CN114358127A - 一种空中任务群组识别方法 - Google Patents
一种空中任务群组识别方法 Download PDFInfo
- Publication number
- CN114358127A CN114358127A CN202111479717.5A CN202111479717A CN114358127A CN 114358127 A CN114358127 A CN 114358127A CN 202111479717 A CN202111479717 A CN 202111479717A CN 114358127 A CN114358127 A CN 114358127A
- Authority
- CN
- China
- Prior art keywords
- group
- target
- type
- template
- bel
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种空中任务群组识别方法,包括如下步骤:步骤1、分别构建空间群、相互作用群的知识模板;步骤2、基于目标特征矢量数据,对目标进行聚类,实现目标空间分群;步骤3、依据目标空间分群的属性结果进行模板匹配;识别群体的类型。本发明实现了空中场景中位置这一显著特征信息和模板构建方法的结合,使得在任务群组识别时的分群更加准确和高效。在空间聚类时,采用选择聚类对象代表的方式减少了聚类的时间和内存消耗,避免了邻域重叠造成的判断重复引起的时空开销。
Description
技术领域
本发明涉及目标识别技术领域,尤其是一种空中任务群组识别方法。
背景技术
获得决策优势、取得战场控制权是信息化战争获胜的关键条件之一。然而,信息化作战环境下,目标对象繁多、协同关系辅助且机动频繁。这使得指挥员在面对海量信息和快速变化的战场态势时无法做出及时、有效决策;
为了辅助指挥员实施作战指挥进而取得决策优势,就必须要利用指挥决策系统进行信息融合,即,快速、高效地对多源信息进行处理、抽象,以便后续进行态势评估。
目标编群,可以极大地减少指挥员关注的目标数目,减轻指挥员面临的认知压力。此外,目标编群通过对威胁单元的信息进行抽象和划分,能够形成关系级别上的军事体系单元假设,能够通过群组划分反映实体间的协作关系,进而揭示态势元素之间的相互关联关系。本方法解决的问题就是通过对目标对象进行逐层聚合分群,识别其各种静态属性和动态行为,最终形成敌方兵力组织结构关系,为指挥决策系统提供支撑。
目标分群也称兵力聚合,是目标群的形成过程,是辅助决策系统在态势估计时要实现的一个重要功能。目标分群过程是一种前向推理过程,它根据一级信息融合输出的各个目标单元信息,按照特定知识采用自底向上逐层分解的方式,对各个单元进行划分和抽象,将目标实体逐层聚合为更高层的抽象的作战群体。通过对群体各种静态属性及动态行为的分析,最终形成关于敌方兵力组织结构关系级别上的军事体系单元假设,为军事决策提供兵力层次的战场信息。
目标分群的最终目的在于能够解释:
(1)战场上存在什么目标,以及它们的特征信息;
(2)战场上存在哪些作战群,其采用了什么样的组成和分布结构,状况如何;
(3)相邻群间存在什么样的关系;
(4)根据战场兵力的特征,其可能的作战企图和目标。
因此,目标分群的中心问题在于如何融合不同来源的数据,分析战场兵力的特点和状态,如组织结构、作战能力和作战企图等。目标分群的输入数据主要为一级融合的目标属性和状态信息。
令S和Pi分别表示态势估计和第i个目标实体在某时刻的状态信息集合,则有:
S={P1,P2,…,Pi,…Pn}
Pi={Ti,Vi,Yi,Li,Si,Ei,Wi}
i=1,2…n
其中Ti,Vi,Yi,Li,Si,Ei和Wi分别为第i个目标单元的时间、速度、类型、位置、状态、辐射源和武器载荷,n为目标的数量;
基于各实体目标信息,利用战术/战役条例、空间位置关系和功能组合关系等信息,自底向上对目标实体逐层划分和抽象形成兵力级别的关系单元。经过群划分后战场态势可以表示为:
S'={G1,G2,…,GN}
其中N为经过编群后形成的群G的数目。
如图1所示,这些群按照从低到高的顺序依次分为空间群、相互作用群和敌/我/中立群。其中空间群按照空间位置相近或行为相似的原则将目标实体进行划分,其类似于批次的概念,一般将同一类型距离较近的目标对象划分为一个空间群。
相互作用群按照具有相似战术目的原则将生成的空间群再次进行划分。如果两个或两个以上空间群为完成类似目的,共同进攻或防御某一目标,能够形成相互依赖的关系,则可以形成相互作用群
敌/我/中立群将相互作用群按照对抗关系进行划分。至此,由群构成的相互关系集合就可以用来推导和识别所有可能发生的冲突。
所划分出的群都具有静态参数和动态参数。这些参数包括群的类型、群的成员、重心位置、高度、速度、航向等。
