[發明專利]一種基于DTW-DBSCAN算法的空中目標分群方法

有效

• 申請號: 202110405750.7
• 申請日: 2021-04-15
• 公開（公告）號: CN113065604B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 陳晨;邵壯;陳杰;程子豪
• 申請（專利權）人: 北京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 李愛英;付雷杰

1.一種基于DTW-DBSCAN算法的空中目標分群方法，其特征在于，所述方法包括：

接收空中目標數據，所述空中目標數據為當前時間段內和與其相鄰的上一時間段內的空中目標數據的一級信息進行融合得到的；

判斷所述空中目標數據的數量，根據所述空中目標數據的數量對所述空中目標數據進行預處理，得到最新的空中目標數據；

對最新的空中目標數據進行無量綱化處理；

計算經無量綱化處理的不同屬性的最新的空中目標數據之間的DTW距離，形成DTW距離矩陣；

利用KNN算法和數學期望法，基于所述DTW距離矩陣分別生成DTW距離矩陣的平均最近鄰距離集合和平均最近鄰距離集合的鄰域密度閾值，包括：

對所述DTW距離矩陣D_n×n的每一行元素進行升序排列，其中，D_n×n＝{Dist(i,j)|1≤i≤n,1≤j≤n}，Dist(i,j)為不同屬性的最新的空中目標數據之間的DTW距離之和，第K列的所有元素構成第K列的最近鄰距離向量D_k，對所述最近鄰距離向量D_k中的元素求平均得到所述最近鄰距離向量D_k的K-平均最近鄰距離進而得到DTW距離矩陣的平均最近鄰距離集合

依次計算所述平均最近鄰距離集合D_Eps中的每個元素所對應的鄰域對象數量，計算所有元素所對應的鄰域對象數量的數據期望值，所述數據期望值為所述平均最近鄰距離集合D_Eps的鄰域密度閾值；

依次將所述平均最近鄰距離集合中的元素和所述平均最近鄰距離集合的鄰域密度閾值輸入到DBSCAN算法進行聚類分群，并輸出空中目標分群結果。

2.根據權利要求1所述的空中目標分群方法，其特征在于，所述判斷所述空中目標數據的數量，根據所述空中目標數據的數量對所述空中目標數據進行預處理，包括：

當所述空中目標數據的數量大于預先設定的目標分群數目時，需要對所述空中目標數據進行二次抽樣，將經二次抽樣得到的空中目標數據作為最新的空中目標數據；

或，當所述空中目標數據的數量小于預先設定的目標分群數目時，將所述空中目標數據和與其相鄰的下一時間段內的空中目標數據進行拼接，將拼接后的空中目標數據作為最新的空中目標數據；

或，當所述空中目標數據的數量符合預先設定的目標分群數目時，將所述空中目標數據作為最新的空中目標數據。

3.根據權利要求1所述的空中目標分群方法，其特征在于，所述對最新的空中目標數據進行無量綱化處理，包括：采用歸一化方法對最新的空中目標數據進行無量綱化處理，去除量綱對所述最新的空中目標數據分群結果的影響。

4.根據權利要求1所述的空中目標分群方法，其特征在于，所述依次將所述平均最近鄰距離集合中的元素和所述平均最近鄰距離集合的鄰域密度閾值輸入到DBSCAN算法進行聚類分群，包括：

依次將所述平均最近鄰距離集合中的元素和所述平均最近鄰距離集合的鄰域密度閾值輸入到DBSCAN算法，得到不同K值下的簇數N_K，當所述簇數N_K連續X次相同時，得到DBSCAN算法的聚類分群結果；其中，所述簇數N_K所對應的最大K值所對應的K-平均最近鄰距離作為DTW距離矩陣D_n×n的最優平均最近鄰距離，X為根據空中目標數據設定的空中目標分群閾值，X和N_K均為正整數。

5.根據權利要求1所述的空中目標分群方法，其特征在于，所述空中目標分群結果為根據空中目標數據定時的分解為多個互不相交的空間目標群。