基于多維特征的戰(zhàn)場實體目標分群方法

李雪騰，朱璐瑛，林雪原，王海鵬，譚海琪

(1.中國人民解放軍91827部隊，山東 威海 264200；2. 煙臺南山學(xué)院電氣與電子工程系，山東 煙臺 265713；3.海軍航空大學(xué)，山東 煙臺 264001)

0 引言

在戰(zhàn)場上，敵我雙方的兵力都是按一定規(guī)則部署和聚集的，因此，將整個戰(zhàn)場的武器平臺以群的形式合成多個態(tài)勢元素，可以較好地反映客觀實際情況，為指揮員提供簡單明了的戰(zhàn)場視圖。群的基本思想是對有用數(shù)據(jù)進行分組，將具有相同或相似性質(zhì)的數(shù)據(jù)劃分成一個集合[1]。群從低到高分為4個層次，即空間群、功能群、相互作用群以及敵、我和中立方群[2]。而空間群是其他三種群形成的基礎(chǔ)，功能群、相互作用群以及敵、我和中立方群可以為指揮員對戰(zhàn)場態(tài)勢進行判斷提供依據(jù)。

現(xiàn)有的目標分群方法大多是利用聚類算法進行戰(zhàn)場實體目標的分群處理，例如文獻[3]分析了目標的運動狀態(tài)、位置和屬性對分群結(jié)果的影響，建立了目標相似度計算模型，進而提出了分群策略。文獻[4]對目標分群問題進行了形式化描述，設(shè)計了適當(dāng)?shù)哪繕碎g距離度量標準，進而提出了一種基于 Louvain 算法的多目標層次化分群方法。文獻[5]通過計算目標間的相似度值并獲取群中心結(jié)構(gòu)和孤立目標點，進而提出了一種基于目標特征相似度聚類的分群方法。上述研究雖然在目標分群中進行了積極的探索，但極少考慮進行戰(zhàn)場態(tài)勢分析所需的目標速度、航向、屬性和類型等多維特征，且在進行分群處理時，往往會忽略聚類結(jié)果中的噪聲點[6-7]，而這些噪聲點目標極有可能是影響戰(zhàn)場態(tài)勢的關(guān)鍵性因素。

針對該問題，本文根據(jù)海戰(zhàn)場態(tài)勢分析需求，綜合利用分類與聚類兩種方法，提出了一種基于多維特征[8-9]的戰(zhàn)場實體目標分群方法。該方法基于密度聚類算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)的思想，對戰(zhàn)場實體目標進行空間群的劃分，再根據(jù)目標航跡數(shù)據(jù)的多維度屬性標簽，采用分類分析[10-11]的方法對其進行功能群、相互作用群與敵、我和中立方群的劃分，綜合實現(xiàn)戰(zhàn)場實體目標的實時分群處理，為后續(xù)進行戰(zhàn)場態(tài)勢分析和指揮員決策奠定堅實基礎(chǔ)。

1 海上目標多維航跡數(shù)據(jù)

目標航跡通常是由多維航跡數(shù)據(jù)點組成的序列，包括時間、位置、速度、航向、敵我屬性、類型和威脅值等信息。設(shè)目標海域內(nèi)的航跡樣本數(shù)據(jù)集為

TR={TR1,TR2,…,TRi,…,TRn}

(1)

其中，TR為全部航跡樣本集合；i∈[1,n]為樣本編號；n為樣本數(shù)據(jù)集總數(shù)。每條目標航跡TRi(i=1,2,…,n)中含有m個按時間順序排列的多維數(shù)據(jù)點，即

TRi=

{TRi(1),TRi(2),…,TRi(j),…,TRi(m)}

(2)

其中，TRi(j)為第i條航跡樣本中的第j個多維航跡數(shù)據(jù)點；j∈[1,m]為航跡數(shù)據(jù)點編號；m為該航跡樣本中的數(shù)據(jù)點總數(shù)。每個航跡數(shù)據(jù)點TRi(j)中包含時間、位置、速度、加速度、航向、敵我屬性、類型和威脅值等q個多維特征，可表示為

TRi(j)={time,position,velocity,acceleration,course,attribute,type,threat…}

(3)

2 戰(zhàn)場實體目標分群方法

2.1 方法概述

針對海上復(fù)雜環(huán)境下的目標分群問題，本文提出的戰(zhàn)場實體目標分群方法包括以下4個階段。

2.1.1 空間群的劃分

空間群是指在空間上目標的集合，也就是將敵我屬性相同、空間位置相近且行為規(guī)律(速度、航向)相似的目標集合在一起，其分類結(jié)果反映了目標的空間位置特征。