在目标分群过程中,需要结合大量的军事领域知识,尤其是在目标群体的类型识别和作战意图分析时,更需要军事作战条例作为判断的依据。模板作为知识表示的一种形式,已经广泛地应用在诸多领域,包括态势估计系统。模板通过槽、约束关系以及模板间的层次性的相互关系,对知识进行表示。
因此,一些研究者已将模板方法应用到目标分群中。在不同的分群层次上,对于各种已知类型群,根据各群成员的类型或它们在群体中所起的作用,可以将其划分为若干个功能组成部分。而且,对于特定类型的群体而言,其各个功能组成部分的群体成员的类型和数量是相对固定的,因此,可以使用类型模板来表示各种已知的群体类型。其类型模板的主要组成结构如图2所示。
群类型模板包括不同的单元,每个单元都包含类型和数量信息。
模板表示为:
Ti=(Si1,Si2,…,Sin)
其中Sij为Ti的第j个功能槽,可以表示为:
Sij=(Sij.K,Sij.N)
其中,Sij.K表示该类群中第j个功能组成部分的群体成员的类型,Sij.N表示该功能组成部分的群体成员的数量。由于关于群体各个功能组成部分的群体成员的类型及数量的观点存在着不明确性,这里Sij.K和Sij.N可为集合。
在所建目标群模板的基础上,通过模板匹配的方法对群进行分类和识别。由于基于模板匹配的分群方法能将一些具有不明确观点的知识融合到兵力结构中,这在情报分析中具有重要的意义。
目标分群在一级数据融合所提供的实体层次信息的基础上,通过同类信息的聚合与深层次信息的抽取,将敌方的实体逐层聚合为更高抽象层次的群体,并进一步识别群体的各种静态属性及动态行为,为决策系统提供关于敌方兵力组织结构的战场信息。
在现代空战中,敌我双方参与作战的单元已经不是单个平台,而是由不同类型平台构成的空中编队与编队之间的对抗。
而是由不同类型构成的海、空编队,其战争越来越多地表现为编队与编队间的对抗。
这里所讲的编队还包括多个海上平台、水下平台和空中平台构成的多平台多层次的海空力量集合。这些平台以各自的进攻性武器、防御性武器以及侦察探测设备共同作用,在空间上形成对敌目标所能进行进攻的区域、防御的区域以及探测的区域范围。这些区域共同构成了作战群的作战空间。因此,空中目标的作战特点主要在于其空间特征:
(1)防御区域空间:它主要取决于群防御性武器的作用距离。
(2)进攻区域空间:它主要取决于群进攻性武器的作用距离。
(3)侦查探测空间:它主要取决于群侦查探测设备的作用距离。
可以看出空中作战显著的特点就是作战空间的演化过程,因此,空间特征是空中作战的目标分群的一个重要依据。
而当前所用的模板法并没有利用空间位置这一显著特点,只重点关注了目标对象的只是表达,这使得分群的效率和准确性受到了极大地影响。
发明内容
为了解决上述技术问题,本发明提出一种空中任务群组识别方法,包括如下步骤:
步骤1、分别构建空间群、相互作用群的知识模板;
步骤2、基于目标特征矢量数据,对目标进行聚类,实现目标空间分群;
步骤3、依据目标空间分群的属性结果进行模板匹配;识别群体的类型。
进一步的,在空目标的分群过程中,分别构建空间群、相互作用群的知识模板,然后依据目标或目标群的属性结果进行模板匹配,对目标群进行归类和识别,其中,目标特征矢量为目标分群的数据依据,包括:位置、航向、目标类型、类型可信度,该特征矢量表示为:
V=(T,Bel,P,D)
其中,T,Bel分别表示目标类型和可信度,P为目标位置,D表示目标航向。
进一步的,所述步骤2采用最近邻聚类方法将特征值相似的目标划分为一个群体,在计算目标相似度的时候,以目标的位置信息和航向信息进行度量,计算过程如下:
假定将t时刻观察到若干目标记为Uk={u1,…,um}对于每一个目标ui,vi=(Ti,Beli,Pi,Di)为其特征矢量,则目标Uj和Ui之间的特征值相似度为其中ω1,ω2为计算权值,且ω1+ω2=1,为目标i和j之间的位置距离,为两个目标的航向在水平方向的角度差;
对于一个群目标,其群的位置按照下式计算获得:
其中k表示群的目标个数,(xi,yi,zi)为第i个目标的位置信息,则计算两个群Si和Sj的距离为:
同理,群的航向按照如下公式计算:
进一步的,所述步骤2对目标按照位置和速度进行聚类。
进一步的,对于聚类所得群体的类型需要作进一步的分析,用模板匹配的方法来识别群体的类型,依据最近邻方法的聚类结果,所得的群体表示为:
G={(type1,Bel1),(type2,Bel2),…,(typen,Beln)}
其中typei为群体中包含的目标或子群体类型,Beli为类型的可信度,该群体特征属性值作为其类型识别的依据;使用模板来表示各种已知的群体类型,群体类型模板的构建包括该群体的基本特征,按照群的分层结构,构建两大类群体类型集合:空间群、相互作用群,分别表示为:
Ωs={Ts1,…,Tst}
ΩI={TI1,…,TIt}
