CN111881125A - 一种海上非作战目标实时清洗方法及系统 - Google Patents

Abstract

本发明公开了一种海上非作战目标实时清洗方法及系统。对历史数据库中的历史航迹数据进行处理，挖掘历史目标航迹的行为规律，筛选出目标海域内的固定目标(如岛屿、漂浮物)和规律航行的目标(包括规律航行的军用船只和民用船只)，对其进行分类存储；将筛选出的对进行战场态势分析影响较小的历史非作战目标(包括固定目标和规律航行的民用船只)航迹数据点与当前海战场环境下已更新的实时目标航迹数据点进行相似重复检测，若有实时目标航迹与历史非作战目标航迹是相似重复的，则该实时目标就是非作战目标。通过上述方法本发明能够实时、准确地检测出海上非作战目标。

Description

一种海上非作战目标实时清洗方法及系统

技术领域

本发明涉及上海上非作战领域目标清洗，特别是涉及一种海上非作战目标实时清洗方法及系统。

背景技术

在进行海上作战态势分析时，我们通常需要结合历史数据库中的历史数据、挖掘目标航迹的行为规律，将目标海域内对态势分析影响较小的非作战目标进行清洗，只保留参考价值较高的、作战相关的目标航迹数据，可大大提高开展战场态势分析的效率和直观性。现有的行为规律挖掘方法大多是基于聚类的思想。

但针对海战场环境下干扰因素多、数据量大等问题，聚类算法存在以下几点弊端：①聚类算法大多是将空间位置相近的轨迹聚为一类，极少有轨迹聚类方法考虑目标的速度和航向信息，而进行战场态势分析需充分结合目标的位置、速度、航向、属性和类型等多维特征；②聚类算法的工作过程较为复杂，海战场环境下数据量较大，将导致运行速度减慢；③聚类算法对参数的设置较为敏感，海上作战环境下目标的航迹是复杂多变的，面对不同类型的目标，算法参数的设置很难统一；④采用聚类算法时，经常分离出一些不属于任何类的噪声点，而海战场环境下，这些噪声点很可能是具有单元素的特殊群，若将这些特殊群当作噪声点处理，可能会对战场态势分析结果产生较大的影响。

发明内容

本发明的目的是提供一种海上非作战目标实时清洗方法及系统，用以实时、准确地检测出海上非作战目标。

为实现上述目的，本发明提供了如下方案：

一种海上非作战目标实时清洗方法，包括：

获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征；

基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度；

根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集；

根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集；

基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集；

获取实时目标航迹数据集；

计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度；

根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。

可选的，每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

可选的，所述基于每个所述子记录的多个所述特征计算任意两条所述记录之间的第一多维度记录匹配相似度，具体包括：

基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；

根据所述特征相似度以及属性权重，计算子记录的相似度；

将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

可选的，所述根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹，具体包括：

判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；

若否，则所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

本发明还提供了一种海上非作战目标实时清洗系统，包括：

历史数据获取模块，用于获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征；

第一多维度记录匹配相似度计算模块，基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度；

筛选模块，用于根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集；

清洗模块，用于根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集；

数据集构建模块，基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集；

实时数据获取模块，用于获取实时目标航迹数据集；

第二多维度记录匹配相似度计算模块，用于计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度；

判断模块，用于根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。

可选的，每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

可选的，所述第一多维度记录匹配相似度计算模块具体包括：

第一计算单元，基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；

第二计算单元，用于根据所述特征相似度以及属性权重，计算子记录的相似度；

第三计算单元，用于将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

可选的，所述判断模块具体包括：

判断单元，用于判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；

结果确定单元，用于当所述第二多维度记录相似度大于或等于多维度记录相似度阈值时，确定所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

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：

本发明对历史数据库中的历史航迹数据进行处理，挖掘历史目标航迹的行为规律，筛选出目标海域内的固定目标(如岛屿、漂浮物)和规律航行的目标(包括规律航行的军用船只和民用船只)，对其进行分类存储；将筛选出的对进行战场态势分析影响较小的历史非作战目标(包括固定目标和规律航行的民用船只)航迹数据点与当前海战场环境下已更新的实时目标航迹数据点进行相似重复检测，若有实时目标航迹与历史非作战目标航迹是相似重复的，则该实时目标就是非作战目标。通过上述方法本发明能够实时、准确地检测出海上非作战目标。