空間群的形成主要取決于目標之間的相互距離、屬性和行為信息。給定2條目標航跡TRA、TRB，取j∈[1,m]時刻對應(yīng)的2個目標航跡數(shù)據(jù)點PA、PB，即PA=TRA(j)、PB=TRB(j)。首先分析當(dāng)前戰(zhàn)場環(huán)境下目標航跡的多維屬性特征，分配適合的屬性權(quán)重；然后計算PA、PB間的多維度歐式距離mfdist(PA,PB)，作為目標航跡間的多維度相似性度量。其中

mfdist(PA,PB)=[wd·dist(PA,PB)+wv·

dist(vPA,vPB)+wθ·dist(θPA,

θPB)]·f(aPA,aPB)

(4)

dist(PA,PB)=sqrt((xA(j)-xB(j))2+(yA(j)-

yB(j))2+(zA(j)-zB(j))2)

(5)

式中，dist(PA,PB)表示PA、PB兩點位置特征的歐式距離；vPA與vPB、θPA與θPB分別表示PA、PB兩點的速度大小和航向大小；wd、wv、wθ分別表示位置、速度和航向特征的權(quán)重因子，各屬性權(quán)重的取值取決于多因素距離的應(yīng)用場景，且滿足wd+wv+wθ=1；aPA、aPB表示PA、PB兩點的敵我屬性值，f(aPA,aPB)用于判斷PA、PB兩點的敵我屬性是否相同，若相同，則f(aPA,aPB)=1，否則，f(aPA,aPB)=∞。

然后，輸入鄰域參數(shù)ε和最小近鄰點數(shù)量MinPts，基于定義的多因素歐式距離，對目標航跡數(shù)據(jù)點進行DBSCAN密度聚類[12]，完成戰(zhàn)場實體目標空間群的劃分。需注意，針對聚類處理后輸出的噪聲點，要進一步分析其類型type和屬性attribute特征，若該目標是作戰(zhàn)相關(guān)目標，則將其看作是只具有單元素的特殊群。

2.1.2 功能群的劃分

功能群是將功能相同的目標組合在一起，使得一個功能群中的所有目標實體具有相同或相似的功能特性。功能群分群建立在目標識別的基礎(chǔ)上，只有正確識別目標的類型，才能確定目標的功能，并建立功能群；當(dāng)不能正確識別目標類型時，可以利用空間群來建立功能群，此時功能群等同于空間群。

有關(guān)功能群的劃分有兩種不同的理解方式：1)功能群的分群是建立在目標識別的基礎(chǔ)上，把空間群中類型相同的目標組合在一起；2)功能群中所有目標實體都具有相同或相似的功能特征，應(yīng)是空間群中執(zhí)行相同作戰(zhàn)任務(wù)、實現(xiàn)相同功能的目標的集合，這些目標可能屬于同一空間群，也可能屬于鄰近的多個空間群。第一種觀點是根據(jù)目標的類型特征，較為客觀地進行功能群的劃分，且可以實現(xiàn)對功能群的實時分群，稱其為狹義功能群；第二種觀點需要基于一定的戰(zhàn)術(shù)戰(zhàn)法和作戰(zhàn)條令知識，結(jié)合目標的歷史軌跡及人的主觀經(jīng)驗，綜合評判哪些目標屬于同一功能群，故不能實現(xiàn)功能群的實時分群處理，稱其為廣義功能群。本文所提的目標分群方法著重考慮狹義功能群的分群。

在已分群的空間群基礎(chǔ)上，采用分類算法，根據(jù)目標的類型type特征，將一個空間群劃分為多個狹義功能群，使空間群中目標類型一致的數(shù)據(jù)點組合在一起，然后結(jié)合目標航跡的歷史行為規(guī)律和專家經(jīng)驗、指揮員決策等主觀行為，將執(zhí)行同一作戰(zhàn)任務(wù)的一個或多個狹義功能群合并為廣義功能群。

2.1.3 相互作用群的劃分

相互作用群的形成是為了說明戰(zhàn)術(shù)上相關(guān)的功能群，主要包括兩個重要類型：防御群和攻擊群[13]。

(1)防御群

防御群主要用于表示友方/敵方兵力使用的防御掩護屏，如反潛掩護屏、防空掩護屏、反艦掩護屏、電子監(jiān)視掩護屏和近程防御掩護屏等。其中，航母、驅(qū)逐艦、護衛(wèi)艦等大中型水面艦艇可擁有所有這五種掩護屏，補給艦、修理艦和運輸船等小型水面艦艇一般擁有近程防御掩護屏、電子監(jiān)視掩護屏等兩三種掩護屏，而直升機只有反潛掩護屏。因此，參照各類型海戰(zhàn)武器的配置性能，根據(jù)其擁有防御掩護屏的數(shù)量和性能，將防御群按防御等級分為四類。其中，一級防御群擁有防御掩護屏的數(shù)量最多、性能最好，防御能力最強；四級防御群擁有防御掩護屏的數(shù)量最少、性能較一般，防御能力較差。

