[發明專利]一種基于聚類算法的群組識別方法

在審

• 申請號: 201410162568.3
• 申請日: 2014-04-21
• 公開（公告）號: CN104008127A
• 公開（公告）日: 2014-08-27
• 發明（設計）人: 陳曉琳;袁林;韓國輝;賁興龍;唐志軍;賈大文;程浚;馮燕來;袁翔;王穩軍
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于聚類算法的群組識別方法，屬于信息處理技術領域。

背景技術

團隊協作是現代社會的重要特征之一，多個相同或不同類型的成員組成團隊，相互協作完成既定任務。相應地，目標狀態分析也由以往對單個目標特征和描述的研究逐漸過渡到對群體目標的組織結構和空間分布特性的研究。對此首先要解決的就是群組識別的問題。通過對觀測范圍內的單目標的屬性特征進行聚類，在特征空間中尋找特征點分布密集的區域，從而判斷群組的個數，并識別各群組的成員。

群組識別可減輕數據分析人員的認知壓力，是描述所觀測空間的狀態和形勢的一種重要概念和方法。與原始的目標狀態信息集相比，群組挖掘減少了指揮員需要關注的“焦點”數量，可以大大提高指揮員的決策速度和質量。目前，群組發現技術是數據挖掘領域的研究熱點，具有重要的理論和應用雙重價值。

聚類是識別群組的主要技術手段，目前有代表性的聚類方法包括：層次聚類、K均值聚類、均值漂移、譜聚類和基于人工神經網絡的聚類等方法。其中，層次聚類方法簡單，但當聚類的初始準確性不高時，無法進行回溯改進；譜聚類和基于神經網絡的聚類方法聚類效果較好，但計算復雜，難以滿足實時性要求；K均值聚類法計算簡單，但需要先驗知識(如分群個數K等)作為輸入參數，若采用預先人工確定K值，通過隨機選擇初始化聚類中心的方法，智能化程度不高，而且聚類結果容易陷入局部最優解。均值漂移是一種無參數的概率密度函數估計算法，該方法在聚類時無需提供樣本分布的先驗知識，僅從數據本身來估計其分布情況?；诰灯频木垲惙椒梢宰詣优袛嗳航M個數，但識別結果對帶寬尺度的變化很敏感，單一尺度的帶寬無法應對數據分布的多樣化。譜聚類方法具有嚴密的數學理論，但是計算開銷大。人工神經網絡模型聚類精度較高，聚類速度快，但是需要額外的數據來預先訓練模型參數。

此外，在整個觀測空間中，除了目標群之外還存在多種多樣的單個目標，這些單個目標的分布具有不確定性，可以看作隨機的噪聲，傳統的聚類分析算法并沒有較好的排除噪聲的能力。因此有必要提出一種智能化的群組識別方法，自動、準確地識別目標狀態數據中的群組，同時去掉無關的噪聲點。

發明內容

針對現有技術的不足，本發明提供一種基于聚類算法的群組識別系統及方法，相比傳統的識別方法，本發明提供的系統及方法能以較大的概率準確地識別出觀測范圍內的群組，同時排除掉無關的噪聲點。

為實現所述發明目的，本發明的一方面提供基于聚類算法的群組識別方法，其包括：S01：獲取同一時間多個目標的多種狀態信息形成待分析的對象目標信息集；S02：從待分析的對象目標信息集中提取出所有目標的經度、緯度及目標的速度的方向組成第一特征向量集，根據第一特征向量集對多個目標進行粗聚類形成多個類；S03：從待分析的對象目標集中提取出對粗聚類形成多個類的每一類中的目標的高度和目標的速度大小組成第二特征向量集，并根據第二特征向量集對每一類中的目標進行層次聚類形成待識別的群組。

優選地，采用均值漂移算法根據第一特征向量集對多個目標進行粗聚類形成多個類。

優選地，粗聚類包括設置類內目標門限數的步驟。

優選地，，采用均值漂移算法根據第二特征向量集對粗聚類形成多個類中的每一類進行層次聚類形成待識別的群組。

優選地，，層次聚類包括設置類內目標門限數的步驟。

為實現所述發明目的，本發明的另一方面提供一種基于聚類算法的群組識別系統，其包括：信息采集模塊，其用于獲取同一時間多個目標的多種狀態信息形成待分析的對象目標信息集；粗聚類模塊，其從待分析的對象目標信息集中提取出所有目標的經度、緯度及目標的速度的方向組成第一特征向量集，根據第一特征向量集對多個目標進行粗聚類形成多個類，以及層次聚類模塊，從待分析的對象目標集中提取出對粗聚類形成多個類的每一類中的目標的高度和目標的速度大小組成第二特征向量集，并根據第二特征向量集每一類中的目標進行層次聚類形成待識別的群組。

優選地，粗聚類模塊采用均值漂移算法根據第一特征向量集對多個目標進行粗聚類形成多個類。

優選地，粗聚類模塊包括先驗參數輸入模塊，先驗參數輸入模塊輸入了類內目標門限數。

優選地，層次聚類模塊采用均值漂移算法根據第二特征向量集對粗聚類形成多個類的每一類進行層次聚類形成待識別的群組。

優選地，層次聚類模塊包括先驗參數輸入模塊，先驗參數輸入模塊輸入了類內目標門限數。

與現有技術相比，本發明提供的基于聚類算法的群組識別方法能以較大的概率準確地識別出觀測范圍內的群組，同時排除掉無關的噪聲點。