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为本发明实施例海上非作战目标实时清洗方法的流程图；

图2为本发明实施例海上非作战目标实时清洗方法的原理图；

图3为本发明实施例海上非作战目标实时清洗系统的结构框图。

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海上非作战目标实时清洗方法及系统，用以实时、准确地检测出海上非作战目标。

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1-2所示，一种海上非作战目标实时清洗方法包括以下步骤：

步骤101：获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征。每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

步骤102：基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度。具体包括：基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；根据所述特征相似度以及属性权重，计算子记录的相似度；将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

步骤103：根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集。

步骤104：根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集。

步骤105：基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集。

步骤106：获取实时目标航迹数据集。

步骤107：计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度。

步骤108：根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。具体包括：判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；若否，则所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

下面详细介绍本发明的思想及具体过程：

本发明基于相似重复记录检测的思想，将数据集TR中的每条目标航迹数据TR_i看作一条记录，则构成目标航迹TR_i的m个数据点即为该记录的m个子记录，每个数据点TR_i(j)中包含的时间、位置、速度、航向、敌我属性和类型等q个特征为该子记录的q个字段。对于任两条多维航迹TR₁,TR₂∈TR,都要分以下4步来构造其多维度记录匹配相似度MDRS(TR₁,TR₂)：

①比较记录的各对应属性。目标航迹数据中的属性较多，在进行记录匹配时需选择能代表记录特征的属性，需要操作员对数据本身的含义有深入了解，结合战场需求和专家经验选择合适的属性。

②计算字段相似度(Field Similarity，FS)。字段匹配是记录匹配的基础，是相似重复记录检测的核心问题。字段相似度FS是根据字段信息计算出的表示两字段间相似程度的数值，0≤FS≤1。FS越大，两字段的相似程度越高；若FS＝1，则两字段为重复字段。针对海上作战环境下的数值型字段，设TR₁,TR₂在同一时刻点、针对同一属性x的字段值分别为x₁,x₂，则

③属性权重(Weight，W)分配和绝对权值(Imperium value，ImValue)优化。属性的权重W表示了一个属性在决定两条记录相似性中的重要程度，越重要的属性分配到的权重就越大，所有属性权重的和为1。

本发明针对海上作战环境，提出绝对权值ImValue的概念进行综合权重的优化。设TR₁,TR₂在同一时刻点的位置、速度、航向特征都极为相近，但二者敌我属性不同，则这TR₁,TR₂不可能是相似重复记录。可得，只有两条记录的某些属性值完全匹配时，才能进行记录的比较，设该属性的权值ImValue＝1，称为绝对权值，绝对权值对应属性的字段相似度只能为0或1。该方法能够有效提高相似重复记录检测的准确率，减少字段匹配次数,缩短运行时间。

在计算记录相似度时，绝对权值对应的属性值与传统属性权重对应的属性值取乘积(见式(3))。

④计算多维度记录匹配相似度(Multi-dimension Record Similarity，MDRS)。若两条记录的MDRS超过了某一阈值，则认为这两条记录是匹配的、指向同一实体的，即为相似重复记录。

设每条记录TR_i中有p+q个参与比较的属性字段Field(1),Field(2),…，Field(p+q)，其中有q个属性对应绝对权值，故各字段的属性权重分别为W(1),W(2),…,W(p),ImValue(1),ImValue(2),…,ImValue(q)，满足

本发明采用一种高效的、应用无关的Pair-wise比较算法，其思想描述如下：

①给定两条记录TR₁,TR₂，设FS(1),FS(2),…,FS(i),…,FS(p+q),i∈[1,p+q]为子记录TR₁(r),TR₂(r),r∈[1,m]的各字段相似度，若两条子记录TR₁(r),TR₂(r)的任意字段相似度小于阈值δ₁，即FS(i)＜δ₁，则TR₁,TR₂不是相似重复记录。

②根据字段相似度FS(1),FS(2),…,FS(i),…,FS(p+q)及相应的属性权重，进行加权平均，计算得到TR₁,TR₂对应子记录TR₁(r),TR₂(r)的记录相似度(Record Similarity，RS)为

对所有m个子记录的记录相似度求平均，可得目标航迹记录TR₁,TR₂的多维度记录相似度MDRS：

若MDRS(TR₁，TR₂)大于阈值δ₂，则认为R₁，R₂是相似重复记录。其中，δ₁定义为两字段相似度的阈值，δ₂定义为两记录相似度的阈值。

针对海上作战环境下数据分析工作量大的问题，本发明基于相似重复记录检测的思想，提出了一种海上非作战目标实时清洗方法(Real-time cleaning method formaritime non-combat targets，MNCT-RTCM)，具体方法流程如下：

