
获取当前战场环境下目标航迹的多维属性特征,分配属性权重;
根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标航迹间的多维度相似性度量;
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离, 与/>为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
可选地,所述根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群,具体包括:
根据不同的应用场景选取参数,所述参数包括ε邻域和最小近邻点数量MinPts;
随机访问一个未读取过的数据点pi,根据所述ε邻域和所述最小近邻点数量MinPts判断所述数据点pi是否为核心点;
若不是核心点,则为边界点或噪声点,去除所述边界点或所述噪声点;
若是核心点,则找到所述数据点pi能够密度可达的所有样本集合N,所述样本集合N为一种目标空间群;
依次访问其他未被读取过的核心点,寻找其密度可达的样本集合,得到另一个目标空间群,直到所有核心点都被访问为止,实现目标空间群的划分。
可选地,所述根据目标的防御属性,将所述功能群划分为不同级别的防御群,具体包括:
根据目标的防御属性,确定功能群中目标平均防御掩护屏数量;
将所述功能群中目标平均防御掩护屏数量大于或等于4的功能群,归为一级防御群;
将所述功能群中目标平均防御掩护屏数量等于3的功能群,归为二级防御群;
将所述功能群中目标平均防御掩护屏数量等于2的功能群,归为三级防御群;
将所述功能群中目标平均防御掩护屏数量小于等于1的功能群,归为四级防御群。
可选地,所述根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群,具体包括:
获取目标的攻击属性,所述攻击属性包括威胁值、距离参数和距离差因子;
当所述威胁值、所述距离参数和所述距离差因子同时满足两个或两个以上属性为0时,判断目标为非攻击属性,攻击属性值为0;其余情况判断目标为攻击属性,攻击属性值为1;当群中攻击属性为1的目标数量达到50%,将所述功能群定为攻击群,其余群定为非攻击群。
可选地,所述根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群,具体包括:
将群中攻击属性为1的目标数量小于20%的非攻击群,且属于四级防御群的功能群划分为我方群;
将群中攻击属性为1的目标数量在20%-50%之间的非攻击群,且属于二级防御群的功能群划分为中立方群;
将群中攻击属性为1的目标数量50%以上的非攻击群,且属于三级或四级防御群的功能群划分为敌方群。
一种基于多维特征的战场实体目标分群系统,包括:
目标轨迹数据点获取模块,用于获取设定时刻的全部目标轨迹数据点;
多维度欧氏距离计算模块,用于计算任意两个数据点的多维度欧氏距离;
空间群确定模块,用于根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群;
功能群确定模块,用于根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群;
防御群划分模块,用于根据目标的防御属性,将所述功能群划分为不同级别的防御群;
攻击群划分模块,用于根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群;
敌、我和中立方群确定模块,用于根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群。
可选地,所述多维度欧氏距离计算模块,具体包括:
属性权重确定单元,用于获取当前战场环境下目标航迹的多维属性特征,分配属性权重;
多维度欧氏距离计算单元,用于根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标航迹间的多维度相似性度量;
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离, 与/>为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明针对海上态势生成需求,基于定义的多维度欧式距离,综合利用基于按目标特征(功能特征、防御特征、攻击特征和敌我属性)的分类与DBSCAN密度聚类两种分析方法,设计了一种战场实体目标分群方法,该方法能够根据战场态势表示的需求,结合目标的位置、速度、航向、敌我属性和类型等多维特征,高效、准确地完成空间群、功能群、相互作用群与敌、我和中立方群的实时划分,简化战场情况,为指挥员提供简单明了的战场视图,作为指挥员进行战术战略决策的重要依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多维特征的战场实体目标分群方法流程图;
图2为本发明多维特征的战场实体目标分群系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多维特征的战场实体目标分群方法及系统,综合实现战场实体目标的实时分群处理。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于多维特征的战场实体目标分群方法包括:
