本發(fā)明涉及數(shù)據(jù)挖掘中的在線分類技術(shù)和信息融合中的高層融合技術(shù)，屬于模式識別和智能情報處理領(lǐng)域。

背景技術(shù)：

在預(yù)警監(jiān)視領(lǐng)域，隨著目標(biāo)探測技術(shù)和信息融合技術(shù)的不斷完善，各種各樣的目標(biāo)被檢測、跟蹤和識別，形成不斷更新的目標(biāo)航跡。大量的歷史航跡數(shù)據(jù)在預(yù)警監(jiān)視領(lǐng)域的各種目標(biāo)情報處理系統(tǒng)中存儲和積累。利用數(shù)據(jù)挖掘和軌跡數(shù)據(jù)挖掘中的聚類分析技術(shù)，可以把目標(biāo)航跡分為不同的類別，從而挖掘出目標(biāo)的行為規(guī)律。目標(biāo)的行為模式是指當(dāng)前觀測目標(biāo)屬于的目標(biāo)行為規(guī)律的類別，對于不斷更新的目標(biāo)航跡數(shù)據(jù)，可以利用數(shù)據(jù)挖掘中的在線分類技術(shù)，將當(dāng)前目標(biāo)航跡分到對應(yīng)的類中，實現(xiàn)對目標(biāo)行為模式的在線分類，這對于態(tài)勢評估、威脅估計和指揮決策都具有非常重要的意義。國內(nèi)外很多學(xué)者對軌跡分類問題進(jìn)行了研究，但是現(xiàn)有方法主要考慮了目標(biāo)的位置特征和形狀特征，沒有充分利用目標(biāo)的位置、速度和航向特征，而且現(xiàn)有方法主要用于離線分類，對于情報處理實時性要求很高的預(yù)警監(jiān)視領(lǐng)域是不能適用的。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于多維特征的目標(biāo)行為模式在線分類方法，充分利用目標(biāo)的位置、速度和航向特征，通過對多維航跡數(shù)據(jù)的在線學(xué)習(xí)和序貫分類，實現(xiàn)對目標(biāo)行為模式的在線分類判別。具體包括以下步驟：

步驟一：定義相關(guān)變量：

1)需要考慮的近鄰數(shù)量k；

2)訓(xùn)練航跡數(shù)據(jù)集其中l(wèi)₁+…+l_t+…+l_m＝l，1,2,…,m為訓(xùn)練航跡數(shù)據(jù)集中的航跡對應(yīng)的目標(biāo)的行為模式類別標(biāo)簽，l為訓(xùn)練樣本總數(shù)；

3)多因素定向Hausdorff距離矩陣M1,M2,…,Mm，其中矩陣M1的每個元素M1_i,j:i＝1,…,l₁,j＝1,…,k表示z_1i到樣本集第j近的樣本之間的多因素定向Hausdorff距離，M2,…,Mm中的每個元素同理；

4)空的優(yōu)先序列Q1,…,Qt,…,Qm；

5)測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,…,L∧j≠i，x_j為多維航跡點；

6)距離向量(m₁,…,m_l)，其中m_i:i＝1,…,l表示z_l+1到z_i的多因素定向Hausdorff距離：

7)距離向量(m'₁,…,m'_l)，其中m'_i:i＝1,…,l表示z_i到z_l+1的多因素定向Hausdorff距離：

8)類別指示變量其中為對子航跡在線分類得出的類別，為對航跡{x₁∪x₂∪…∪x_L}＝z_l+1在線分類得出的類別；

步驟二：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓(xùn)練航跡數(shù)據(jù)集中的z_1i:i＝1,…,l₁重復(fù)進(jìn)行如下分類過程：

1)計算多因素定向Hausdorff距離矩陣M1_i,1,...,M1_i,k-1的和，并對距離m_i賦零初值；

2)根據(jù)多因素定向Hausdorff距離的定義對m_i的取值進(jìn)行更新；

3)對Q1內(nèi)的元素進(jìn)行更新；

4)根據(jù)多因素定向Hausdorff距離的定義對m'_i的取值進(jìn)行更新；

5)根據(jù)距離m'_i與距離M1_i,k的取值大小，對不一致度量α_1i的取值進(jìn)行更新；

6)從Q1中提取當(dāng)前的k個距離值，并通過對這k個距離值的求和對不一致度量的取值進(jìn)行更新；

7)計算的取值；

步驟三：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓(xùn)練航跡數(shù)據(jù)集中的z_ti:i＝1,…,l_t，2≤t≤m，用Mt替換M1，用Qt替換Q1，重復(fù)進(jìn)行如步驟二所示的分類過程，計算的取值；