这里Ωs和ΩI分别为空间群模板集合和相互作用群作用模板集合,Ti为集合中的模板。
进一步的,空间群模板集合Ωs用来对空间群层的群体进行识别,所建模板的结构为:
Ts={(type1,num1,w1),…,(typen,numn,wn)}
其中,typei为模板功能组成部分的群体成员的类型,numi为该群体成员的个数,wi为该群成员的权值,用来表示其在群体中的重要程度,满足所有的成员权值之和为1;
对于相互作用群集合ΩI其模板的结构表示为Ts={(type1,w1),…,(typen,wn)}。其中typei和wi含义与在空间模板中一致。
进一步的,将目标群的各成员分别与模板中类型相同的组成部分进行比较,计算与该模板的匹配度;设定匹配度阈值为α,选取匹配度大于α的模板,如果选取的模板不止一个,则从中再选取最大匹配度的模板,将群体的类型识别为该模板对应的类型;
假定某一作战群为g={(u1,Bel1),(u2,Bel2),…,(un,Beln)}所要匹配的模板集合为Ω,为了将g与模板进行匹配,把g中类型相同的组成目标合并成一个组成成员,组合结果表示为:
g={(u1,Pnum1,m_Bel1),…,(um,Pnumm,m_Belm)}
其中,ui为g中的目标类型,m_Beli为类型的平均信度值,Pnumi为该种类型目标的个数;
Belij为群g中第i种目标类型中的第j个目标为该种类型的可信度值;
假定待匹配模板为T,则群g与模板匹配的过程如下;将群g中的每一个目标ui与模板T中相同类型的组成部分ti的组成部分相匹配,计算群与模板的匹配度。
进一步的,匹配算法如下:
初始化,i=1,δ(g,T)=0;
如果群中的目标ui与模板中的类型为tj的组成部分相匹配,则δ(g,T)=δ(g,T)+Δi,i=i+1;
循环执行,直到算法中的目标均与模板进行了比较匹配,即i=m在上述的匹配算法中,对于空间群的群体Δi=wj(numi+m_Beli)/2其中wj为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值,而Numi取值定义如下:
Numi=((|numj-Pnumi|/numj+1)+1)-1
其中,Pnumi代表目标群中第i类目标的个数,humj为待匹配模板中该类目标的个数,对于相互作用群的匹配Δi则定义如下:
Δi=wj(m_Beli)
同样,为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值。
有益效果:
(1)实现了空中场景中位置这一显著特征信息和模板构建方法的结合,使得在任务群组识别时的分群更加准确和高效。
(2)在空间聚类时,采用选择聚类对象代表的方式减少了聚类的时间和内存消耗,避免了邻域重叠造成的判断重复引起的时空开销。
(3)实现了领域阈值选择的动态化,采用了动态参数设置令ε=tv,其中t为设置的机动时间阈值,v为的机动速度,避免了阈值唯一时,任意出现大量孤立点或类合并的极端情况。
(4)采用预先分组,再聚类的方式将目标对象预先按照静态和动态数据进行分组,对每组选取核心对象,得到每个分组的核心对象列表,再根据这一列表进行局部聚类,最后再进行全局判断,这种优化进一步减少了运算时空开销提高了聚类速度。
附图说明
图1:空中目标层次分解示意图;
图2:目标群类型模板结构示意图;
图3:基于位置与模板法的目标分群过程示意图。
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、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种空中任务群组识别方法,将空间位置信息与模板法相结合,进行空中目标分群。分群过程如图3所示。包括如下步骤:
步骤1、分别构建空间群、相互作用群的知识模板;
步骤2、基于目标特征矢量数据,对目标进行聚类,实现目标空间分群。具体的,目标分群的过程是一个逐层进行的过程,如图1所示首先对于目标对象这一层,依据空间位置,采用聚类方法将同一类型的空中目标聚合为不同的群体,即空间群;然后将每一个空间群看作是一个新的个体、依据战术战法条例例如轰炸机群、电子战机群和战斗机群都是针对某一目标、联合出击的,这样就形成了相互作用群;在战略层面上这些相互作用层根据国家利益之间的关系又可以分为敌我中立群。
图1中的子群就是指空间群,每个空间群看成是一个个体后再聚合成相互作用群,相互作用群就是空间群聚类的结果。
步骤3、依据目标(群)的属性结果进行模板匹配;识别群体的类型;
在空目标的分群过程中,分别构建空间群、相互作用群的知识模板,然后依据目标(群)的属性结果进行模板匹配,对目标群进行归类和识别。其中,目标特征矢量为目标分群的数据依据,包括:位置、航向、目标类型、类型可信度,该特征矢量可表示为:
V=(T,Bel,P,D)