步骤101:获取设定时刻的全部目标轨迹数据点。
步骤102:计算任意两个数据点的多维度欧氏距离,具体包括:
获取当前战场环境下目标航迹的多维属性特征,分配属性权重;
根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标航迹间的多维度相似性度量;
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离, 与/>为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
空间群是指在空间上目标的集合,也就是将敌我属性相同、空间位置相近且行为规律(速度、航向)相似的目标集合在一起,其分类结果反映了目标的空间位置特征。
空间群的形成主要取决于目标之间的相互距离以及属性和行为信息。给定两条目标航迹TRA、TRB,取j∈[1,m]时刻对应的两个目标航迹数据点PA、PB,即有PA=TRA(j)、PB=TRB(j)。首先分析当前战场环境下目标航迹的多维属性特征,分配适合的属性权重;而后,计算PA、PB两点间的多维度欧式距离,作为目标航迹间的多维度相似性度量。
步骤103:根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群,具体包括:
根据不同的应用场景选取参数,所述参数包括ε邻域和最小近邻点数量MinPts。
随机访问一个未读取过的数据点pi,根据所述ε邻域和所述最小近邻点数量MinPts判断所述数据点pi是否为核心点。
若不是核心点,则为边界点或噪声点,去除。
若是核心点,则找到所述数据点pi能够密度可达的所有样本集合N,所述样本集合N为一种目标空间群。
依次访问其他未被读取过的核心点,寻找其密度可达的样本集合,得到另一个目标空间群,直到所有核心点都被访问为止,实现目标空间群的划分。
步骤103需要输入参数:邻域ε和最小近邻点数量MinPts,基于定义的多因素欧式距离,对目标航迹数据点进行DBSCAN密度聚类,完成战场实体目标空间群的划分。以具体的数据集D={p1,p2,...,pi,...,pn}为例:
对样本数据集D={p1,p2,...,pi,...,pn}进行DBSCAN密度聚类,首先根据不同的应用场景选取合适的参数:ε邻域和最小近邻点数量MinPts。其次,随机访问一个未读取过的数据点pi(pi∈TR),据参数ε和MinPts判断该点是否为核心点,即点pi的ε邻域|Nε(pi)|是否满足|Nε(pi)|≥MinPts。若不是核心点,则为边界点或噪声点,将其去除;若是核心点,则找到该点能够密度可达的所有样本集合N={pj|pj∈D且pi到pj是密度可达的},即为一个聚类簇(一个聚类簇即为一种目标空间群)。然后,再访问其他未被读取过的核心点,寻找其密度可达的样本集合,得到另一个聚类簇,直到所有核心点都被访问为止,即得到多个聚类簇,实现目标空间群的划分。
步骤104:根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群。
功能群是将功能相同的目标组合在一起,使得一个功能群中的所有目标实体具有相同或者相似的功能特性。功能群的分群建立在目标识别的基础上,只有正确识别出目标的类型,才能确定目标的功能,由此建立功能群;当不能正确识别目标类型时,可以利用空间群来建立功能群,即此时功能群等同于空间群。
根据上述功能群的定义,研究过程中有关功能群的划分存在两种不同的理解方式:①功能群的分群是建立在目标识别基础上的,所以,功能群应是把空间群中类型相同的目标组合在一起;②功能群中所有目标实体都具有相同或相似的功能特征,因此,功能群应是空间群中执行相同作战任务、实现相同功能的目标的集合,这些目标可能是属于同一空间群,也可能属于邻近的多个空间群。第一种观点是根据目标的类型特征,较为客观地进行功能群的划分,且可以实现对功能群的实时分群,本文中称其为狭义功能群;第二种观点,需要基于一定的战术战法和作战条令知识,结合目标的历史轨迹、加之人的主观经验,综合评判哪些目标属于同一功能群,故不能实现功能群的实时分群处理,本文中称其为广义功能群。本文所提方法着重考虑狭义功能群的分群。
因此,本部分在已分群的空间群基础上,根据目标的功能特征,将一个空间群划分为多个狭义功能群,使空间群中目标类型一致的数据点组合在一起。而后,可进一步结合目标航迹的历史行为规律和专家经验、指挥员决策等主观行为,将执行同一作战任务的一个或多个狭义功能群合并为广义功能群。
步骤105:根据目标的防御属性,将所述功能群划分为不同级别的防御群。
相互作用群是为了说明战术上相关的功能群,主要包括两个重要类型:防御群和攻击群。步骤105介绍了防御群:
防御群主要用于表示友方/敌方兵力使用的防御掩护屏,如反潜掩护屏、防空掩护屏、反舰掩护屏、电子监视掩护屏和近程防御掩护屏等。其中,航母、驱逐舰、护卫舰等大、中型水面舰艇可拥有所有这五种掩护屏,补给舰、修理舰和运输船等小型水面舰艇一般拥有近程防御掩护屏、电子监视掩护屏等两、三种掩护屏,而直升机只有反潜掩护屏。