步驟四：比較的大小，選出最大的p值則當(dāng)前子航跡{x₁∪…∪x_j}對應(yīng)的目標(biāo)行為模式類別為c，即：

步驟五：當(dāng)測試航跡z_l+1的每個子航跡{x₁∪…∪x_j}，j＝1,…,L對應(yīng)的目標(biāo)行為模式都分類完成后，輸出類別指示變量和距離向量，查找最多的子航跡段對應(yīng)的類別c，將z_l+1添加到該類別對應(yīng)的訓(xùn)練航跡數(shù)據(jù)集中，組成新的訓(xùn)練航跡數(shù)據(jù)集

步驟六：對多因素定向Hausdorff距離矩陣Mc進(jìn)行更新；

步驟七：用更新后的訓(xùn)練航跡數(shù)據(jù)集和更新后的多因素定向Hausdorff距離矩陣Mc代替原來的和Mc，對測試航跡z_l+2對應(yīng)的目標(biāo)行為模式進(jìn)行在線分類。

本發(fā)明的有益效果在于：本發(fā)明提供的一種基于多維特征的目標(biāo)行為模式在分類方法，綜合利用了目標(biāo)的位置、速度和航向特征，并且具有參數(shù)設(shè)置簡單、準(zhǔn)確率高、能夠在線分類的優(yōu)點，能夠?qū)崿F(xiàn)對預(yù)警監(jiān)視領(lǐng)域目行為模式的在線分類判別。

附圖說明

附圖1是本發(fā)明所述的基于多維特征的目標(biāo)行為模式在線分類方法的整體流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的實施方式加以詳細(xì)說明。

步驟一：定義相關(guān)變量：

1)需要考慮的近鄰數(shù)量k；

2)訓(xùn)練航跡數(shù)據(jù)集其中l(wèi)₁+…+l_t+…+l_m＝l，1,2,…,m為訓(xùn)練航跡數(shù)據(jù)集中的航跡對應(yīng)的目標(biāo)的行為模式類別標(biāo)簽，l為訓(xùn)練樣本總數(shù)；

3)多因素定向Hausdorff距離矩陣M1,M2,…,Mm，其中矩陣M1的每個元素M1_i,j:i＝1,…,l₁,j＝1,…,k表示z_1i到樣本集第j近的樣本之間的多因素定向Hausdorff距離，M2,…,Mm中的每個元素同理，多因素定向Hausdorff距離的具體定義如下：

(1)考慮兩個目標(biāo)的位置特征、速度特征和航向特征，兩個目標(biāo)點a、b之間的多因素距離定義為：

mfdist(a,b)＝w_d·dist(a,b)+w_v·dist(v_a,v_b)+w_θ·dist(θ_a,θ_b) (1)

其中v_a，v_b表示點a與點b的速度，θ_a，θ_b表示點a與點b的航向，dist(a,b)表示點a與點b之間位置特征的歐式距離，dist(v_a,v_b)表示點a與點b之間速度特征的歐式距離，dist(θ_a,θ_b)表示點a與點b之間航向特征的歐式距離，w_d表示位置特征的權(quán)重因子，w_v表示速度特征的權(quán)重因子，w_θ表示航向特征的權(quán)重因子，權(quán)重因子的取值取決于多因素距離的應(yīng)用場景；

(2)基于兩個目標(biāo)點之間的多因素距離mfdist(a,b)，目標(biāo)航跡A到目標(biāo)航跡B的多因素定向Hausdorff距離定義為:

$\stackrel{\→}{{\mathrm{\δ}}_M}(A,B)=\underset{a\∈A}{\max }\left\{\underset{b\∈B}{\min }\right\{mfdist(a,b)\left\}\right\}---\left(2\right)$

A與B為兩條目標(biāo)航跡；

4)空的優(yōu)先序列Q1,…,Qt,…,Qm；

5)測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,…,L∧j≠i，x_j為多維航跡點；

6)距離向量(m₁,…,m_l)，其中m_i:i＝1,…,l表示z_l+1到z_i的多因素定向Hausdorff距離：

7)距離向量(m'₁,…,m'_l)，其中m'_i:i＝1,…,l表示z_i到z_l+1的多因素定向Hausdorff距離：

8)類別指示變量其中為對子航跡在線分類得出的類別，為對航跡{x₁∪x₂∪…∪x_L}＝z_l+1在線分類得出的類別；

步驟二：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓(xùn)練航跡數(shù)據(jù)集中的z_1i:i＝1,…,l₁重復(fù)進(jìn)行如下分類過程：

