一种面向态势估计中分群问题的聚类方法

对目标分群技术问题进行了描述,分群或聚类问题是态势估计需要实现的一个重要功能,主要根据底层融合的结果应用聚类分析法实现战场目标分群。目标分群的结果有助于确定态势元素之间的相互关系,从而解释问题领域的各种行为,辅助指挥决策。提出使用CHAMELEON算法对战场目标或群进行划分,根据相对互连性RI和相对近似性RC所表征的相似度把它们形成更高层次的群。     

基于多Agent的战场目标分群方法

针对陆战场的态势识别问题,提出一种用于多Agent的态势识别系统战场目标分群方法。在陆战场目标分群过程中,管理Agent与实体Agent相互协作,以相似度计算作为分群的依据,考虑每个实体Agent的地形、相互间机动性能等因素,提出各自的分群方案,由管理Agent分发数据并合并结果。模拟结果表明,该方法能够解决传统方法在地形分割中的分群错误问题。     

基于案例推理方法在态势分析中的应用研究

提出使用基于案例推理方法建立战场和军事单元的层次推理模型。将多个军事实体在不同层次上与案例库进行比对,对数据融合中的中间层建立战场态势估计模型,在战场上给定的地理区域对探测到的每一个地面目标建立特征向量,包括时间、位置和目标类型等,并对特征向量分群处理,把每个群的目标类型,数量和态势参数列表。用分层的案例推理方法得到群中作战单元的目标类型,编队情况和作战意图,从而进行敌方作战态势估计,为指挥员决策提供依据。     

兵力聚合中的目标分群方法研究

在高级数据融合中,对敌方目标的分群识别是指挥员指挥作战所关心的重要问题之一。阐述了目标分群的必要性以及分群的层次结构;对目标分群进行了描述,指出其主要步骤和特点;通过引入核函数和CNM算法,给出了目标分群的具体实现,并给出了示例。     

群集系统分群行为建模与控制研究进展

群集系统的分群行为表征为一个聚合的母群分裂成多个子群的现象, 探讨其产生机理和控制方法具有重要的理论意义和应用价值. 鉴于此, 从分群行为的理论建模和控制方法两个角度出发, 对近年来群集系统分群运动研究的主要成果进行综述, 回顾了目前分群运动理论建模研究的最新进展, 重点总结了分群运动的现有控制方法和结论, 并对分群控制研究中尚存在的问题进行了探讨, 最后就分群行为后续可能的研究方向进行了展望.

     

海战场目标航迹间距离聚类方法

对海战场空间观察对象中的目标分群问题进行了描述;定义观察目标航迹时空距离计算模型及聚类算法,与依据观察目标位置、航向、航速特征量构建的相似度度量方法的传统目标分群层次聚类算法进行了分析对比。该算法将观察目标的时态信息与空间信息相结合,提高了海战场目标分群聚类的质量。     

数据融合中的态势觉察技术

在态势觉察、态势理解及未来态势预测三级态势估计概念基础上首先分析了态势觉察问题的本质特征；进一步详细讨论了所涉及到的基本事件提取、分群的实现方法；最后，描述了整个态势觉察阶段的算法框架。     

一种多作战编队下的目标编群算法

在敌多目标对我多目标群进攻的态势下,提出了一种对敌目标分群的算法。该算法首先根据敌目标的几何态势要素,采用约束条件下的chameleon算法实现敌目标的空间聚类;再根据敌空间群的几何要素,推算出敌空间群对我空间群的进攻要素优势函数,并形成空间群进攻要素矩阵;最后通过对进攻要素的主、客观权重的推导,计算出综合权重和敌我双方空间群的进攻矩阵,进而划分出敌相互关系群。通过场景的设定与算法的仿真验证,证明了该算法的有效性。     

基于邻域跟随的群集系统分群控制算法

传统基于避撞、组队和聚集规则的个体运动协同算法具有内聚和速度一致趋势,群体在外部信息刺激下难以自发实施分群.为此,提出一种融合了邻域跟随行为的分布式协同控制算法.该算法在短距排斥、长距吸引和速度一致行为的基础上,引入个体对于其感知域内间距变化最快的邻居的跟随运动,并通过对跟随目标的动态更新,实现了外部信息作用下群体的自组织分群行为.仿真实验验证了算法的可行性和分群有效性.     

基于多帧数据的目标分群算法

针对在多帧数据条件下的目标分群问题,提出一种基于数据流聚类的动态目标分群算法TG—Stream,该算法由在线和离线2个部分组成。在线部分采用临时存储结构（TSS）和金字塔时间框架保存侦察数据集的概要信息,离线部分采用CNM算法对时问框架的信息进行聚类,最终得到分群的结果。实验结果表明,TG—Stream具有灵活的精度和效率平衡性,能较好地满足决策辅助系统处理实时信息的需要。