CN114895295B - 一种基于k近邻的通信散点关联加速方法及系统 - Google Patents
一种基于k近邻的通信散点关联加速方法及系统 Download PDFInfo
- Publication number
- CN114895295B CN114895295B CN202210407517.7A CN202210407517A CN114895295B CN 114895295 B CN114895295 B CN 114895295B CN 202210407517 A CN202210407517 A CN 202210407517A CN 114895295 B CN114895295 B CN 114895295B
- Authority
- CN
- China
- Prior art keywords
- target
- scattered
- point
- linked list
- association
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/70—Radar-tracking systems; Analogous systems for range tracking only
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及目标点迹跟踪技术领域,公开了一种基于K近邻的通信散点关联加速方法。该加速方法,使用属性分类和/或空间栅格分类对散点关联进行加速处理;包括以下步骤:S1,散点分类;S2,待关联目标过滤;S3,K近邻关联;S4,散点保存。本发明解决了现有技术存在的通信散点目标较多、散点密级、定位误差较大等散点关联难及耗时较多的问题。
Description
技术领域
本发明涉及目标点迹跟踪技术领域,具体是一种基于K近邻的通信散点关联加速方法及系统。
背景技术
通信散点关联算法较多,比较经典的有多假设概率互联、K近邻关联、模糊双门限等,这些算法在目标较多(如目标上千个)时,算法耗时较多,处理延迟较大,因此,急需研究一种通信散点关联的快速方法。传统的点迹关联方式主要是让每个待关联的散点与所有目标进行关联计算,这样待关联计算的目标较多,处理效率低下,但实际上每个散点能够关联上的目标并不多,因此要降低散点关联时间,降低待关联计算的目标数量是有效的方法之一,急需研究一种减少待计算关联目标数量的散点关联加速方法。
发明内容
为克服现有技术的不足,本发明提供了一种基于K近邻的通信散点关联加速方法及系统,解决现有技术存在的通信散点目标较多、散点密级、定位误差较大等散点关联难及耗时较多的问题。
本发明解决上述问题所采用的技术方案是:
一种基于K近邻的通信散点关联加速方法,使用属性分类和/或空间栅格分类对散点关联进行加速处理。
作为一种优选的技术方案,包括以下步骤:
S1,散点分类:对输入的通信散点按照N个属性进行散点分类,生成对应属性的N个类别号;其中,N≥2且N为正整数;
S2,待关联目标过滤:利用散点的N个类别号对待关联目标过滤,过滤掉待关联目标中与散点差别较大的目标,减少待关联目标个数;其中,差别较大的判断标准预先设置;
S3,K近邻关联:利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;
S4,散点保存:根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中。
作为一种优选的技术方案,步骤S1中,N=3,对输入的通信散点分别按照信号类型、频点和空间位置进行散点分类,生成信号类型、频点和空间位置共3个类别号Xi、Pi、Sijk。
作为一种优选的技术方案,S1中,按照信号类型、频点和空间位置进行散点分类的分类原则分别为:
信号类型分类:相同信号类型归为同一类,不同信号类型为不同的类;
空间位置分类:根据散点空间位置(x,y,z),对散点进行分类,得到栅格类别Sijk,空间位置分类公式为:其中,xErr、yErr、zErr均为固定值,xErr、yErr、zErr分别表示散点在空间位置的x轴、y轴、z轴上的定位误差,x、y、z分别表示散点在x轴、y轴、z轴上的坐标位置,/>表示散点在x轴、y轴、z轴上的栅格号。
作为一种优选的技术方案,步骤S2包括以下步骤:
S21,进行信号类型过滤、频点过滤、空间位置过滤,得到过滤后的信号类型过滤集合Xset、频点过滤集合Pset、空间位置过滤集合Sset;
S22,求Xset、Pset、Sset三个集合的交集,作为过滤后剩余的待关联目标。
作为一种优选的技术方案,步骤S21中,差别较大的判断标准分别为:
信号类型过滤:如果散点信号类型类别号不同则视为两信号类型差别较大,否则视为两信号类型差别不大;
频点过滤:如果满足如下公式:
|Pi-Pj|>2,则视为频点差别较大;
其中,Pi为散点频点类别号,Pj为待关联目标频点类别号;否则,视为频点差别不大;
空间位置过滤:如果满足如下公式:
max{|Sijk(x)-Slmn(x)|,|Sijk(y)-Slmn(y)|,|Sijk(z)-Slmn(z)|}>2,则视为空间位置差别较大;其中,Slmn(x)、Slmn(y)、Slmn(z)为待关联目标在x轴、y轴、z轴上的栅格号,max表示取最大值;否则,视为空间位置差别不大。