1)計算距離矩陣M1_i,1,...,M1_i,k-1的和并對距離m_i賦零初值m_i＝0；

2)根據(jù)多因素定向Hausdorff距離的定義，對m_i的取值進(jìn)行更新：

$m_i=max\{\stackrel{\→}{{\mathrm{\δ}}_M}(x_j,z_{1i}),m_i\}---\left(3\right)$

3)對Q1內(nèi)的元素進(jìn)行更新：

如果Q1內(nèi)的元素個數(shù)小于近鄰數(shù)量k，則將當(dāng)前的m_i取值插入到Q1中；如果Q1內(nèi)存有k個距離值，并且當(dāng)前的m_i小于Q1中的最大距離值，則刪除Q1中的最大距離值，將當(dāng)前m_i取值插入到Q1中；

4)根據(jù)多因素定向Hausdorff距離的定義，對m'_i的取值進(jìn)行更新：

${m^{\′}}_i=\stackrel{\→}{{\mathrm{\δ}}_M}(z_{1i},\{x_1\∪...\∪x_j\left\}\right)---\left(4\right)$

5)根據(jù)距離m'_i與距離M1_i,k的取值大小，對不一致度量α_1i的取值進(jìn)行更新：

如果：m'_i＜M1_i,k，

α_1i＝v_i+m'_i (5)

否則，

α_1i＝v_i+M1_i,k (6)

α_i的具體定義為：給定一個樣本序列{z₁,...,z_n}，代表空間R^d中的一個非空點集，樣本z_i到集合{z₁,...,z_n}\z_i的多因素不一致度量α_i可以定義為：

${\mathrm{\α}}_i=\underset{j=1}{\overset{k}{\Σ}}\stackrel{\→}{{\mathrm{\δ}}_M}(z_i,NN(z_i,\{z_1,\mathrm{...},z_n\}\backslash z_i,j\left)\right)---\left(7\right)$

其中NN(z_i,{z₁,...,z_n}\z_i,j)∈{z₁,...,z_n}\z_i表示根據(jù)定義的多因素定向Hausdorff距離計算得出的距離z_i第j近的樣本；

6)從Q1中提取當(dāng)前的k個距離值，對不一致度量的取值進(jìn)行更新：

${\mathrm{\α}}_{1(l_1+1)}=sum\{m_1^{*},\mathrm{...},m_k^{*}\}---\left(8\right)$

7)計算取值：

$p_{1(l_1+1)}=\frac{\left|\right\{i=1,...,l_1+1:{\mathrm{\α}}_{1i}\≥{\mathrm{\α}}_{1(l_1+1)}\left\}\right|}{l_1+1}---\left(9\right)$

表示集合中元素的數(shù)量。

步驟三：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓(xùn)練航跡數(shù)據(jù)集2≤t≤m中的z_ti:i＝1,…,l_t，用Mt替換M1，用Qt替換Q1，重復(fù)進(jìn)行如步驟二所示的分類過程，計算的取值；

步驟四：比較的大小，選出最大的p值則當(dāng)前子航跡{x₁∪…∪x_j}對應(yīng)的目標(biāo)行為模式類別為c，即：

步驟五：當(dāng)測試航跡z_l+1的每個子航跡{x₁∪…∪x_j}，j＝1,…,L對應(yīng)的目標(biāo)行為模式都分類完成后，輸出類別指示變量和距離向量，查找最多的多維航跡點對應(yīng)的類別c，將z_l+1添加到該類別對應(yīng)的訓(xùn)練航跡數(shù)據(jù)集中，組成新的訓(xùn)練航跡數(shù)據(jù)集

步驟六：對多因素定向Hausdorff距離矩陣Mc進(jìn)行更新：

1)多因素定向Hausdorff距離矩陣Mc的第1行到第l_c行，根據(jù)距離向量(m'₁,…,m'_lc)進(jìn)行更新；

2)將輸出的距離向量作為最后一行增加到多因素定向Hausdorff距離矩陣Mc中。

步驟七：用更新后的訓(xùn)練航跡數(shù)據(jù)集和更新后的多因素定向Hausdorff距離矩陣Mc代替原來的和Mc，對測試航跡z_l+2對應(yīng)的目標(biāo)行為模式進(jìn)行在線分類。