其中,T,Bel分别表示目标类型和可信度,P为目标位置,D表示目标航向。采用最近邻聚类方法将特征值相似的目标划分为一个群体。在计算目标相似度的时候,以目标的位置信息和航向信息进行度量。计算过程如下:
假定将t时刻观察到若干目标记为Uk={u1,…,um}对于每一个目标ui,vi=(Ti,Beli,Pi,Di)为其特征矢量。则目标Uj和Ui之间的特征值相似度为其中ω1,ω2为计算权值,且ω1+ω2=1,为目标i和j之间的位置距离,为两个目标的航向在水平方向的角度差。
对于一个群目标,其群的位置可以按照下式计算获得:
其中k表示群的目标个数,(xi,yi,zi)为第i个目标的位置信息。则计算两个群Si和Sj的距离为:
同理,群的航向可以按照如下公式计算:
在分群过程中依据相似度判断两个群是否划分为一个群,判断过程采用改进型的DBSCAN算法,该算法描述如下:
首先给定如下定义
定义1.ε邻域,给定了数据对象集D和数据对象p,p∈D,p的ε邻域Nε(p)定义为Nε(p)={q∈D|dist(p,q)≤ε},其中dist(p,q)表示D中两个数据对象p和q之间的距离,利用数据的非空间属性动态设置参数ε,令ε=tv,其中t为设置的机动时间阈值,v为的机动速度。
定义2.核心对象和边界对象,对于数据对象p∈D给定整数MinPts,如果p的ε邻域的对象数|Nε(p)|≥MinPts,则称p为核心对象;如果|Nε(p)|<MinPts,但q是核心对象p∈Nε(q),则称p为边界对象。
定义3.直接密度可达,若p,p∈D,对给定的ε和MinPts,有p∈Nε(q),|Nε(p)|≥MinPts,则称对象p从对象q关于ε和MinPts直接密度可达。
定义4.密度可达,若p1,p2,…,pn∈D,p1=q,pn=p,对给定的ε和MinPts有pi+1从pi直接密度可达,则称对象p从对象q关于ε和MinPts密度可达。
定义6.簇和孤立点,对给定的ε和MinPts,一个簇C是指满足以下条件的D的非空子集:
基于以上定义,改进型的DBSCAN算法对目标按照位置和速度进行聚类包括如下过程:
(1)给定了数据对象集D和数据对象p,p∈D,并定义p的ε邻域Nε(p)为Nε(p)={q∈D|dist(p,q)≤ε},这里dist(p,q)表示D中两个数据对象p和q之间的距离,利用数据的非空间属性动态设置参数ε,令ε=tv,其中t为设置的机动时间阈值,v为的机动速度。
(2)扫描数据集,选择任意数据对象p。若p已归为某个簇或已被标记为噪声,则再次扫描数据集选择数据对象。反之判断该领域内的点是否小于MinPts,若是则标记p点为边界点或者噪声点。反之标记p点为核心点,建立新簇C并将p点领域内所有加入到C中。
(3)针对核心对象才有资格进行扩展的问题,一旦找到某个核心对象,需要判断它的邻域内的每一个点是否是核心对象,以便进一步向外扩展。如果它的邻域是一个高密度区域,则意味着核心对象会有很多,它们的邻域互相重叠,某些点的邻域甚至被其他点的邻域完全覆盖,这就会造成重复判断,导致时间和内存的多余消耗。因此,需要选取代表对象,以减少聚类的时间和内存消耗。
(4)检查邻域ε内所有未被标记的q点,判断领域内的点是否小于MinPts,若果是继续检查邻域内未被标记的q点,反之将邻域内未归入其他簇的点加入到C中。
以上是对目标按照位置和速度进行聚类,而对于所得群体的类型需要作进一步的分析,用模板匹配的方法来识别群体的类型。依据最近邻方法的聚类结果,所得的群体可表示为:
G={(type1,Bel1),(type2,Bel2),…,(typen,Beln)}
其中typei为群体中包含的目标或子群体类型,Beli为类型的可信度。该群体特征属性值作为其类型识别的依据。对于战场中的特定类型的群体而言,其各个功能组成部分的群体成员的类型和数量是相对固定的。因此,使用模板来表示各种已知的群体类型。模板的建立是使用模板匹配方法的重要部分,群体类型模板的构建应包括该群体的基本特征,并能尽量简化群体的匹配过程。按照群的分层结构,构建两大类群体类型集合:空间群、相互作用群,可表示为:
Ωs={Ts1,…,Tst}
ΩI={TI1,…,TIt}
这里Ωs和ΩI分别为空间群模板集合和相互作用群作用模板集合,Ti为集合中的模板。
空间群模板集合Ωs用来对空间群层的群体进行识别,所建模板的结构为:
Ts={(type1,hum1,w1),…,(typen,numn,wn)}
其中,typei为模板功能组成部分的群体成员的类型,numi为该群体成员的个数,wi为该群成员的权值,用来表示其在群体中的重要程度,满足所有的成员权值之和为1。
对于相互作用群集合ΩI其模板的结构可表示为Ts={(type1,w1),…,(typen,wn)}。其中typei和wi含义与在空间模板中一致。