作为一种优选的技术方案,步骤S3包括以下步骤:
S31,遍历待关联目标,循环遍历过滤后剩余的待关联目标;
S32,根据散点位置时间查找待关联目标中与散点位置时间之差不超过K秒的点迹;其中,K表示邻域门限,1≤K≤60且K为正整数;
S33,计算K秒内点迹距离散点最近的点,得到最近的距离,计算公式为欧氏距离公式;
S35,判断是否遍历完所有待关联目标,如果遍历完成则进入步骤S36,否则返回步骤S31继续遍历剩余的待关联目标;
S36,最优关联目标选择:
如果关联成功集合ASet中的目标个数为1,则最优关联目标即为ASet中的关联目标,将该目标的编号作为分配给散点的目标编号;
如果关联成功集合ASet中的目标个数为0,则表示该散点没有关联成功,为散点分配新的目标编号;
如果关联成功集合ASet中的目标个数大于1,则选取最近距离最小的关联目标为最优关联目标,将该目标的编号作为分配给散点的目标编号。
作为一种优选的技术方案,步骤S4中,根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中,待关联目标存储结构为:
待关联目标分为信号类型待关联目标、频点待关联目标、空间位置待关联目标3类,每类待关联目标都是一个HASH链表,Key分别为信号类型、频点类别号、栅格类别,Value为HASH链表,其Key为目标编号,Value为散点按位置时间排序的航迹链表,链表尾为位置时间最大的散点。
作为一种优选的技术方案,步骤S4中,根据目标编号将散点保存到待关联目标中的处理方法分别为:
根据散点信号类型查找信号类型待关联目标链表:
如果没找到信号类型待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立信号类型待关联目标链表,其Key为散点信号类型,Value为hMbbh链表;
如果找到信号类型待关联目标链表:则根据散点目标编号从散点信号类型待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表。
根据散点频点类别号查找频点待关联目标链表:
如果没找到频点待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立频点待关联目标链表,其Key为散点频点类别号,Value为hMbbh链表;
如果找到频点待关联目标链表:则根据散点目标编号从散点频点待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表。
根据栅格类别号查找空间位置待关联目标链表:
如果没找到空间位置待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立空间位置待关联目标链表,其Key为散点栅格类别号,Value为hMbbh链表;
如果找到空间位置待关联目标链表:则根据散点目标编号从散点空间位置待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表。
一种基于K近邻的通信散点关联加速系统,基于所述的一种基于K近邻的通信散点关联加速方法,包括依次电相连的以下模块:
散点分类模块:用以对输入的通信散点按照N个属性进行散点分类,生成对应属性的N个类别号;其中,N≥2且N为正整数;
待关联目标过滤模块:用以利用散点的N个类别号对待关联目标过滤,过滤掉待关联目标中与散点差别较大的目标,减少待关联目标个数;其中,差别较大的判断标准预先设置;
K近邻关联模块:用以利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;
散点保存模块:用以根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中。
本发明相比于现有技术,具有以下有益效果:
(1)本发明散点关联信号类型、频点和空间位置进行分类计算,减少待关联目标数量,从而减少关联处理时间,提高关联效率,可以解决大批量散点关联耗时较多的问题;
(2)本发明针对点迹跟踪利用K近邻关联算法进行关联判断,该算法比最近邻关联精度高,比概率多假设互联计算成本低,在减少关联处理时间的同时可以提高关联精度。
附图说明
图1是本发明所述的一种基于K近邻的通信散点关联加速方法的步骤示意图。
图2是图1中的散点分类模块的散点分类模型图。
图3是图1中待关联目标过滤模块的关联目标过滤处理流程图。
图4是图1中K近邻关联模块的关联判断处理流程图。
图5是图1中散点保存模块的散点保存模型图。
图6是图1中散点保存模块的散点保存到信号类型待关联目标的保存过程。
图7是图1中散点保存模块的散点保存到频点待关联目标的保存过程。
图8是图1中散点保存模块的散点保存到空间位置待关联目标的保存过程。
图9是本发明所述的一种基于K近邻的通信散点关联加速系统的结构示意图。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1至图9所示,参阅图1。根据本发明,在得到通信散点之后,通过如下步骤实现:
步骤1:在散点分类模块中对输入的通信散点分别按照信号类型、频点和空间位置进行散点分类,生成信号类型、频点和空间位置共3个类别号Xi、Pi、Sijk;
