一种空中目标关联关系挖掘分析方法

doi:10.3969/j.issn.1009-086x.2024.03.012

摘要/Abstract

摘要：

快速准确挖掘分析雷达历史数据中蕴含的目标关联关系，可以为空中目标活动规律研究、目标识别判性等提供辅助，充分发挥历史数据作用。根据目标时空特性，设计了一种新的空中目标关联关系挖掘分析方法。设计了一种时间匹配方法，生成时间关联数据集。设计了一种空间关联度量，生成空域关联数据集。运用DTW及生成树算法，匹配并搜索具有关联关系的空中目标，生成关联关系集合。经数字仿真验证，该方法可有效挖掘雷达数据历史信息，寻找目标之间的关联规律。

关键词: 目标关联关系, 挖掘分析, 动态时间规整（DTW）, 生成树, 空中目标

Abstract:

Quickly and accurately mining and analyzing the target association relationship contained in radar historical data can provide assistance for the study of air target activity law， target identification and judgment， and give full play to the role of historical data. According to the space-time characteristics of the target， a new method of mining and analyzing the association relationship of air targets is designed. A time matching method is designed to generate time correlation data sets. A spatial association metric is designed to generate spatial association data sets. Dynamic time warping （DTW） and spanning tree algorithm are used to match and search the air targets with associated relations， and generate the set of associated relations. After digital simulation verification， this method can effectively mine the historical information of radar data and find the correlation rules between targets.

Key words: target association, mining analysis, dynamic time warping（DTW）, spanning tree, air target

中图分类号:

TJ85

赵小瑞, 李宏权, 梁复台, 戚玉志. 一种空中目标关联关系挖掘分析方法[J]. 现代防御技术, 2024, 52(3): 96-103.

Xiaorui ZHAO, Hongquan LI, Futai LIANG, Yuzhi QI. A Method for Mining and Analyzing the Association of Air Targets[J]. Modern Defense Technology, 2024, 52(3): 96-103.

图/表 9

图1 方法流程图

Fig. 1 Flow of proposed method

图2 目标间重合时长示意图

Fig. 2 Schematic diagram of coincidence duration between targets

图3 目标间空域中心距离示意图

Fig. 3 Schematic diagram of airspace center distance between targets

图4 两段路线航迹点不齐情况示意图

Fig. 4 Schematic diagram of track point irregularity of two routes

表1 预处理后的数据集

Table 1 Preprocessed data set

数据集S	目标类别C	目标型号M	发现时间t_s	消失时间t_f	目标持续时间t/s	航迹点坐标数据集X
N₁	侦察机	RC-135	6：52：13	7：20：40	1 707	X₁
N₂	加油机	KC135	6：57：48	7：04：17	389	X₂
N₃	战斗机1	F-15	7：05：10	7：23：35	1 105	X₃
N₄	战斗机2	F-15	7：05：16	7：23：38	1 102	X₄
N₅	加油机	KC135	9：46：23	9：56：25	602	X₅
N₆	侦察机	RC-135	9：46：29	10：05：25	1 136	X₆
N₇	轰炸机	B-1B	9：59：27	10：19：46	1 039	X₇
N₈	预警机	E-3	10：19：19	10：40：13	1 254	X₈
N₉	战斗机1	F-15	21：45：27	22：09：46	1 459	X
N₁₀	战斗机2	F-15	21：46：19	22：08：15	1 316	X₁₀
N₁₁	运输机	C-17	22：04：12	22：14：14	602	X₁₁