針對防御群的分群問題，本文在已分群的狹義功能群的基礎(chǔ)上，采用分類算法，根據(jù)功能群中目標的類型type特征，將一個或多個防御等級相同的功能群合并為一個防御群。

(2)攻擊群

攻擊群是考慮空間和功能參數(shù)后得到的敵我雙方兵力部署的子集。針對我方作戰(zhàn)目標，所有目標的兵力部署和作戰(zhàn)任務(wù)為已知，故我方目標的攻擊屬性是已知的，若我方某目標執(zhí)行攻擊任務(wù)，則其攻擊屬性值為1；否則，其攻擊屬性值為0。針對敵方和中立方目標，需要基于已獲取的目標行為和屬性特征，通過計算距離參數(shù)和距離差因子等，綜合評判敵方或中立方目標的攻擊屬性。

在明確目標攻擊屬性attack的過程中，涉及以下相關(guān)概念[14-15]：1)威脅值(threat)：若敵方目標群對我方受保護目標群不具有進攻性或無進攻能力，則取threat=0；若敵方目標群對我方受保護目標群具有威脅性或有進攻能力，取0

綜合上述相關(guān)參數(shù)的定義，獲取目標的攻擊屬性，在已分群的狹義功能群的基礎(chǔ)上，采用分類算法，根據(jù)功能群中目標的攻擊屬性attack特征，將一個或多個功能群合并為攻擊群。

2.1.4 敵、我和中立方群的劃分

敵、我和中立方群分別是指由敵方所有相互作用群組成的敵方群、我方所有相互作用群組成的我方群以及中立方所有相互作用群組成的中立方群，用于描述更高層次的敵方/我方戰(zhàn)術(shù)態(tài)勢。

針對敵、我和中立方群的分群問題，在已分群的相互作用群的基礎(chǔ)上，采用分類算法，根據(jù)相互作用群中目標的敵我屬性attribute特征，將一個或多個相互作用群進一步合并為敵、我和中立方群。

2.2 算法流程

綜上所述，戰(zhàn)場實體目標分群流程如圖1所示。

圖1 戰(zhàn)場實體目標分群流程

所提算法的偽代碼如算法1所示。

算法1: 戰(zhàn)場實體目標分群算法

續(xù)表

3 實驗驗證分析

為了驗證本文提出的戰(zhàn)場實體目標分群方法性能，在一個軍用場景的數(shù)據(jù)集上進行仿真實驗并對結(jié)果進行分析，通過仿真的多維航跡數(shù)據(jù)模擬戰(zhàn)場目標的活動情況，對目標航跡數(shù)據(jù)進行處理。

3.1 數(shù)據(jù)集

假設(shè)某日12時至18時、某寬闊海域450n mile×300n mile的區(qū)域進行戰(zhàn)場環(huán)境仿真。海上作戰(zhàn)態(tài)勢實時仿真數(shù)據(jù)集包括8個固定島群共69個固定目標島嶼、6個海上漂浮物、我方5個作戰(zhàn)編隊共113條目標船只和2架艦載機、敵方3個作戰(zhàn)編隊共43條目標船只、中立方1個防御編隊共6條目標船只以及10條民用船只，共249個海上目標的航跡數(shù)據(jù)。假設(shè)每1min更新一次戰(zhàn)場態(tài)勢信息，則每條目標航跡數(shù)據(jù)均由360個數(shù)據(jù)點組成。每條目標航跡數(shù)據(jù)在三維位置信息的基礎(chǔ)上，結(jié)合現(xiàn)代海戰(zhàn)場實際，人為添加了目標的日期、初始速度/加速度信息、敵我屬性信息、類型信息、威脅值和攻擊屬性等多維信息，計算得出目標航跡的速度、位置和航向特征，共同構(gòu)造出一個249×16×360的多維目標航跡實時仿真數(shù)據(jù)集，如圖2所示。

(a) 三維分布圖

3.2 實驗分析

以圖2所示仿真數(shù)據(jù)集為基礎(chǔ)。為了驗證全部實體目標的分群效果，選擇包含水面艦艇目標和空中艦載機目標的第270個更新時刻場景，該時刻的目標分群結(jié)果如圖3所示。