由上述目标聚类结果的表示和群体类型的模板表示方法可知,作战目标群表示是按观测到的群体成员进行划分,而群体类型模板则是按照功能将群体划分为多个组成部分。因此,解决群体类型的模板匹配方法的主要思路是,将目标群的各成员分别与模板中类型相同的组成部分进行比较,计算与该模板的匹配度;设定匹配度阈值为α,选取匹配度大于α的模板,如果选取的模板不止一个,则从中再选取最大匹配度的模板,将群体的类型识别为该模板对应的类型。
假定某一作战群为g={(u1,Bel1),(u2,Bel2),…,(un,Beln)}所要匹配的模板集合为Ω,为了将g与模板进行匹配,把g中类型相同的组成目标合并成一个组成成员,组合结果可表示为:
g={(u1,Pnum1,m_Bel1),…,(um,Pnumm,m-Belm)}
其中,ui为g中的目标类型,m_Beli为类型的平均信度值,Pnumi为该种类型目标的个数。
Belij为群g中第i种目标类型中的第j个目标为该种类型的可信度值。
假定待匹配模板为T,则群g与模板匹配的过程如下。将群g中的每一个目标ui与模板T中相同类型的组成部分tj的组成部分相匹配,计算群与模板的匹配度。匹配算法如下:
初始化,i=1,δ(g,T)=0;
如果群中的目标ui与模板中的类型为tj的组成部分相匹配,则δ(g,T)=δ(g,T)+Δi,i=i+1;
循环执行,直到算法中的目标均与模板进行了比较匹配,即i=m在上述的匹配算法中,对于空间群的群体Δi=wj(numi+m_Beli)/2其中wj为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值,而Numi取值定义如下:
Numi=((|numj-Pnumi|/numj+1)+1)-1
其中,Pnumi代表目标群中第i类目标的个数,numj为待匹配模板中该类目标的个数。对于相互作用群的匹配Δi则定义如下:
Δi=wj(m_Beli)
同样,为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值。
综上,本发明的群组识别方法在任务群组识别过程中本方法利用了目标对象在空间中位置这一显著特征信息,将空间聚群和模板法有机地结合,实现了目标聚群的准确性和高效性。
在空间聚群时,利用了目标对象的非空间属性,即,采用了动态参数设置令ε=tv,其中t为设置的机动时间阈值,v为的机动速度。这样就避免了密度阈值ε和MinPts全局唯一时,密度阈值太大,会把一个聚类分割成几个,出现大量的孤立点;密度阈值太小,则会将距离较远的几个聚类合并起来的缺点。
聚类时选取了代表对象,以便减少聚类的时间和内存消耗。避免了邻域重叠造成的判断重复。
聚类时进行了预先分组,将目标对象预先按照静态和动态数据进行分组,对每个分组分别进行处理选取核心对象,得到每个分组的核心对象列表。再根据这一列表进行局部聚类。最后再进行全局判断,这样可以进一步减少运算消耗提高聚类度。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种空中任务群组识别方法,其特征在于,包括如下步骤:
步骤1、分别构建空间群、相互作用群的知识模板;
步骤2、基于目标特征矢量数据,对目标进行聚类,实现目标空间分群;
步骤3、依据目标空间分群的属性结果进行模板匹配;识别群体的类型。
2.根据权利要求1所述的一种空中任务群组识别方法,其特征在于,在空目标的分群过程中,分别构建空间群、相互作用群的知识模板,然后依据目标或目标群的属性结果进行模板匹配,对目标群进行归类和识别,其中,目标特征矢量为目标分群的数据依据,包括:位置、航向、目标类型、类型可信度,该特征矢量表示为:
V=(T,Bel,P,D)
其中,T,Bel分别表示目标类型和可信度,P为目标位置,D表示目标航向。
3.根据权利要求1所述的一种空中任务群组识别方法,其特征在于,所述步骤2采用最近邻聚类方法将特征值相似的目标划分为一个群体,在计算目标相似度的时候,以目标的位置信息和航向信息进行度量,计算过程如下:
假定将t时刻观察到若干目标记为Uk={u1,…,um}对于每一个目标ui,vi=(Ti,Beli,Pi,Di)为其特征矢量,则目标Uj和Ui之间的特征值相似度为其中ω1,ω2为计算权值,且ω1+ω2=1,为目标i和j之间的位置距离,为两个目标的航向在水平方向的角度差;
对于一个群目标,其群的位置按照下式计算获得:
其中k表示群的目标个数,(xi,yi,zi)为第i个目标的位置信息,则计算两个群Si和Sj的距离为:
同理,群的航向按照如下公式计算:
4.根据权利要求1所述的一种空中任务群组识别方法,其特征在于,所述步骤2对目标按照位置和速度进行聚类。
5.根据权利要求1所述的一种空中任务群组识别方法,其特征在于:
对于聚类所得群体的类型需要作进一步的分析,用模板匹配的方法来识别群体的类型,依据最近邻方法的聚类结果,所得的群体表示为:
