[发明专利]基于模糊ART划分的目标分群方法

说明书

本发明公开了基于模糊ART划分的目标分群方法，涉及态势估计技术领域。本方法实现步骤是：1.读入目标位置量测数据和目标识别属性数据；2.通过目标识别属性划分，约减分群目标数规模，提高分群效率；3.通过划分数据预处理消除尺度差异，进而采用基于模糊ART的目标空间划分，有效滤除噪声干扰，提高分群准确率；4.输出分群结果。本发明主要解决现有目标分群方法中存在的分类数未知和噪声干扰问题；能够对实际情况下分类数未知的多编队群目标实现有效、准确且实时的动态分群，可用于态势估计、指挥控制系统。

技术领域

本发明属于态势估计技术领域，特别涉及一种基于模糊ART(Adaptive ResonanceTheory，自适应谐振理论)划分的目标分群方法，可用于态势估计、指挥控制系统。

背景技术

态势显示是指挥员对实时情况把控的有效信息获取途径，为制定方案与决策提供基础和支撑。如果仍将每个目标看作孤立的个体，不但存在信息冗余，而且密布的目标标识还会造成信息炫目问题，使指挥员无法快速直接的了解态势概况。因此，需要将识别属性和运动参数等特征相近的目标聚合归类，划分为若干个群目标，与其实际执行任务的编队相对应。这样，一方面可以简化态势显示，利于指挥员迅速掌控全局；另一方面，目标分群后的结果能够更为直接的体现其任务编队的本质，从海量信息中挖掘出行动意图，为后续的态势分析奠定基础。

目前，典型的目标分群方法有：模糊C均值、K均值、最近邻和ISODATA等方法。其中：

模糊C均值方法和K均值方法，需要预设分类数，与通常面临分类数未知的情况不匹配，而且其分类结果对初始分类中心选取的依赖性较强，进而造成分类结果稳定性欠佳；

最近邻方法，通过设定阈值实现分群，简单易实现且应用广泛，但缺乏有效的阈值选取方法，难以有效处理不同量测尺度或情况的分群问题；

ISODATA方法，通过对聚类结果的合并和分裂操作实现类数未知情况下的动态分群，但其以样本与聚类中心的距离作为分群依据，适合于解决球状簇样本分群问题，而对于态势估计中常见的线型编队分群问题存在不足。

发明内容

本发明的目的在于针对上述已有技术中的不足，采用模糊ART划分，经类选择、匹配度检验和类学习等步骤实现对多编队群目标的增量式动态分群，提出了一种基于模糊ART划分的目标分群方法，有效提高分群效率、准确率和稳定性。

实现本发明的技术关键是：在目标分群过程中，首先通过目标识别属性划分，约减分群目标数规模，提高分群效率，其次通过划分数据预处理消除尺度差异，进而采用基于模糊ART的目标空间划分，有效滤除噪声干扰，提高分群准确率。其实现步骤包括如下：

(1)读入当前时刻传感器观测得到的目标位置量测数据和目标识别属性数据，对所有目标分别进行标号；所述的目标识别属性数据由红蓝方识别数据和类型识别数据组成；

(2)根据目标识别属性数据对所有目标标号进行划分，得到红方各类型目标标号集和蓝方各类型目标标号集；并初始化群目标及其权重向量；

(3)分别对红方各类型目标标号集和蓝方各类型目标标号集进行模糊ART划分；蓝方各类型目标标号集进行模糊ART划分的方式与红方各类型目标标号集进行模糊ART划分的方式相同；具体包括以下步骤：

(3a)对红/蓝方各类型目标标号集内的当前目标位置量测数据进行归一化和补充编码，得到当前输入向量；

(3b)根据当前输入向量和当前所有群目标的权重向量进行类选择，得到选中类标；

(3c)计算当前输入向量和选中类标所对应的权重向量的匹配度；

(3d)根据匹配度与警戒阈值的大小关系，将当前目标标号加入到选中类标所对应的群目标中并进行类学习，或者将当前输入向量作为新增群目标的权重向量并将当前目标标号加入到新增群目标中；