Step1：输入历史数据库中过去n天内的所有历史目标航迹数据，设历史数据集为1

P_TR＝{P₁，P₂，...，P_i，...，P_p} (5)

其中，P_TR为过去n天内全部目标航迹集合，i∈[1，p]为航迹编号，p为历史数据集总数。

Step2：将数据集P_TR中的每条记录P_i(i∈[1，p])与数据集中的其他所有记录P_j(j∈[1，p]且j≠i)逐个进行匹配比较，根据位置、速度、航向、属性和类型等特征，计算两两记录间的多维度记录匹配相似度MDRS(P_i，P_j)。

需注意，本步骤要着重考虑目标航迹记录的位置、速度和航向属性，在分配属性权重时，对日期、敌我属性和类型字段设定绝对权值：若两条记录日期相同，则不能进行字段比较；若两条记录的敌我属性和类型不同，则不能进行字段比较。

Step3：将相似的记录合并，只保留一条正确的记录，删除其他相似重复记录。可筛选出历史数据集P_TR中的固定目标、规律航行的目标数据集和不规律航行的航迹目标数据集

C_TR＝{C₁，C₂，...，C_c} (6)

Anom_TR＝{anom₁，anom₂，...，anom_a} (7)

其中，C_TR(C_TR∈P_TR)为固定目标、规律航行的目标数据集，c(c≤p)为固定目标、规律航行的目标总数；Anom_TR(Anom_TR∈P_TR)为不规律航行的目标数据集，a(a≤p)为不规律航行的目标总数。

Step4：输入合适的距离阈值α₁和比例阈值α₂，利用循环阈值的方法对筛选后的样本数据集C_TR进行固定目标清洗，即可分离开该目标海域内的固定目标和规律航行的目标。根据距离阈值α₁的取值不同，可将固定目标细分为固定岛屿和海上漂浮物；再根据敌我属性和目标类型，分类存储规律航行的军用船只目标和民用船只目标。得到相应数据集

G_TR＝{G₁，G₂，...，G_g} (8)

J_TR＝{J₁，J₂，...，J_jy} (9)

M_TR＝{M₁，M₂，...，M_my} (10)

其中，G_TR(G_TR∈C_TR)为固定目标数据集，g(g≤c)为固定目标总数；J_TR(J_TR∈C_TR)为规律航行的军用目标数据集，jy(jy≤c)为规律航行的军用目标总数；M_TR(M_TR∈C_TR)为规律航行的民用目标数据集，my(my≤c)为规律航行的民用目标总数。

Step5：取对战场态势分析影响较小的历史非作战目标(包括固定目标和规律航行的民用目标)航迹数据集

F_TR＝G_TR∪M_TR＝{F₁，F₂，...，F_f} (10)

其中，F_TR(F_TR∈C_TR)为历史非作战目标数据集，f＝g+my(f≤c)为历史非作战目标总数。

Step6：输入当前海战场环境下已更新的实时目标航迹数据集

S_TR＝{S₁，S₂，...，S_i，...，S_s} (11)

其中，S_TR为全部实时目标航迹集合，i∈[1，s]为航迹编号，S为实时目标航迹数据集总数；每条目标航迹S_i，i∈[1，s]中含有t(t≤m)个按时间顺序排列的多维数据点，即

S_i＝{S_i(1)，S_i(2)，...，S_i(j)，...S_i(t)} (12)

其中，S_i(j)为第i条航迹样本中的第j个多维航迹数据点，j∈[1，t]为航迹数据点编号，t(T≤m)为该航迹中已更新的数据点总数；

Step7：当前海战场环境下已更新的每条实时目标航迹S_i，i∈[1，s]的数据点S_i(j)，j∈[1，t]与历史非作战目标航迹数据集F_TR中的每条记录F_r，r∈[1，f]对应时刻的数据F_r(j)，j∈[1，t]逐个进行比较，根据位置、速度、航向、属性和类型等特征，计算两两记录间的多维度记录匹配相似度MDRS(S_i，F_r)。

Step8：若有实时目标航迹记录S_i，i∈[1，s]与历史非作战目标航迹记录F_r，r∈[1，f]为相似重复记录，则该实时目标航迹记录S_i就是要清洗的非作战目标航迹，予以剔除。

这样，就剔除了海战场实时态势数据库中所有对态势分析影响较小的固定目标和规律航行的民船航迹等非作战目标，只保留了参考价值较高的作战相关的、军用目标的航迹数据，可大大提高开展战场态势分析的效率和直观性。

