一种集群目标的动态聚类方法技术

一种集群目标的动态聚类方法，包括：初始化簇，在初始化时可以使用任意的静态数据聚类算法，然后是簇的维护阶段，分为老目标的处理和新目标的处理两个步骤；老目标的处理又分为离线处理和在线处理两个子步骤，离线处理主要计算簇的速度和加速度等信息以及对这些簇进行排序，在线处理主要比较簇和目标的距离然后分别进行处理；新目标的处理利用一般的聚类算法对新目标聚类生成新簇；最后是新簇和老簇的融合，先对所有老簇按照到原点距离的大小进行排序，根据上一个新簇和老簇比较的结果来减少下一个新簇的和老簇融合的计算量。

【技术实现步骤摘要】

本专利技术涉及一种聚类方法，具体涉及ー种集群目标的动态聚类方法。
技术介绍
现代信息技术的快速发展导致了战场环境的复杂多变，战场指挥员面临着严峻的挑战。为了辅助战场指挥员的决策，近几年提出了态势评估、兵力聚合和威胁估计等技木。而对战场中的目标进行有效地聚类是实现这些技术的基础，但是现有的一些聚类算法如k-means算法、dbscan算法等都是针对静态数据的聚类，而战场中的目标是运动的，因而如何有效地对战场中的动态数据聚类成为研究人员急需解决的问题。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提供了，能够满足战场环境下的需求，快速准确。为了实现上述目的，本专利技术采用的技术方案是，包括以下步骤步骤一，加载预定义參数和目标数据；步骤ニ，初始化簇；步骤三，将已经存在于簇中的的目标进行离线处理，计算簇的速度和加速度信息以及对这些簇进行排序；步骤四，将已经存在于簇中的的目标进行在线处理，比较簇和目标的距离然后分别进行处理，具体方法是首先，遍历每一个簇中的每ー个目标数据，计算数据Oi到预测位置Vp的距离L。，如果L。小于本簇的半径R，则不对数据Oi进行处理，仍将数据Oi留在此簇中；如果L。小于本簇的半径R，则分以下两种情况进行处理如果L。小于簇的最大距离maxDist，则将本簇的半径R更新为L。；如果L。大于簇的最大距离maxDist，则将数据Oi从簇中移除,将数据Oi加入链表EList 中；最后，当所有目标都处理完成时，将存储在链表WDList中的目标聚类生成新簇；步骤五，对新目标聚类生成新簇；步骤六，将新簇和老簇进行融合先对所有老簇按照到原点距离的大小进行排序，然后根据老簇和上一个新簇比较的结果来减少老簇和下一个新簇融合的计算量，同时更新簇信息，其中，老簇指新簇生成前就存在的簇。所述步骤三中计算簇的速度是以多数表决的方式来进行，假定存在ー个速度Vi,如果簇中在范围内的数据最多，则\即为簇的速度，ξ是ー个经验值，跟Vi的值正相关；所述步骤三中计算簇的加速度是以多数表决的方式来进行，假定存在ー个加速度ap如果簇中在范围内的数据最多，则Bi即为簇的加速度，U是一个经验值，跟Vi的值正相关。所述排序的方法是根据簇的速度和加速度，预测一定时间间隔后的簇的位置，然后遍历一遍所有的簇，计算簇的预测位置Vp到原点的距离Lp，根据Lp的大小进行排序，并保存在一个链表中。在步骤六后继续进行步骤三，由于战场中的数据每隔一段时间会到来一批数据，会一直持续下去，所以此算法也会一直持续下去。所述步骤六中只有当簇中逃离的数据大于阈值时，才更新簇的信息。所述步骤六中根据老簇和上一个新簇比较的结果来减少老簇和下一个新簇融合的计算量，同时更新簇信息的规则是假定新簇链表NOList中有M个簇，分别是NC1, NC2,, NCq, NCq+1,. . .，NCm,到原点 的距离分别是 NL1, NL2,. . . ,NLq,NLq+1,. . .< NL2 < < NLq < NLq+1 < …< NLm ；老簇链表中CList中有N个簇，分别是OC1, OC2, ...，OCs，0CS+1, . . .