一種運(yùn)用SVM分類(lèi)的多源態(tài)勢(shì)數(shù)據(jù)關(guān)聯(lián)方法*

李 川,黃 威,孫 偉,郝 歡

(中國(guó)人民解放軍31101部隊(duì),南京 210014)

0 引 言

現(xiàn)代戰(zhàn)爭(zhēng)是信息化條件下的一體化聯(lián)合作戰(zhàn),需要多維統(tǒng)一戰(zhàn)場(chǎng)態(tài)勢(shì)情報(bào)的支持,而這種統(tǒng)一態(tài)勢(shì)形成的關(guān)鍵是多源戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)目標(biāo)融合,核心問(wèn)題是目標(biāo)關(guān)聯(lián)[1]。當(dāng)前已有的態(tài)勢(shì)數(shù)據(jù)源數(shù)量很多,如不進(jìn)行有效去重,一方面多源態(tài)勢(shì)情報(bào)難以形成合力,另一方面對(duì)每個(gè)態(tài)勢(shì)源守控將耗費(fèi)大量人力物力。

本文對(duì)現(xiàn)有戰(zhàn)場(chǎng)態(tài)勢(shì)系統(tǒng)中多源態(tài)勢(shì)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析研究。為了敘述方便,將兩種態(tài)勢(shì)源簡(jiǎn)稱為A源和B源:A源態(tài)勢(shì)精度較高,但是缺少目標(biāo)屬性數(shù)據(jù);B源態(tài)勢(shì)精度較差,但由于是被動(dòng)偵收獲得,屬性數(shù)據(jù)可信度較高。對(duì)這兩種態(tài)勢(shì)數(shù)據(jù)的目標(biāo)進(jìn)行關(guān)聯(lián)識(shí)別,形成戰(zhàn)場(chǎng)目標(biāo)屬性和位置統(tǒng)一的目標(biāo)態(tài)勢(shì)。

針對(duì)上述兩種的態(tài)勢(shì)數(shù)據(jù)存在時(shí)空和屬性等差異性,一般國(guó)內(nèi)外常采用的算法是目標(biāo)多源航跡關(guān)聯(lián),如最近鄰[2]、模糊關(guān)聯(lián)[3]、MKNN算法[4]、拓?fù)潢P(guān)聯(lián)算法[5]和灰色關(guān)聯(lián)算法[6]等,但難以將不同復(fù)雜場(chǎng)景下相同目標(biāo)的多源航跡進(jìn)行自適應(yīng)門(mén)限適配關(guān)聯(lián)。本文使用支持向量機(jī)(Support Vector Machine,SVM),利用核函數(shù)的非線性分類(lèi)特點(diǎn)將其應(yīng)用到大時(shí)空差異多源態(tài)勢(shì)關(guān)聯(lián)中,通過(guò)設(shè)計(jì)態(tài)勢(shì)航跡比對(duì)分類(lèi)器,利用模擬真實(shí)數(shù)據(jù)樣本訓(xùn)練學(xué)習(xí)后,可自動(dòng)實(shí)現(xiàn)大差異下的多源態(tài)勢(shì)目標(biāo)數(shù)據(jù)關(guān)聯(lián)比對(duì)識(shí)別。該算法推廣能力強(qiáng),在任意態(tài)勢(shì)源融合中均可使用。

1 多源態(tài)勢(shì)數(shù)據(jù)關(guān)聯(lián)

多源態(tài)勢(shì)數(shù)據(jù)關(guān)聯(lián)主要針對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)形成過(guò)程中多路來(lái)源的海空目標(biāo)航跡進(jìn)行去處重復(fù),將相同一個(gè)目標(biāo)的不同路來(lái)源的目標(biāo)軌跡自動(dòng)判別為一個(gè)目標(biāo)。……