3.2.1 空間群的劃分

取ε=5,MinPts=3,基于多因素歐式距離，對圖3所示全部目標航跡數(shù)據(jù)點進行DBSCAN密度聚類，輸出的空間群分群結(jié)果如圖4所示。

(a) 三維分布圖

(a) 三維分布圖

通過計算召回率R(Recall)和準確率P(Precision)對戰(zhàn)場實體目標空間群分群效果進行評估。召回率R是指被正確分群的目標數(shù)量與全部戰(zhàn)場實體目標數(shù)量的百分比，而準確率P是指被正確分群的目標數(shù)量與所有被分群的目標數(shù)量的百分比。據(jù)此，繪制出召回率和準確率隨參數(shù)ε(即Eps)和MinPts的取值變化曲線，如圖5所示。

(a) 召回率和準確率隨ε變化的曲線

從圖5可以看出，召回率和準確率的變化曲線完全重疊，故全部戰(zhàn)場實體目標都能實現(xiàn)空間群的分群處理。由圖5(a)可得，當(dāng)參數(shù)MinPts一定時，若取ε=1，只有極少的目標能被正確分群；若取2≤ε≤4，大部分的目標都能被正確分群；若取ε≥5，全部目標都能被正確分群。由圖5(b)可得，當(dāng)參數(shù)ε一定時，若取1≤MinPts≤3，全部目標都能被正確分群；若取MinPts≥4，只有部分的目標能被正確分群。

3.2.2 功能群的劃分

基于圖4所示的目標空間群集合，采用分類算法，根據(jù)目標航跡的類型特征，實現(xiàn)狹義功能群的劃分，輸出功能群分群結(jié)果如圖6所示。

(a) 三維分布圖

3.2.3 相互作用群的劃分

基于圖6所示的目標功能群集合，采用分類算法，根據(jù)目標航跡數(shù)據(jù)點的類型特征，將一個或多個防御等級相同的功能群合并為防御群；根據(jù)目標的攻擊屬性特征，將一個或多個執(zhí)行攻擊任務(wù)的功能群合并為攻擊群，綜合實現(xiàn)相互作用群的分群處理，輸出相互作用群分群結(jié)果如圖7所示。

(a) 三維分布圖

其中，“result 1”、“result 2”分別表示當(dāng)前時刻全部目標的攻擊群分群結(jié)果和防御群分群結(jié)果。

3.2.4 敵、我和中立方群的劃分

基于圖7所示的目標相互作用群集合，采用分類算法，根據(jù)目標的敵我屬性特征，將一個或多個敵我屬性相同的相互作用群集合在一起。這樣就實現(xiàn)了敵、我和中立方群的劃分，輸出敵、我和中立方群分群結(jié)果如圖8所示。

從圖4～圖8所示的目標分群結(jié)果可以看出，本文方法可以高效、準確地實現(xiàn)各類群的實時劃分。特別是針對飛機目標航跡數(shù)據(jù)點，由于本實驗中取MinPts=3，即經(jīng)聚類算法分類的空間群中至少存在3個目標航跡數(shù)據(jù)點，可知聚類算法直接輸出的結(jié)果中，2個飛機目標航跡數(shù)據(jù)點被判定為噪聲點，而本文方法仍可以正確識別被判為噪聲點的實體目標，將其看作是只具有單元素的特殊群。

(a) 三維分布圖

4 結(jié)論

本文針對海上態(tài)勢生成需求，基于定義的多維度歐式距離，結(jié)合分類與DBSCAN密度聚類兩種分析方法，設(shè)計了一種戰(zhàn)場實體目標分群方法，并在仿真軍事場景上進行了實驗分析驗證。結(jié)果表明：

1)該方法能夠根據(jù)戰(zhàn)場態(tài)勢表示的需求，結(jié)合目標的位置、速度、航向、敵我屬性和類型等多維特征，高效、準確地完成空間群、功能群、相互作用群與敵、我和中立方群的實時劃分，簡化戰(zhàn)場情況，為指揮員提供簡單明了的戰(zhàn)場視圖；

2)可以正確識別常易被忽視的噪聲點目標，將其看作是只具有單元素的特殊群，這些噪聲點目標極有可能是影響戰(zhàn)場態(tài)勢的關(guān)鍵性因素，作為指揮員進行戰(zhàn)術(shù)戰(zhàn)略決策的重要依據(jù)。

但由于模擬實際海戰(zhàn)場環(huán)境，仿真實驗數(shù)據(jù)較為龐大，計算時間略長，下步計劃結(jié)合人工智能技術(shù)進一步優(yōu)化聚類算法以改進計算速度。