在一个军用场景的仿真数据集上对海上非作战目标实时清洗方法进行了仿真实验，并计算召回率R_F和准确率P_F对结果进行评估、分析。结果表明，该方法能够有效挖掘历史目标航迹的行为规律，随着战场态势的更新检测出目标海域内对态势分析影响较小的非作战目标，实现海上作战环境下非作战目标的实时清洗，提高海上态势生成的效率和准确性。

如图3所示，本发明还提供了一种海上非作战目标实时清洗系统，包括：

历史数据获取模块301，用于获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征。每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

第一多维度记录匹配相似度计算模块302，基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度。

所述第一多维度记录匹配相似度计算模块302具体包括：

第一计算单元，基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；

第二计算单元，用于根据所述特征相似度以及属性权重，计算子记录的相似度；

第三计算单元，用于将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

筛选模块303，用于根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集。

清洗模块304，用于根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集。

数据集构建模块305，基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集。

实时数据获取模块306，用于获取实时目标航迹数据集。

第二多维度记录匹配相似度计算模块307，用于计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度。

判断模块308，用于根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。

所述判断模块308具体包括：

判断单元，用于判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；

结果确定单元，用于当所述第二多维度记录相似度大于或等于多维度记录相似度阈值时，确定所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

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。

本发明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 (8)

1.一种海上非作战目标实时清洗方法，其特征在于，包括：

获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征；

基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度；

根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集；

根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集；

基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集；

获取实时目标航迹数据集；

计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度；

根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。

2.根据权利要求1所述的海上非作战目标实时清洗方法，其特征在于，每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

3.根据权利要求1所述的海上非作战目标实时清洗方法，其特征在于，所述基于每个所述子记录的多个所述特征计算任意两条所述记录之间的第一多维度记录匹配相似度，具体包括：

基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；

根据所述特征相似度以及属性权重，计算子记录的相似度；

将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

4.根据权利要求1所述的海上非作战目标实时清洗方法，其特征在于，所述根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹，具体包括：

判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；

若否，则所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

5.一种海上非作战目标实时清洗系统，其特征在于，包括：

历史数据获取模块，用于获取历史目标航迹数据集；所述历史目标航迹数据中包括多条记录，每条记录包括多个子记录，每个子记录包括多个特征；

第一多维度记录匹配相似度计算模块，基于每个所述子记录的多个所述特征，计算任意两条所述记录之间的第一多维度记录匹配相似度；

筛选模块，用于根据所述第一多维度记录匹配相似度对多条所述记录进行合并，筛选出所述历史目标航迹数据中的固定及规律航行的目标数据集和不规律航行的目标数据集；

清洗模块，用于根据距离阈值和比例阈值，利用循环阈值方法对所述固定及规律航行的目标数据集进行清洗，得到固定目标数据集、规律航行的军用目标数据集和规律航行的民用目标数据集；

数据集构建模块，基于所述固定目标数据集和所述规律航行的民用目标数据集，构建非作战目标数据集；

实时数据获取模块，用于获取实时目标航迹数据集；

第二多维度记录匹配相似度计算模块，用于计算所述实时目标航迹数据集中的各目标航迹与所述非作战目标数据集中各非作战目标航迹的第二多维度记录相似度；

判断模块，用于根据所述第二多维度记录相似度，判断所述实时目标航迹数据集中的各目标航迹是否为非作战目标航迹。

6.根据权利要求5所述的海上非作战目标实时清洗系统，其特征在于，每个所述子记录的特征包括时间、位置、速度、航向、敌我属性和类型。

7.根据权利要求5所述的海上非作战目标实时清洗系统，其特征在于，所述第一多维度记录匹配相似度计算模块具体包括：

第一计算单元，基于每个所述子记录的多个所述特征，计算任意两条所述子记录的特征相似度；

第二计算单元，用于根据所述特征相似度以及属性权重，计算子记录的相似度；

第三计算单元，用于将任意两条所述子记录的相似度求平均，得到任意两条所述记录之间的第一多维度记录匹配相似度。

8.根据权利要求1所述的海上非作战目标实时清洗方法，其特征在于，所述判断模块具体包括：

判断单元，用于判断所述第二多维度记录相似度是否小于多维度记录相似度阈值；

结果确定单元，用于当所述第二多维度记录相似度大于或等于多维度记录相似度阈值时，确定所述实时目标航迹数据集中的各目标航迹为非作战目标航迹。

Images