G={(type1,Bel1),(type2,Bel2),…,(typen,Beln)}
其中typei为群体中包含的目标或子群体类型,Beli为类型的可信度,该群体特征属性值作为其类型识别的依据;使用模板来表示各种已知的群体类型,群体类型模板的构建包括该群体的基本特征,按照群的分层结构,构建两大类群体类型集合:空间群、相互作用群,分别表示为:
Ωs={Ts1,…,Tst}
ΩI={TI1,…,TIt}
这里Ωs和ΩI分别为空间群模板集合和相互作用群作用模板集合,Ti为集合中的模板。
6.根据权利要求5所述的一种空中任务群组识别方法,其特征在于:空间群模板集合Ωs用来对空间群层的群体进行识别,所建模板的结构为:
Ts={(type1,num1,w1),…,(typen,numn,wn)}
其中,typei为模板功能组成部分的群体成员的类型,numi为该群体成员的个数,wi为该群成员的权值,用来表示其在群体中的重要程度,满足所有的成员权值之和为1;
对于相互作用群集合ΩI其模板的结构表示为Ts={(type1,w1),…,(typen,wn)}。其中typei和wi含义与在空间模板中一致。
7.根据权利要求6所述的一种空中任务群组识别方法,其特征在于:
将目标群的各成员分别与模板中类型相同的组成部分进行比较,计算与该模板的匹配度;设定匹配度阈值为α,选取匹配度大于α的模板,如果选取的模板不止一个,则从中再选取最大匹配度的模板,将群体的类型识别为该模板对应的类型;
假定某一作战群为g={(u1,Bel1),(u2,Bel2),…,(un,Beln)}所要匹配的模板集合为Ω,为了将g与模板进行匹配,把g中类型相同的组成目标合并成一个组成成员,组合结果表示为:
g={(u1,Pnum1,m_Bel1),…,(um,Pnumm,m_Belm)}
其中,ui为g中的目标类型,m_Beli为类型的平均信度值,Pnumi为该种类型目标的个数;
Belij为群g中第i种目标类型中的第j个目标为该种类型的可信度值;
假定待匹配模板为T,则群g与模板匹配的过程如下;将群g中的每一个目标ui与模板T中相同类型的组成部分tj的组成部分相匹配,计算群与模板的匹配度。
8.根据权利要求7所述的一种空中任务群组识别方法,其特征在于:匹配算法如下:
初始化,i=1,δ(g,T)=0;
如果群中的目标ui与模板中的类型为tj的组成部分相匹配,则δ(g,T)=δ(g,T)+Δi,i=i+1;
循环执行,直到算法中的目标均与模板进行了比较匹配,即i=m在上述的匹配算法中,对于空间群的群体Δi=wj(numi+m_Beli)/2其中wj为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值,而Numi取值定义如下:
Numi=((|numj-Pnumi|/numj+1)+1)-1
其中,Pnumi代表目标群中第i类目标的个数,numj为待匹配模板中该类目标的个数,对于相互作用群的匹配Δi则定义如下:
Δi=wj(m_Beli)
同样,为第j类组成部分在模板T中的权值,m_Beli为目标群中该类目标的平均可信度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111479717.5A CN114358127A (zh) | 2021-12-06 | 2021-12-06 | 一种空中任务群组识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111479717.5A CN114358127A (zh) | 2021-12-06 | 2021-12-06 | 一种空中任务群组识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358127A true CN114358127A (zh) | 2022-04-15 |
Family
ID=81096627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111479717.5A Pending CN114358127A (zh) | 2021-12-06 | 2021-12-06 | 一种空中任务群组识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358127A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964640A (zh) * | 2022-10-06 | 2023-04-14 | 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 |
