[發明專利]一種基于Hough變換和優化K均值聚類的反艦導彈編隊識別目標選擇系統

有效

• 申請號: 202111097989.9
• 申請日: 2021-09-18
• 公開（公告）號: CN113867342B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 黃雋;吳鵬飛;劉方;李曉寶;張浩然;劉玥
• 申請（專利權）人: 中國人民解放軍海軍工程大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 重慶縉云專利代理事務所(特殊普通合伙) 50237
• 代理人: 王翔

1.一種基于Hough變換和優化K均值聚類的反艦導彈編隊識別目標選擇系統，其特征在于：包括運動態勢監測模塊、隊形輪廓識別模塊、目指態勢建立模塊、打擊目標獲取模塊、目標打擊模塊；

所述運動態勢監測模塊監測目標編隊中所有成員的坐標，從而獲得目標編隊的運動態勢；

所述隊形輪廓識別模塊對目標編隊的運動態勢進行Hough變換，識別目標編隊的隊形輪廓；

所述目指態勢建立模塊根據目標編隊的隊形輪廓，建立目指態勢模型，并對目標編隊中所有成員進行排序編號；

所述打擊目標獲取模塊選定目標編隊中的打擊目標P，并確定打擊目標的相對編號B-P；B為目標編隊中基準艦的編號；

所述目標打擊模塊向打擊目標發射導彈；所述導彈帶有末制導雷達；

在導彈自控飛行結束后，導彈末制導雷達開啟；所述末制導雷達獲取目標編隊當前的運動態勢，進行Hough變換，從而識別出目標編隊的當前隊形輪廓；

所述末制導雷達對目標編隊每個回波信號進行排序編號，并比對目指態勢建立模塊中的目標編隊編號和當前排序編號，確定打擊目標P；

所述導彈捕捉、跟蹤所述打擊目標P并完成打擊；

利用優化K均值聚類方法對Hough曲線的交點進行聚類的步驟包括：

1)從數據樣本集合X按隨機選取k個樣本作為初始聚類中心，并計算數據樣本集合X中各樣本到各初始聚類中心的目標函數矩陣D，即：

式中，d_ij表示目標函數矩陣D的第i+(j-1)×n個元素；為W_j聚類中心；j＝1,…,c；k＝1,2,…,n；表示數據樣本集合X的第i個樣本；

2)計算列向量及對應的聚類號列向量即：

式中，列向量中的元素包括各樣本到各聚類中心最小距離的平方和；minD(i,:)表示第i個樣本到各聚類中心最小距離的平方和；

3)基于列向量和聚類號列向量對數據樣本集合X進行初始分類，并計算各類樣本數量；

4)多樣本更新聚類，步驟包括：

4.1)根據聚類號列向量和聚類樣本數量有變化的聚類號更新變化的聚類中心和變化樣本數量；然后由變化的聚類中心計算變化的目標函數矩陣D；

4.2)處理變為空集的聚類；

4.3)計算目標函數值E，判斷目標函數E是否減小，若未減小，則進入步驟5)，若減小，則暫存聚類號列向量和目標函數值；

4.4)由式(5)計算各樣本到各聚類中心最小的距離平方和組成的列向量及對應的聚類號列向量

4.5)根據新聚類號列向量與舊聚類號列向量的差異確定聚類號發生變化的樣本，并將該樣本對應的樣本號寫入列向量中；

列向量如下所示：

判斷聚類號發生變化的樣本到新聚類中心距離平方和d_i是否小于該樣本到舊聚類中心距離平方和d′，若否，則從列向量中刪除該樣本對應的樣本號；

列向量更新如下：

式中，[]表示沒有元素，降低列向量行數；

4.6)用列向量中的新聚類號取代樣本的原聚類號，并獲得聚類中樣本數量發生變化的聚類號向量返回步驟4)，直至變為[]，多樣本更新迭代收斂，轉入單樣本更新聚類階段；

聚類號向量如下所示：

式中，c表示聚類總數量，i∈[·]表示i屬于數組[·]的元素；

5)單樣本更新聚類，步驟包括：

5.1)計算具有單樣本聚類的樣本集合的目標函數矩陣Del，即：

式中，為W_j聚類中心，m_j為j號聚類的樣本數量；sgn_ij為符號函數；

5.2)利用公式(5)計算目標函數矩陣Del中每個樣本到各聚類中心最小的距離平方和，并將最小距離平方和寫入列向量中，將最小距離平方和對應的聚類號寫入聚類號列向量中

5.3)判斷聚類號列向量與聚類號列向量是否存在差異，若否，則判斷單樣本更新迭代收斂，若是，則進入步驟5.4)；

5.4)更新列向量即：

式中，表示上一次迭代的聚類號發生變化的樣本號列向量；min(·)表示取向量中最小的元素，mod(n)表示取模運算；在利用公式(10)更新列向量時均為單元素向量；

計算移動次數，并把新的列向量賦值給上一次迭代的列向量從而得到當前次迭代、上一次迭代的移動聚類號單元素列向量即：

5.5)更新目標函數值E、聚類號列向量聚類的樣本數量m_j、聚類中心聚類號向量并返回步驟5.1)；

目標函數值E、聚類號列向量分別如下所示：

聚類的樣本數量m_j和聚類中心分別如下所示：

聚類中樣本數量變化的聚類號向量如下所示：

6)判斷各類樣本是否為空集，并計算每個樣本到各聚類中心的目標函數矩陣D＝(d_ij)_n×k，從而得到目標函數矩陣中的列向量即：

式中，id_i表示樣本所屬的聚類號；D(i+(id_i-1)·n)表示目標函數矩陣D中第i+(id_i-1)·n個元素；

根據列向量計算得到累加列向量和目標函數累加列向量如下所示：

完成一次聚類迭代，重復步驟1)～6)，直至遍歷所有比較rep次聚類迭代的目標函數值，得到聚類數k的最優聚類；

7)按照公式(3)計算聚類數k的差異度代價函數，重復步驟1)～6)，直至遍歷所有聚類數k＝1,2,…,n；比較聚類數k＝1,2,…,n迭代差異度代價函數，得到最優聚類數、聚類中心及對應的分類；

8)利用公式(18)將樣本在最優聚類數下聚類完成后的交點，反映射得到原量測空間中對應的直線；

反映射得到的直線的斜率a和截距b分別如下所示：

式中，ρ₀、ρ_π/2和ρ_π表示θ＝0、π/2和π/2對應的角度ρ。