[发明专利]基于聚类分析的目标快速关联方法

说明书

技术领域

本发明是关于数据挖掘领域中两子源态势数据中如何对含有属性信息和位置信息的多个目标进行快速关联的方法。

背景技术

聚类分析是数据挖掘领域中的一项重要的研究课题.它既可以作为一个单独的工具以发现数据库中数据分布的一些深入的信息,也可以作为其它数据挖掘分析算法的一个预处理步骤.聚类分析同时也是一个具有很强挑战性的领域,它的一些潜在应用对分析算法提出了特别的要求。在目标普通关联算法中，耗时会随着目标数的平方增加，同时待关联目标数往往能达几千量级，致使信息融合系统无法及时响应，如50个子源，1500个目标，目前使用的关联算法耗时487秒。为了保证系统的流畅运行，应尽量减少不必要的目标位置和属性的比对次数。目前典型的快速关联方法主要是区域关联算法，该算法主要存在以下不足：（1）它不适用于目标属性的判决；（2）目标区域划分存在随意性，当目标位于区域边界附近时，很容易关联错误；（3）算法性能不稳定，较大程度取决于目标的空间分布。在数据挖掘领域，聚类方法研究的很多，其中有种非常典型常用的方法，基于相对密度的聚类算法和快速DBSCAN聚类算法，称为DBSCAN，全称为Density-Based Spatial Clustering of Applications with Noise algorithm，即基于密度的聚类算法（参考Ng R T，Han J.Efficient and effective clustering methods for spatial data mining.In:Proc of the20th VLDB Conf.Santiago:Morgan Kaufmann,1994,144～155）。这种改进算法适用于空间中任意形状的蔟，简单高效。但这两种方法仍存在不足,.聚类与关联相似的地方就是将性质相同的目标搁置在一起，不同的是前者没有排它性，在一个样本空间只要满足聚类条件，可以同时聚类很多个目标；后者具有排它性，是在两个样本空间找到满足相似条件的目标点，一旦配对成功了，就不再增加进其它目标了。因此结合目标关联这种排它性的特点，又参照DBSCAN算法的精髓，同时借鉴其它一些改造DBSCAN的快速聚类方法，如发表在《计算机研究与发展》第37卷，第11期，第1287页名称为：一种基于密度的快速聚类算法，作者：周水庚，周傲英，曹晶，胡运发，提出的基于代表对象的快速聚类算法，设计出符合目标关联一般判决方法的空间索引树，形成了基于聚类分析的目标快速关联方法。周水庚等人通过选用核心对象附近区域包含的所有对象的代表对象作为种子对象来扩展类，达到减少区域查询次数的目的。其不足之处在于每次选择最远的点作为代表对象，这种策略适用于目标聚类分析，但并不适用于基于位置的目标关联，后者总是期望在关联门限内寻找可能配对的目标；而且因为提速的需要，上述方法只选取非常有限的代表点，数量通常为目标空间维数的2倍，使得该聚类方法会丢失少量位于特殊位置的对象。

发明内容

本发明的任务是针对子源多、目标多信息融合场景，目标关联耗时过大的问题，提供一种简单易懂，时效性高，对关联结果无影响，能够大幅度降低目标关联比对次数，基于聚类分析的目标快速关联方法。

本发明的上述目的可以通过以下措施来达到，一种基于聚类分析的目标快速关联方法，其特征在于包括如下步骤：

首先在快速关联模块中构建一个数组元素个数等于两子源探测到的目标数量之和的结构体数组，结构体数组中的每个元素均代表了某子源探测到的某个目标，将所有目标的初始关联状态均设为未关联，并在结构体数组中标记该目标来自于哪个子源的量测，包括目标在子源内部的目标编号、位置和属性信息的地址以及目标当前的关联状态；其次用位置坐标快速排序法和属性快速聚类法，按既定优先层次关系对上述结构体数组中的待关联目标以位置分量：地心地固ECEF坐标系下的X、Y和Z坐标值和属性信息为关键字，分别进行递归快速排序和快速聚类，构建递阶有序的空间索引树；然后在空间索引树的支持下，采用基于密度的聚类算法分别将两子源位置邻近属性相同的目标进行递归聚类，待子序列目标总数少于预设值k或再没有未使用的位置或属性信息时，则转为普通的一一比对的关联方法完成目标最终的关联判决。

本发明相比于现有技术具有如下有益效果。