，OCn,到原点的距离分别是 CL1, CL2, ，CLs, CLS+1， ，CLn 且 CL1 < CL2 < CLs < CLS+1 < < CLn ;如果CLs-NLq > maxDist,则簇 OCs 不能和 NC1JC2,. . . , NCq 融合，簇 0CS+1， ，OCn 也不能和 NC1,NC2, . . . , NCq融合，由此相应地较少了一个或者多个计算量。与现有的聚类方法相比，本专利技术所述战场目标的动态聚类方法，解决了战场聚类处理中的不足和关键问题，即可持续地对战场中的目标数据进行有效地聚类。因此，可有效地对支持态势评估和威胁估计等，极具实用性。附图说明图I为本专利技术所述战场目标的动态聚类方法的流程图。图2为簇的离线处理和在线分析图。图3为4个目标的速度图。图4为两个簇的关系图。图5为逃离簇与原有簇关系图。图6为优化算法和传统算法效果比较图。具体实施例方式下面结合附图和实施例对本专利技术做进一步详细说明。本专利技术所述的战场目标的动态聚类方法是一种基于预测性的动态数据聚类方法，其对动态数据聚类的有效性以及实用性都是先有的聚类方法都无法比拟的，通过本专利技术所述方法，有效地提高了聚类的速度以及准确度。参照图I中所示，本专利技术所述战场目标的动态聚类方法包括如下步骤首先，是加载预定义参数和获取目标数据并初始化簇。当第一批数据到达时，需要生成初始化的簇。在簇的初始化时，可以使用任意的聚类算法或者其它方法生成簇(步骤100-102)。然后进入簇的维护阶段I、老目标的处理。本方法将已经存在于簇中的目标称为老目标。战场中的数据是动态的，其位置是随时改变的，因而会不断有数据脱离簇，也会有数据不断加入簇中。这是一个动态的过程。根据实际情况，更新每个簇中的数据。本方法提出了一种基于预测技术的处理方法，主要思想是利用两次聚类之间的间隔对上次所获得的结果进行相关的处理，以便在下次聚类时能直接使用处理后的结果，快速获得相关的簇。换句话说，利用每次聚类之间的间隔时间对相关数据进行离线处理；然后再对更新后的数据进行在线分析(步骤103)。参 照图2所示，A1时刻表示第一批数据到达，A2、A3时刻表示第二批、第三批数据到达。A1 — B1阶段表示目标群的初始化过程，B1 — A2阶段表示离线处理过程。A2 — B2阶段表示在线分析过程，B2 — A3阶段又是离线处理过程。以此类推。老目标的聚类分析主要有如下几个步骤I. I、离线处理过程。首先需要计算簇的速度和加速度，在许多已有的文献中，都是简单地把簇中实体对象的平均速度作为簇的速度。但是，平均速度并不能如实地反映簇的速度，而且也不利于对后续的数据进行处理。例如假定一个簇中有四个实体数据，他们的速度如图3所示，平均速度是10。假定他们现在都在原点，并且沿着X轴运动。10秒后，a、b、c的位置都在50,而d的位置在250 ;而簇的位置在100。显然,数据都偏离了簇。换句话说，平均速度不能很好地反映簇的速度。本方法中，采用多数表决的方法来计算簇的速度。定义I。存在一个速度Vi,如果簇中在范围内的数据最多，则我们认为Vi是簇的速度。I是一个经验值，根据实验获得，在本方法中取0.1，跟Vi的值正相关。参照图3所示，假定€，= VjO. I，如果Vi = 5，则有3个数据在范围内；如果Vi = 25，则只有I个数据在[Vi- Ui+ U范围内，因而我们把Vi = 5做为簇的速度。簇的加速度的算法和速度的算法一致，这里不再叙述。然后需要预测簇的位置。获取簇的速度和加速度之后，可以预测一定时间间隔后的簇的位置。再后，需要簇的排序。对簇进行离线处理的目的是使在线的阶段的处理速度更快。本方法遍历一遍所有的簇，计算簇的预测位置Vp到原点的距离Lp。然后根据Lp的大小选择快速排序算法进行排序，并保存在一个链表中，记为CList。自此，离线处理完成。I. 2、在线处理过程。在线处理阶段是对老目标数据(其属性已经被更新)进行聚类分析。本方法中充分本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：覃征，江子能，卢正才，张海生，李凤翔，
申请(专利权)人：清华大学，
类型：发明
国别省市：