步骤2:在待关联目标过滤模块中利用散点的3个类别号对待关联目标过滤,过滤待关联目标中与散点3个类别差别较大的目标,减少待关联目标个数;
步骤3:在K近邻关联模块中利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;
步骤4:在散点保存模块中根据目标编号将散点保存到信号类型、频点和空间位置共3类待关联目标中。
参阅图2。步骤1所述的散点分类模块的处理流程为:
步骤1.1:信号类型分类,分类原则为:相同信号类型归为同一类,不同信号类型为不同的类,如散点信号类型sType,生成散点信号类型类别Xi,则Xi=sType;
步骤1.3:空间位置分类,根据散点空间位置(x,y,z),利用如下公式对散点进行分类,得到栅格类别Sijk,xErr,yErr,zErr均为固定值,表示空间位置的最大定位误差,x,y,z表示散点在x轴、y轴、z轴上的坐标位置,表示散点在x轴、y轴、z轴上的栅格号。
参阅图3。步骤2所述的待关联目标过滤模块中利用散点的3个类别号对待关联目标过滤的处理流程为:
步骤2.1:信号类型过滤,根据步骤1生成的散点信号类型类别号Xi,对信号类型待关联目标过滤,过滤掉与散点信号类型差别较大的目标,将剩余的待关联目标存入类型过滤集合Xset,判断与散点信号类型差别较大的方法为:如果散点信号类型类别号不同则两信号类型差别较大,否则两信号类型差别不大;
步骤2.2:频点过滤,根据步骤1生成的散点频点类别号Pi,对频点待关联目标过滤,过滤掉与散点频点差别较大的目标,将剩余的待关联目标存入频点过滤集合Pset,判断与散点频点差别较大的方法为:如果散点频点类别号满足如下公式则散点频点差别较大:
|Pi-Pj|>2;
其中Pi为散点频点类别号,Pj为待关联目标频点类别号;
步骤2.3:空间位置过滤,根据步骤1生成的散点栅格类别号Sijk(Sijk(x),Sijk(y),Sijk(z)),对空间位置待关联目标过滤,过滤掉与散点栅格差别较大的目标,将剩余的待关联目标存入空间位置过滤集合Sset,判断与散点栅格差别较大的方法为:如果散点栅格类别号满足如下公式则散点栅格差别较大:
max{|Sijk(x)-Slmn(x)|,|Sijk(y)-Slmn(y)|,|Sijk(z)-Slmn(z)|}>2;
其中Sijk(x)、Sijk(y)、Sijk(z)为散点在x轴、y轴、z轴上的栅格号,Slmn(x)、Slmn(y)、Slmn(z)为待关联目标在x轴、y轴、z轴上的栅格号,max表示取最大值;
步骤2.4:过滤集合求交,根据信号类型过滤集合Xset、频点过滤集合Pset、空间位置过滤集合Sset求三个集合的交集即为步骤2过滤后剩余的待关联目标。
参阅图4。步骤3所述的在K近邻关联中利用K近邻关联算法对过滤后的待关联目标进行关联判断的处理流程为:
步骤3.1:遍历待关联目标,循环遍历步骤2过滤后剩余的待关联目标;
步骤3.2:根据散点位置时间查找待关联目标中与散点位置时间之差不超过K秒的点迹;其中,K表示邻域门限,1≤K≤60且K为正整数;
步骤3.3:计算K秒内点迹距离散点最近的点,计算方法为欧氏距离公式,设最近的距离为Ri;
步骤3.4:根据最近距离进行关联处理,首先判断最近距离是否小于距离关联门限如果是则关联成功,否则关联失败;最后关联成功的待关联目标加入关联成功集合ASet,其中xErr、yErr、zErr为散点在空间位置的x轴、y轴、z轴上的定位误差;
步骤3.5:判断是否遍历完所有待关联目标,如果遍历完成则进入步骤3.6,否则进入步骤3.1继续遍历剩余的待关联目标;
步骤3.6:最优关联目标选择,如果关联成功集合ASet中的目标个数为1则最优关联目标即为ASet中的关联目标,该目标的编号即为分配给散点的目标编号,如果关联成功集合ASet中的目标个数为0则表示该散点没有关联成功,为散点分配新的目标编号;如果关联成功集合ASet中的目标个数大于1则根据如下原则进行:选取最近距离最小的关联目标为最优关联目标,该目标的编号即为分配给散点的目标编号。
参阅图5。步骤4所述的在散点保存模块中根据目标编号将散点保存到信号类型、频点和空间位置共3类待关联目标中的待关联目标存储结构为:待关联目标分为三类:信号类型待关联目标、频点待关联目标、空间位置待关联目标,其中每类待关联目标都是一个HASH链表,Key分别为信号类型、频点类别号、栅格类别,Value为HASH链表,其Key为目标编号,Value为散点按位置时间排序的航迹链表,链表尾为位置时间最大的散点。
步骤4所述的在散点保存模块中根据目标编号将散点保存到信号类型、频点和空间位置共3类待关联目标中的处理流程为:
步骤4.1:参阅图6,根据散点信号类型查找信号类型待关联目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表,其次再建立信号类型待关联目标链表,其Key为散点信号类型,Value为hMbbh链表;如果找到则根据散点目标编号从散点信号类型待关联目标链表中查找目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到则将该散点按时间顺序加入到目标链表。