表2 各关联关系数据集

Table 2 Each association data set

存在时间重合的集合	重合时长/s	占目标i的比例/%	占本身时长比例/%	时间关联数据集 $P'$	空域关联数据集 $P "$	关联关系数据集 $P 0$
p₁=｛2，3，4｝	389	22.79	100.00	p₁′=｛2，3，4｝	p₁″=｛2，3，4｝	p₁⁰=｛2，3，4｝
	930	55.48	84.16
	924	54.13	83.85
p₂=∅	—	—	—	p₂′=∅	p₂″=∅	p₂⁰=∅
p₃=｛4｝	1 099	99.46	99.73	p₃′=｛4｝	p₃″=｛4｝	p₃⁰=｛4｝
p₄=∅	—	—	—	p₄′=∅	p₄″=∅	p₄⁰=∅
p₅=｛6｝	596	54.08	99.00	p₅′=｛6｝	p₅″=｛6｝	p₅⁰=｛6｝
p₆=｛7｝	358	31.51	29.37	p₆′=｛7｝	p₆″=｛7｝	p₆⁰=｛7｝
p₇=｛8｝	27	2.21	2.15	p₇′=∅	p₇″=∅	p₇⁰=∅
p₈=∅	—	—	—	p₈′=∅	p₈″=∅	p⁸⁰=∅
p₉=｛10，11｝	1 316	90.20	100.00	p₉′=｛10，11｝	p₉″=｛10｝	p₉⁰=｛10｝
p₉=｛10，11｝	334	22.89	55.48	p₉′=｛10，11｝	p₉″=｛10｝	p₉⁰=｛10｝
p₁₀=｛11｝	243	18.47	40.37	p₁₀′=｛11｝	p₁₀″=∅	p₁₀⁰=∅
p₁₁=∅	—	—	—	p₁₁′=∅	p₁₁″=∅	p₁₁⁰=∅

表2 各关联关系数据集

Table 2 Each association data set

存在时间重合的集合	重合时长/s	占目标i的比例/%	占本身时长比例/%	时间关联数据集 $P'$	空域关联数据集 $P "$	关联关系数据集 $P 0$
p₁=｛2，3，4｝	389	22.79	100.00	p₁′=｛2，3，4｝	p₁″=｛2，3，4｝	p₁⁰=｛2，3，4｝
	930	55.48	84.16
	924	54.13	83.85
p₂=∅	—	—	—	p₂′=∅	p₂″=∅	p₂⁰=∅
p₃=｛4｝	1 099	99.46	99.73	p₃′=｛4｝	p₃″=｛4｝	p₃⁰=｛4｝
p₄=∅	—	—	—	p₄′=∅	p₄″=∅	p₄⁰=∅
p₅=｛6｝	596	54.08	99.00	p₅′=｛6｝	p₅″=｛6｝	p₅⁰=｛6｝
p₆=｛7｝	358	31.51	29.37	p₆′=｛7｝	p₆″=｛7｝	p₆⁰=｛7｝
p₇=｛8｝	27	2.21	2.15	p₇′=∅	p₇″=∅	p₇⁰=∅
p₈=∅	—	—	—	p₈′=∅	p₈″=∅	p⁸⁰=∅
p₉=｛10，11｝	1 316	90.20	100.00	p₉′=｛10，11｝	p₉″=｛10｝	p₉⁰=｛10｝
p₉=｛10，11｝	334	22.89	55.48	p₉′=｛10，11｝	p₉″=｛10｝	p₉⁰=｛10｝
p₁₀=｛11｝	243	18.47	40.37	p₁₀′=｛11｝	p₁₀″=∅	p₁₀⁰=∅
p₁₁=∅	—	—	—	p₁₁′=∅	p₁₁″=∅	p₁₁⁰=∅

表3 关联树

Table 3 Association tree

主结点	分支1	分支2	分支3	关联树	总数据库
p₁⁰=｛2，3，4｝	p₁⁰=｛2｝	p₂⁰=∅	—		3，4，5，6，7，8，9，10，11
p₁⁰=｛2，3，4｝	p₁⁰=｛3｝	p₃⁰=｛4｝	p₄°=∅		5，6，7，8，9，10，11
p₅⁰=｛6｝	p₆⁰=｛7｝	p₇⁰=∅	—		8，9，10，11
p₈⁰=∅	—			-	9，10，11
p₉⁰=｛10｝	p₁₀⁰=∅	—			11
p₁₁⁰=∅	—			-	—