针对防御群的分群问题,本部分在已分群的狭义功能群的基础上,根据功能群中目标的防御特征进行防御群级别划分,具体包括:
根据目标的防御属性,确定功能群中目标平均防御掩护屏数量。
将所述功能群中目标平均防御掩护屏数量大于或等于4的功能群,归为一级防御群。
将所述功能群中目标平均防御掩护屏数量等于3的功能群,归为二级防御群。
将所述功能群中目标平均防御掩护屏数量等于2的功能群,归为三级防御群。
将所述功能群中目标平均防御掩护屏数量小于等于1的功能群,归为四级防御群。
步骤106:根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群。
攻击群是考虑空间和功能参数后得到的敌我双方兵力部署的子集。针对我方作战目标,所有目标的兵力部署和作战任务是已知,故我方目标的攻击属性是已知的,若我方某目标执行攻击任务,则其攻击属性值为1;否则,其攻击属性值为0。针对敌方和中立方目标,需要基于已获取的目标行为和属性特征,通过计算距离参数和距离差因子等参数,综合评判敌方或中立方目标的攻击属性。
在明确目标攻击属性attack的过程中,涉及以下相关概念:
(1)威胁值threat:若敌方目标群对我方受保护目标群不具有进攻性,则取threat=0;若敌方目标群对我方受保护目标群具有威胁性,则根据威胁性的大小,取threat>1,且敌目标群攻击能力越强,threat的取值就越大。
(2)距离参数dp(distanceparameter):敌方目标群和我方受保护目标群间的距离。二者距离越小,说明敌方对我方进攻的可能性就越大。设置一个有效攻击距离α,当敌方目标群与我方目标群间的距离小于α时,取dp=1;否则,取dp=0。
(3)距离差因子ddf(distance difference factor):表征敌方目标群驶向或驶离我方目标群。在敌目标群可实施有效攻击的范围α之外,若敌、我双方间距变小,即敌目标群驶向我方目标群,可能对我方发动进攻,取ddf=1;否则,取ddf=0。
当threat,dp,ddf三个属性,同时满足两个以上属性为0时,判断目标为非攻击属性,其攻击属性值为0;其余情况判断目标为攻击属性,其攻击属性值为1。当群中攻击属性为1的目标数量达到50%,将该群定为攻击群,其余群定为非攻击群。
即步骤106具体包括:
获取目标的攻击属性,所述攻击属性包括威胁值、距离参数和距离差因子;
当所述威胁值、所述距离参数和所述距离差因子同时满足两个或两个以上属性为0时,判断目标为非攻击属性,攻击属性值为0;其余情况判断目标为攻击属性,攻击属性值为1;当群中攻击属性为1的目标数量达到50%,将所述功能群定为攻击群,其余群定为非攻击群。
步骤107:根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群。
敌、我和中立方群分别是指,由敌方的所有相互作用群组成的敌方群、我方所有相互作用群组成的我方群以及中立方所有相互作用群组成的中立方群,用于描述更高层次的敌方/我方战术态势。
步骤107具体包括:
将群中攻击属性为1的目标数量小于20%的非攻击群,且属于四级防御群的功能群划分为我方群;
将群中攻击属性为1的目标数量在20%-50%之间的非攻击群,且属于二级防御群的功能群划分为中立方群;
将群中攻击属性为1的目标数量50%以上的非攻击群,且属于三级或四级防御群的功能群划分为敌方群。
本发明根据海战场态势分析需求,提出了一种基于多维特征的战场实体目标分群方法。所提方法首先基于DBSCAN密度聚类的思想,对战场实体目标进行空间群的划分;然后,在已分类空间群的基础上,再根据目标航迹数据的多维度属性标签,采用分类分析的方法对其进行功能群、相互作用群与敌、我和中立方群的划分,综合实现战场实体目标的实时分群处理。
对应于一种基于多维特征的战场实体目标分群方法,本发明还提供一种基于多维特征的战场实体目标分群系统。如图2所示,一种基于多维特征的战场实体目标分群系统包括:
目标轨迹数据点获取模块201,用于获取设定时刻的全部目标轨迹数据点。
多维度欧氏距离计算模块202,用于计算任意两个数据点的多维度欧氏距离。
空间群确定模块203,用于根据所述多维度欧氏距离,对各所述目标航迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群。
功能群确定模块204,用于根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群。
防御群划分模块205,用于根据目标的防御属性,将所述功能群划分为不同级别的防御群。
攻击群划分模块206,用于根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群。
敌、我和中立方群确定模块207,用于根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群。
所述多维度欧氏距离计算模块202,具体包括:
属性权重确定单元,用于获取当前战场环境下目标航迹的多维属性特征,分配属性权重。
多维度欧氏距离计算单元,用于根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标航迹间的多维度相似性度量。