步骤4.2:参阅图7,根据散点频点类别号查找频点待关联目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表,其次再建立频点待关联目标链表,其Key为散点频点类别号,Value为hMbbh链表;如果找到则根据散点目标编号从散点频点待关联目标链表中查找目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到则将该散点按时间顺序加入到目标链表。
步骤4.3:参阅图8,根据栅格类别号查找空间位置待关联目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表,其次再建立空间位置待关联目标链表,其Key为散点栅格类别号,Value为hMbbh链表;如果找到则根据散点目标编号从散点空间位置待关联目标链表中查找目标链表,如果没找到则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到则将该散点按时间顺序加入到目标链表。
本发明针对通信散点目标较多、散点密级、定位误差较大等散点关联难耗时较多的问题,利用属性分类技术和空间栅格分类技术,提供一种基于K近邻关联算法的可以减少关联时间,提高关联精度的方法。该方法使用属性分类和空间栅格分类技术对散点关联进行加速处理,减少待关联目标数量,防止错误目标对正确目标的干扰,降低了关联时间,提高了关联精度。
本发明采用了一种基于K近邻的通信散点关联加速方法,在得到通信散点之后,首先对输入的通信散点分别按照信号类型、频点、带宽、码速率和空间位置进行散点分类,生成信号类型、频点和空间位置共3个类别号;其次利用散点的3个类别号对待关联目标过滤,过滤待关联目标中与散点差别较大的目标,减少待关联目标个数;然后利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;最后根据目标编号将散点保存到信号类型、频点、带宽、码速率和空间位置共3类待关联目标中。
本发明散点关联信号类型、频点和空间位置进行分类计算,减少待关联目标数量,从而减少关联处理时间,提高关联效率,可以解决大批量散点关联耗时较多的问题。
本发明针对点迹跟踪利用K近邻关联算法进行关联判断,该算法比最近邻关联精度高,比概率多假设互联计算成本低,在减少关联处理时间的同时可以提高关联精度。
如上所述,可较好地实现本发明。
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (7)
1.一种基于K近邻的通信散点关联加速方法,其特征在于,使用属性分类和/或空间栅格分类对散点关联进行加速处理;
包括以下步骤:
S1,散点分类:对输入的通信散点按照N个属性进行散点分类,生成对应属性的N个类别号;其中,N≥2且N为正整数;
S2,待关联目标过滤:利用散点的N个类别号对待关联目标过滤,过滤掉待关联目标中与散点差别较大的目标,减少待关联目标个数;其中,差别较大的判断标准预先设置;
S3,K近邻关联:利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;
S4,散点保存:根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中;
步骤S1中,N=3,对输入的通信散点分别按照信号类型、频点和空间位置进行散点分类,生成信号类型、频点和空间位置共3个类别号Xi、Pi、Sijk;
S1中,按照信号类型、频点和空间位置进行散点分类的分类原则分别为:
信号类型分类:相同信号类型归为同一类,不同信号类型为不同的类;
2.根据权利要求1所述的一种基于K近邻的通信散点关联加速方法,其特征在于,步骤S2包括以下步骤:
S21,进行信号类型过滤、频点过滤、空间位置过滤,得到过滤后的信号类型过滤集合Xset、频点过滤集合Pset、空间位置过滤集合Sset;
S22,求Xset、Pset、Sset三个集合的交集,作为过滤后剩余的待关联目标。
3.根据权利要求2所述的一种基于K近邻的通信散点关联加速方法,其特征在于,步骤S21中,差别较大的判断标准分别为:
信号类型过滤:如果散点信号类型类别号不同则视为两信号类型差别较大,否则视为两信号类型差别不大;
频点过滤:如果满足如下公式:
|Pi-Pj|>2,则视为频点差别较大;
其中,Pi为散点频点类别号,Pj为待关联目标频点类别号;否则,视为频点差别不大;
空间位置过滤:如果满足如下公式:
max{|Sijk(x)-Slmn(x)|,|Sijk(y)-Slmn(y)|,|Sijk(z)-Slmn(z)|}>2,则视为空间位置差别较大;其中,Slmn(x)、Slmn(y)、Slmn(z)为待关联目标在x轴、y轴、z轴上的栅格号,max表示取最大值;否则,视为空间位置差别不大。
4.根据权利要求3所述的一种基于K近邻的通信散点关联加速方法,其特征在于,步骤S3包括以下步骤:
S31,遍历待关联目标,循环遍历过滤后剩余的待关联目标;
S32,根据散点位置时间查找待关联目标中与散点位置时间之差不超过K秒的点迹;其中,K表示邻域门限,1≤K≤60且K为整数;
S33,计算K秒内点迹距离散点最近的点,得到最近的距离,计算公式为欧氏距离公式;
S35,判断是否遍历完所有待关联目标,如果遍历完成则进入步骤S36,否则返回步骤S31继续遍历剩余的待关联目标;
S36,最优关联目标选择:
如果关联成功集合ASet中的目标个数为1,则最优关联目标即为ASet中的关联目标,将该目标的编号作为分配给散点的目标编号;