图5 航线图1

Fig. 5 Route map 1

图6 航迹图2

Fig. 6 Route map 2

参考文献 16

1	康维维. 电子目标关联关系的综合分析方法初探［J］. 中国设备工程， 2022（4）： 223-224.
	KANG Weiwei. A Preliminary Study on the Comprehensive Analysis Method of Electronic Target Correlation［J］. China Plant Engineering， 2022（4）： 223-224.
2	张顺，方欢. 基于活动的行为关系与关联时间的多视角迹聚类方法［J］. 计算机应用研究， 2023， 40（2）： 450-455， 462.
	ZHANG Shun， FANG Huan. Multi-perspective Trace Clustering Method Based on Activity Behavior Relation and Association Time［J］. Application Research of Computers， 2023， 40（2）： 450-455， 462.
3	尹康. 基于LSTM的关联时间序列预测方法研究［D］. 北京：北京交通大学， 2019.
	YIN Kang. Research on LSTM-Based Correlated Time Series Prediction［D］. Beijing： Beijing Jiaotong University， 2019.
4	潘海瑞，路友荣，蔡骞，等. 基于出现-消失时间序列的信号关联［J］. 电讯技术， 2017， 57（2）： 186-190.
	PAN Hairui， LU Yourong， CAI Qian， et al. Signal Association Based on Time Series of Appearance and Disappearance［J］. Telecommunication Engineering， 2017， 57（2）： 186-190.
5	颜博，张佳骥，张鹏. 海空活动目标数据的时序及关联规律挖掘［J］. 无线电工程， 2008， 38（12）： 12-13， 22.
	YAN Bo， ZHANG Jiaji， ZHANG Peng. Mining of Association Rules and Time Sequence Pattern on Ship and Airplane Tracks［J］. Radio Engineering of China， 2008， 38（12）： 12-13， 22.
6	杜永胜. 基于运动特征的视频网络多目标匹配和跟踪方法研究［D］. 成都：电子科技大学， 2016.
	DU Yongsheng. Research on Multiple Targets Matching and Tracking Based on Activity Information for Camera Networks［D］. Chengdu： University of Electronic Science and Technology of China， 2016.
7	梁复台，李宏权，孟庆文，等. 一种空中目标航迹聚类方法研究［J］. 现代防御技术， 2020， 48（1）： 19-25.
	LIANG Futai， LI Hongquan， MENG Qingwen， et al. An Aerial Target Track Clustering Method［J］. Modern Defence Technology， 2020， 48（1）： 19-25.
8	汤景棉，孙合敏，李宏权. 用于空中目标活动规律提取的空间曲线压缩算法［J］. 空军预警学院学报， 2017， 31（1）： 31-35.
	TANG Jingmian， SUN Hemin， LI Hongquan. Space Curve Compression Algorithm to Extract Moving Pattern of Aerial Targets［J］. Journal of Air Force Early Warning Academy， 2017， 31（1）： 31-35.
9	赵秀丽，徐维祥. 一种移动物体时空轨迹聚类的相似性度量方法［J］. 信息与控制， 2012， 41（1）： 63-68.
	ZHAO Xiuli， XU Weixiang. A Similarity Measurement Method for Clustering Spatio-Temporal Trajectories of Moving Objects［J］. Information and Control， 2012， 41（1）： 63-68.
10	赵元棣，田英杰，吴佳馨. 航空器飞行轨迹相似性度量及聚类分析［J］. 中国科技论文， 2020， 15（2）： 249-254.
	ZHAO Yuandi， TIAN Yingjie， WU Jiaxin. Similarity Measurement and Cluster Analysis of Aircraft Flight Trajectory［J］. China Sciencepaper， 2020， 15（2）： 249-254.
11	刘敬一，郭琦，陈金勇，等. 基于改进Frechet距离的海上目标航迹相似性度量方法［J］. 无线电工程， 2022， 52（6）： 1080-1085.
	LIU Jingyi， GUO Qi， CHEN Jinyong， et al. A Method for Measuring the Similarity of Sea Target Trajectory Based on the Improved Frechet Distance［J］. Radio Engineering， 2022， 52（6）： 1080-1085.
12	王培，江南，万幼，等. 应用Hausdorff距离的时空轨迹相似性度量方法［J］. 计算机辅助设计与图形学学报， 2019， 31（4）： 647-658.
	WANG Pei， JIANG Nan， WAN You， et al. Measuring Similarity of Spatio-Temporal Trajectory Using Hausdorff Distance［J］. Journal of Computer-Aided Design & Computer Graphics， 2019， 31（4）： 647-658.
13	徐秋坪，赵锴，屈德涛，等. 基于LCSS的目标航线规律快速匹配方法［J］. 系统工程与电子技术， 2022， 44（4）： 1263-1269.
	XU Qiuping， ZHAO Kai， QU Detao， et al. LCSS-Based Fast Matching Method of Target Trajectory Rule［J］. Systems Engineering and Electronics， 2022， 44（4）： 1263-1269.
14	钱美超，黄琰，章芳，等. 基于DTW算法的台风运动轨迹相似性研究［J］. 电子技术与软件工程， 2022（19）： 230-233.
	QIAN Meichao， HUANG Yan， ZHANG Fang， et al. Study on Typhoon Motion Trajectory Similarity Based on DTW Algorithm［J］. Electronic Technology & Software Engineering， 2022（19）： 230-233.
15	李爽，李然. 基于分段的渔船轨迹相似性度量的研究［J］. 现代电子技术， 2022， 45（9）： 77-82.
	LI Shuang， LI Ran. Study on Segmented Similarity Measures of Fishing Boat Trajectory［J］. Modern Electronics Technique， 2022， 45（9）： 77-82.
16	边文涛. 基于轨迹分段及聚类的GPS轨迹地图匹配方法研究［D］. 西安：西北大学， 2020.
	BIAN Wentao. Map Matching for GPS Trajectories Based on Trajectory Segmentation and Clustering［D］. Xi'an： Northwest University， 2020.