-
2021
- 2021-12-06 CN CN202111479717.5A patent/CN114358127A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964640A (zh) * | 2022-10-06 | 2023-04-14 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
Johansson et al. | A Bayesian network approach to threat evaluation with application to an air defense scenario | |
Wacholder | A neural network-based optimization algorithm for the static weapon-target assignment problem | |
CN111783020B (zh) | 一种多维特征的战场实体目标分群方法及系统 | |
CN110619052B (zh) | 一种基于知识图谱的战场态势感知方法 | |
CN109063819B (zh) | 基于贝叶斯网络的任务共同体的识别方法 | |
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 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN109118064B (zh) | 一种用于探测任务规划的最优资源分配方法 | |
CN114239728A (zh) | 一种多域战场态势评估与威胁排序方法 | |
CN108460425A (zh) | 基于特定网络结构的空地态势评估方法 | |
Huang | A novel three-dimensional path planning method for fixed-wing UAV using improved particle swarm optimization algorithm | |
CN112749761A (zh) | 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
Chen et al. | Cooperative threat assessment of multi-aircrafts based on synthetic fuzzy cognitive map | |
AU2021102799A4 (en) | Method for clustering battlefield entity targets based on multidimensional features and system thereof | |
CN113919425B (zh) | 一种空中目标自主分配方法及系统 | |
CN114840016A (zh) | 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法 | |
Kamthan | Hierarchical Intelligent Systems and Their Applications to Survivability | |
Hu et al. | Monotonic indices space method and its application in the capability indices effectiveness analysis of a notional antistealth information system | |
Zhao et al. | Mission-oriented scheme generation method for weapon system of systems | |
Andrade et al. | Centralized algorithms based on clustering with self-tuning of parameters for cooperative target observation | |
Chen et al. | The evaluation method of air force attack airline | |
Dahlbom | A comparison of two approaches for situation detection in an air-to-air combat scenario |
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 |