如果关联成功集合ASet中的目标个数为0,则表示该散点没有关联成功,为散点分配新的目标编号;
如果关联成功集合ASet中的目标个数大于1,则选取最近距离最小的关联目标为最优关联目标,将该目标的编号作为分配给散点的目标编号。
5.根据权利要求1至4任一项所述的一种基于K近邻的通信散点关联加速方法,其特征在于,步骤S4中,根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中,待关联目标存储结构为:
待关联目标分为信号类型待关联目标、频点待关联目标、空间位置待关联目标3类,每类待关联目标都是一个HASH链表,Key分别为信号类型、频点类别号、栅格类别,Value为HASH链表,其Key为目标编号,Value为散点按位置时间排序的航迹链表,链表尾为位置时间最大的散点。
6.根据权利要求5所述的一种基于K近邻的通信散点关联加速方法,其特征在于,步骤S4中,根据目标编号将散点保存到待关联目标中的处理方法分别为:
根据散点信号类型查找信号类型待关联目标链表:
如果没找到信号类型待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立信号类型待关联目标链表,其Key为散点信号类型,Value为hMbbh链表;
如果找到信号类型待关联目标链表:则根据散点目标编号从散点信号类型待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表;
根据散点频点类别号查找频点待关联目标链表:
如果没找到频点待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立频点待关联目标链表,其Key为散点频点类别号,Value为hMbbh链表;
如果找到频点待关联目标链表:则根据散点目标编号从散点频点待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表;
根据栅格类别号查找空间位置待关联目标链表:
如果没找到空间位置待关联目标链表:则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;再建立空间位置待关联目标链表,其Key为散点栅格类别号,Value为hMbbh链表;
如果找到空间位置待关联目标链表:则根据散点目标编号从散点空间位置待关联目标链表中查找目标链表;如果没找到目标链表,则首先建立目标链表hMbbh,其Key为散点目标编号,Value为包含该散点的航迹链表;如果找到目标链表则将该散点按时间顺序加入到目标链表。
7.一种基于K近邻的通信散点关联加速系统,其特征在于,基于权利要求1至6任一项所述的一种基于K近邻的通信散点关联加速方法,包括依次电相连的以下模块:
散点分类模块:用以对输入的通信散点按照N个属性进行散点分类,生成对应属性的N个类别号;其中,N≥2且N为正整数;
待关联目标过滤模块:用以利用散点的N个类别号对待关联目标过滤,过滤掉待关联目标中与散点差别较大的目标,减少待关联目标个数;其中,差别较大的判断标准预先设置;
K近邻关联模块:用以利用K近邻关联算法对过滤后的待关联目标进行关联判断,关联成功后为散点分配关联目标编号,关联失败后为散点生成新的目标编号;
散点保存模块:用以根据目标编号将散点保存到信号类型、频点和空间位置共N类待关联目标中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407517.7A CN114895295B (zh) | 2022-04-19 | 2022-04-19 | 一种基于k近邻的通信散点关联加速方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407517.7A CN114895295B (zh) | 2022-04-19 | 2022-04-19 | 一种基于k近邻的通信散点关联加速方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114895295A CN114895295A (zh) | 2022-08-12 |
CN114895295B true CN114895295B (zh) | 2023-06-02 |
Family
ID=82717184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210407517.7A Active CN114895295B (zh) | 2022-04-19 | 2022-04-19 | 一种基于k近邻的通信散点关联加速方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114895295B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540181A (zh) * | 2011-12-26 | 2012-07-04 | 南京鹏力系统工程研究所 | 一种基于环境信息图点迹预处理的航迹起始方法 |
CN104699943A (zh) * | 2013-12-05 | 2015-06-10 | 霍尼韦尔国际公司 | 无人飞行器系统感测和避免传感器融合航迹初始化 |
CN107169301A (zh) * | 2017-06-08 | 2017-09-15 | 中国人民解放军海军航空工程学院 | 一种分而治之航迹关联方法 |
CN109031272A (zh) * | 2017-06-12 | 2018-12-18 | 德尔福技术有限责任公司 | 确定目标的去混叠距离变化率的方法 |
CN109085569A (zh) * | 2018-08-13 | 2018-12-25 | 南京邮电大学 | 一种基于区域划分的多雷达航迹关联方法 |
WO2020035728A2 (en) * | 2018-08-14 | 2020-02-20 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating with safe distances |
CN111324686A (zh) * | 2020-02-28 | 2020-06-23 | 浙江大华技术股份有限公司 | 目标测量轨迹的获取方法及装置、存储介质、电子装置 |
CN112098992A (zh) * | 2020-09-14 | 2020-12-18 | 大连海事大学 | 一种基于网格聚类的多假设多目标航迹起始方法 |
CN113807314A (zh) * | 2021-10-08 | 2021-12-17 | 江苏云禾峰智能科技有限公司 | 一种基于微多普勒效应的毫米波雷达视频融合方法 |
CN115062096A (zh) * | 2022-06-07 | 2022-09-16 | 中国电子科技集团公司第十研究所 | 基于航迹预测的通信定位散点数据关联方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11035940B2 (en) * | 2015-07-17 | 2021-06-15 | Origin Wireless, Inc. | Method, apparatus, and system for wireless proximity and presence monitoring |
US11740344B2 (en) * | 2018-09-27 | 2023-08-29 | Hankookin, Inc. | Dynamical object oriented information system for sustaining vitality of a target system |
US11282397B2 (en) * | 2019-03-28 | 2022-03-22 | Fortem Technologies, Inc. | System and method for fusing asynchronous sensor tracks in a track fusion application |
-
2022
- 2022-04-19 CN CN202210407517.7A patent/CN114895295B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540181A (zh) * | 2011-12-26 | 2012-07-04 | 南京鹏力系统工程研究所 | 一种基于环境信息图点迹预处理的航迹起始方法 |
CN104699943A (zh) * | 2013-12-05 | 2015-06-10 | 霍尼韦尔国际公司 | 无人飞行器系统感测和避免传感器融合航迹初始化 |
CN107169301A (zh) * | 2017-06-08 | 2017-09-15 | 中国人民解放军海军航空工程学院 | 一种分而治之航迹关联方法 |
CN109031272A (zh) * | 2017-06-12 | 2018-12-18 | 德尔福技术有限责任公司 | 确定目标的去混叠距离变化率的方法 |
CN109085569A (zh) * | 2018-08-13 | 2018-12-25 | 南京邮电大学 | 一种基于区域划分的多雷达航迹关联方法 |
WO2020035728A2 (en) * | 2018-08-14 | 2020-02-20 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating with safe distances |
CN111324686A (zh) * | 2020-02-28 | 2020-06-23 | 浙江大华技术股份有限公司 | 目标测量轨迹的获取方法及装置、存储介质、电子装置 |
CN112098992A (zh) * | 2020-09-14 | 2020-12-18 | 大连海事大学 | 一种基于网格聚类的多假设多目标航迹起始方法 |
CN113807314A (zh) * | 2021-10-08 | 2021-12-17 | 江苏云禾峰智能科技有限公司 | 一种基于微多普勒效应的毫米波雷达视频融合方法 |
CN115062096A (zh) * | 2022-06-07 | 2022-09-16 | 中国电子科技集团公司第十研究所 | 基于航迹预测的通信定位散点数据关联方法及系统 |
Non-Patent Citations (4)
Title |
---|
qiandong wang.Measurement and analysis of environment impact on indoor wireless channel characteristics.《5th IET International Conference on Wireless, Mobile and Multimedia Networks (ICWMMN 2013)》.2013,(第undefined期),全文. * |
刘民士.基于时空—语义融合的移动轨迹自动综合研究.《中国博士学位论文全文数据库基础科学辑》.2021,(第undefined期),全文. * |
林弘.基于战场态势环境的多目标点迹全局最优关联方法.《战术导弹技术》.2021,第第209卷卷(第第209卷期),全文. * |
王前东.大批量目标航迹关联加速算法.《电讯技术》.2014,第第54卷卷(第第54卷期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114895295A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | An external archive-guided multiobjective particle swarm optimization algorithm | |
Liu et al. | MESA: boost ensemble imbalanced learning with meta-sampler | |
CN109522926A (zh) | 基于信息熵聚类的异常检测方法 | |
Li et al. | Evolutionary clustering of moving objects | |
Huang et al. | Multiobjective differential evolution with external archive and harmonic distance-based diversity measure | |
Lee et al. | The Witsenhausen counterexample: A hierarchical search approach for nonconvex optimization problems | |
Chien et al. | $ HS^ 2$: Active learning over hypergraphs with pointwise and pairwise queries | |
Gulzar et al. | Optimizing skyline query processing in incomplete data | |
CN114895295B (zh) | 一种基于k近邻的通信散点关联加速方法及系统 | |
Falahiazar et al. | Determining the Parameters of DBSCAN Automatically Using the Multi-Objective Genetic Algorithm. | |
CN108446814A (zh) | 同顺序流水线车间调度问题的树搜索方法及装置 | |
CN113093785B (zh) | 一种通信支援下的无人机群目标覆盖方法 | |
CN109308496A (zh) | 一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法 | |
Chen et al. | Identification of network traffic intrusion using decision tree | |
Hernández-León et al. | CAR-NF: A classifier based on specific rules with high netconf | |
CN110334797A (zh) | 一种基于并行增强搜索粒子群优化算法的计算方法及系统 | |
CN115358308A (zh) | 一种大数据实例约简方法、装置、电子设备及存储介质 | |
CN115510959A (zh) | 基于自然最近邻和多簇合并的密度峰值聚类方法 | |
CN115146908A (zh) | 交通级联故障应急调控策略生成方法、系统、终端及介质 | |
CN113296089B (zh) | 用于多预警机目标跟踪系统的lmb密度融合方法及装置 | |
CN113029150B (zh) | 一种多约束条件下的智能飞行器航迹规划方法 | |
CN114236579A (zh) | Gps多轨迹融合后过滤飘移点的方法及装置 | |
CN113447907B (zh) | 一种雷达分选系统控制方法及雷达分选系统 | |
CN113158555A (zh) | 一种基于专家系统和随机森林分类器的重型燃机控制系统模拟量输入模块bit设计方法 | |
CN116401266B (zh) | 分布式数据库动态过滤方法、装置、计算机设备及介质 |
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 |