[1]	宋晓程, 冯舒婷, 姜涛, 李陟. 基于PACA的复杂空中目标战术意图识别方法[J]. 现代防御技术, 2024, 52(3): 48-54.
[2]	商城, 徐志明, 张杨, 张楷煜, 吴其华, 朱义奇, 艾小锋. 空中目标动态电磁散射数据仿真系统设计与实现[J]. 现代防御技术, 2024, 52(2): 163-171.
[3]	梁复台, 周焰, 张晨浩, 宋子豪, 赵小瑞. 对抗条件下空中目标威胁评估方法[J]. 现代防御技术, 2024, 52(1): 147-154.
[4]	李喆, 童逸琦, 夏文博, 应宇欣. 一种多源集中式空中目标类型综合识别方法[J]. 现代防御技术, 2023, 51(4): 53-62.
[5]	陈黎, 李芳芳, 邹长虹. 基于动态贝叶斯网络和模板匹配的空中目标意图识别[J]. 现代防御技术, 2023, 51(2): 62-70.
[6]	陈致远, 沈堤, 余付平, 谭芮锶, 杨天雨, 黄益恒. 基于空域协同的空中目标综合识别方法[J]. 现代防御技术, 2022, 50(3): 61-77.
[7]	宋宝军, 冯卉. 基于Vague集加权距离的空中目标类型判别方法[J]. 现代防御技术, 2020, 48(4): 29-33.
[8]	梁复台, 李宏权, 孟庆文, 蔡莉. 一种空中目标航迹聚类方法研究[J]. 现代防御技术, 2020, 48(1): 19-25.
[9]	张兆晨, 钱宁. 面向连通性的空中分层网络中继航线规划方法[J]. 现代防御技术, 2018, 46(1): 100-107.