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离, 与/>为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
本发明与现有技术相比,具有下列优点:
1)针对海上作战复杂环境需求,本部分结合目标的位置、速度、航向、敌我属性和类型等多维特征,定义了多维度欧式距离,作为目标航迹间的多维度相似性度量,来度量目标行为之间的相似程度。
2)针对战场态势表示的实际应用需求,现有的目标分群方法大多是直接利用聚类算法进行战场实体目标的分群处理,在运用聚类算法进行空间群的分群处理时,往往会忽略聚类结果产生噪声点,而被忽略的少数不成群的目标,也有可能是影响战场态势的关键性因素。而第4节提出的战场实体目标分群方法,针对上述聚类结果产生的噪声点,将其看作是只具有单元素的特殊群,如此,大大提高了战场态势生成的准确性。
3)基于定义的多维度欧式距离,结合基于按目标特征(功能特征、防御特征、攻击特征和敌我属性)的分类与DBSCAN密度聚类两种分析方法,设计了一种战场实体目标分群方法,并给出了具体的算法流程,用于实现战场实体目标的实时分群处理。
4)在一个军用场景的仿真数据集上对战场实体目标分群方法进行了仿真实验,并对输出的目标分群结果进行分析。结果表明,该方法能够根据战场态势表示的需求,高效、准确地完成空间群、功能群、相互作用群与敌、我和中立方群的实时划分,简化战场情况,为指挥员提供简单明了的战场视图,作为指挥员进行战术战略决策的重要依据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于多维特征的战场实体目标分群方法,其特征在于,包括:
获取设定时刻的全部目标轨迹数据点;
计算任意两个数据点的多维度欧氏距离;
根据所述多维度欧氏距离,对各所述目标轨迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群;
根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群;
根据目标的防御属性,将所述功能群划分为不同级别的防御群;
根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群;
根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群;
所述计算任意两个数据点的多维度欧氏距离,具体包括:
获取当前战场环境下目标轨迹的多维属性特征,分配属性权重;
根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标轨迹间的多维度相似性度量;
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离, 与/>为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
2.根据权利要求1所述的基于多维特征的战场实体目标分群方法,其特征在于,所述根据所述多维度欧氏距离,对各所述目标轨迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群,具体包括:
根据不同的应用场景选取参数,所述参数包括ε邻域和最小近邻点数量MinPts;
随机访问一个未读取过的数据点pi,根据所述ε邻域和所述最小近邻点数量MinPts判断所述数据点pi是否为核心点;
若不是核心点,则为边界点或噪声点,去除所述边界点或所述噪声点;
若是核心点,则找到所述数据点pi能够密度可达的所有样本集合N,所述样本集合N为一种目标空间群;
依次访问其他未被读取过的核心点,寻找其密度可达的样本集合,得到另一个目标空间群,直到所有核心点都被访问为止,实现目标空间群的划分。
3.根据权利要求1所述的基于多维特征的战场实体目标分群方法,其特征在于,所述根据目标的防御属性,将所述功能群划分为不同级别的防御群,具体包括:
根据目标的防御属性,确定功能群中目标平均防御掩护屏数量;
将所述功能群中目标平均防御掩护屏数量大于或等于4的功能群,归为一级防御群;
将所述功能群中目标平均防御掩护屏数量等于3的功能群,归为二级防御群;
将所述功能群中目标平均防御掩护屏数量等于2的功能群,归为三级防御群;
将所述功能群中目标平均防御掩护屏数量小于等于1的功能群,归为四级防御群。
4.根据权利要求1所述的基于多维特征的战场实体目标分群方法,其特征在于,所述根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群,具体包括:
获取目标的攻击属性,所述攻击属性包括威胁值、距离参数和距离差因子;
当所述威胁值、所述距离参数和所述距离差因子同时满足两个或两个以上属性为0时,判断目标为非攻击属性,攻击属性值为0;其余情况判断目标为攻击属性,攻击属性值为1;当群中攻击属性为1的目标数量达到50%,将所述功能群定为攻击群,其余群定为非攻击群。
5.根据权利要求1所述的基于多维特征的战场实体目标分群方法,其特征在于,所述根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群,具体包括:
将群中攻击属性为1的目标数量小于20%的非攻击群,且属于四级防御群的功能群划分为我方群;
将群中攻击属性为1的目标数量在20%-50%之间的非攻击群,且属于二级防御群的功能群划分为中立方群;
将群中攻击属性为1的目标数量50%以上的非攻击群,且属于三级或四级防御群的功能群划分为敌方群。
6.一种基于多维特征的战场实体目标分群系统,其特征在于,包括:
目标轨迹数据点获取模块,用于获取设定时刻的全部目标轨迹数据点;
多维度欧氏距离计算模块,用于计算任意两个数据点的多维度欧氏距离;
空间群确定模块,用于根据所述多维度欧氏距离,对各所述目标轨迹数据点进行DBSCAN密度聚类,得到划分后的战场实体目标空间群;
功能群确定模块,用于根据目标的功能特征,将所述划分后的战场实体目标空间群进行划分,得到功能群;
防御群划分模块,用于根据目标的防御属性,将所述功能群划分为不同级别的防御群;
攻击群划分模块,用于根据目标的攻击属性,将所述功能群划分为攻击群和非攻击群;
敌、我和中立方群确定模块,用于根据所述防御群的级别、所述攻击群和所述非攻击群,确定敌方群、我方群和中立方群;
其中,所述多维度欧氏距离计算模块,具体包括:
属性权重确定单元,用于获取当前战场环境下目标轨迹的多维属性特征,分配属性权重;
多维度欧氏距离计算单元,用于根据所述属性权重采用公式:
计算任意两个数据点的多维度欧氏距离,作为目标轨迹间的多维度相似性度量;
其中,mfdist(PA,PB)为两点间的多维度欧式距离,dist(PA,PB)为PA、PB两点间位置特征的欧式距离,与为PA、PB两点的速度大小,/>分别为PA、PB两点的航向大小;wd、wv、wθ分别为位置、速度和航向特征的权重因子,各属性权重的取值取决于多因素距离的应用场景,且满足条件wd+wv+wθ=1;/>分别为PA、PB两点的敌我属性值,/>用于判断PA、PB两点的敌我属性是否相同,若相同,则有/>否则,/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713040.6A CN111783020B (zh) | 2020-07-22 | 2020-07-22 | 一种多维特征的战场实体目标分群方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713040.6A CN111783020B (zh) | 2020-07-22 | 2020-07-22 | 一种多维特征的战场实体目标分群方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783020A CN111783020A (zh) | 2020-10-16 |
CN111783020B true CN111783020B (zh) | 2024-01-05 |
Family
ID=72763884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713040.6A Active CN111783020B (zh) | 2020-07-22 | 2020-07-22 | 一种多维特征的战场实体目标分群方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783020B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065604B (zh) * | 2021-04-15 | 2022-10-21 | 北京理工大学 | 一种基于dtw-dbscan算法的空中目标分群方法 |
CN113421340B (zh) * | 2021-06-24 | 2023-12-05 | 百特利德(大连)科技有限公司 | 一种点群数据特定目标数据提取的自动建模方法及系统 |
CN114139023B (zh) * | 2022-01-30 | 2022-06-03 | 中国电子科技集团公司第十四研究所 | 一种基于Louvain算法的海上态势生成多目标层次化分群方法 |
CN115964640B (zh) * | 2022-10-06 | 2023-09-12 | 北京理工大学 | 一种改进的基于模板匹配的二次目标分群方法 |
CN116012629B (zh) * | 2022-12-19 | 2023-06-13 | 中国科学院空天信息创新研究院 | 一种基于目标群识别与形态判断的立方体表征方法 |
CN117150381A (zh) * | 2023-08-07 | 2023-12-01 | 中国船舶集团有限公司第七〇九研究所 | 一种目标功能群识别及其模型训练方法 |
CN117077889B (zh) * | 2023-08-08 | 2024-05-14 | 中国船舶集团有限公司第七〇九研究所 | 一种目标威胁评估方法、系统及电子设备 |
CN117633563B (zh) * | 2024-01-24 | 2024-05-10 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663430A (zh) * | 2012-04-17 | 2012-09-12 | 清华大学 | 一种态势评估中目标分群方法 |
KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN111176321A (zh) * | 2019-12-27 | 2020-05-19 | 西安羚控电子科技有限公司 | 一种异构蜂群无人机协同攻击系统及方法 |
-
2020
- 2020-07-22 CN CN202010713040.6A patent/CN111783020B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
CN102663430A (zh) * | 2012-04-17 | 2012-09-12 | 清华大学 | 一种态势评估中目标分群方法 |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN111176321A (zh) * | 2019-12-27 | 2020-05-19 | 西安羚控电子科技有限公司 | 一种异构蜂群无人机协同攻击系统及方法 |
Non-Patent Citations (3)
Title |
---|
一种多作战编队下的目标编群算法;袁德平;郑娟毅;史浩山;刘宁;;计算机科学(第02期);全文 * |
态势估计中目标分群方法的研究;张芬;贾则;生佳根;张冰;谢峰;;电光与控制(第04期);全文 * |
海战场目标航迹间距离聚类方法;李启元;段立;李亚楠;;计算机与数字工程(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783020A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783020B (zh) | 一种多维特征的战场实体目标分群方法及系统 | |
CN108647414B (zh) | 基于仿真实验的作战计划适应性分析方法及存储介质 | |
CN110929394B (zh) | 基于超网络理论的联合作战体系建模方法以及存储介质 | |
CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
Johansson | Evaluating the performance of TEWA systems | |
CN113109770B (zh) | 一种干扰资源分配方法及系统 | |
CN114139023B (zh) | 一种基于Louvain算法的海上态势生成多目标层次化分群方法 | |
CN114330509A (zh) | 一种空中目标活动规律预测方法 | |
CN116225049A (zh) | 一种多无人机狼群协同作战攻防决策算法 | |
CN114494771A (zh) | 一种可防御后门攻击的联邦学习图像分类方法 | |
CN107273914B (zh) | 基于信源自适应动态选择的高效融合识别方法 | |
AU2021102799A4 (en) | Method for clustering battlefield entity targets based on multidimensional features and system thereof | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN113902974B (zh) | 一种基于卷积神经网络的空战威胁目标识别方法 | |
CN114417713A (zh) | 一种来袭多目标的编群方法 | |
CN115759754A (zh) | 基于动态博弈变权的超视距空战模拟目标威胁评估方法 | |
Lin et al. | Warship combat decision support system based on data mining technology | |
CN114494819A (zh) | 一种基于动态贝叶斯网络的抗干扰红外目标识别方法 | |
CN111881125B (zh) | 一种海上非作战目标实时清洗方法及系统 | |
Fang et al. | Research on clustering method of airborne threat target based on density | |
CN114625943A (zh) | 一种群组关系识别方法及系统 | |
Liu et al. | A novel self-adaptive density-based clustering algorithm for radar signal sorting | |
CN117633563B (zh) | 一种基于optics算法的多目标自顶向下式层次化分群方法 | |
Chen et al. | The evaluation method of air force attack airline | |
CN115563861B (zh) | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |