基于多维特征的战场实体目标分群方法

李雪腾，朱璐瑛，林雪原，王海鹏，谭海琪

(1.中国人民解放军91827部队，山东 威海 264200；2. 烟台南山学院电气与电子工程系，山东 烟台 265713；3.海军航空大学，山东 烟台 264001)

0 引言

在战场上，敌我双方的兵力都是按一定规则部署和聚集的，因此，将整个战场的武器平台以群的形式合成多个态势元素，可以较好地反映客观实际情况，为指挥员提供简单明了的战场视图。群的基本思想是对有用数据进行分组，将具有相同或相似性质的数据划分成一个集合[1]。群从低到高分为4个层次，即空间群、功能群、相互作用群以及敌、我和中立方群[2]。而空间群是其他三种群形成的基础，功能群、相互作用群以及敌、我和中立方群可以为指挥员对战场态势进行判断提供依据。

现有的目标分群方法大多是利用聚类算法进行战场实体目标的分群处理，例如文献[3]分析了目标的运动状态、位置和属性对分群结果的影响，建立了目标相似度计算模型，进而提出了分群策略。文献[4]对目标分群问题进行了形式化描述，设计了适当的目标间距离度量标准，进而提出了一种基于 Louvain 算法的多目标层次化分群方法。文献[5]通过计算目标间的相似度值并获取群中心结构和孤立目标点，进而提出了一种基于目标特征相似度聚类的分群方法。上述研究虽然在目标分群中进行了积极的探索，但极少考虑进行战场态势分析所需的目标速度、航向、属性和类型等多维特征，且在进行分群处理时，往往会忽略聚类结果中的噪声点[6-7]，而这些噪声点目标极有可能是影响战场态势的关键性因素。

针对该问题，本文根据海战场态势分析需求，综合利用分类与聚类两种方法，提出了一种基于多维特征[8-9]的战场实体目标分群方法。该方法基于密度聚类算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)的思想，对战场实体目标进行空间群的划分，再根据目标航迹数据的多维度属性标签，采用分类分析[10-11]的方法对其进行功能群、相互作用群与敌、我和中立方群的划分，综合实现战场实体目标的实时分群处理，为后续进行战场态势分析和指挥员决策奠定坚实基础。

1 海上目标多维航迹数据

目标航迹通常是由多维航迹数据点组成的序列，包括时间、位置、速度、航向、敌我属性、类型和威胁值等信息。设目标海域内的航迹样本数据集为

TR={TR1,TR2,…,TRi,…,TRn}

(1)

其中，TR为全部航迹样本集合；i∈[1,n]为样本编号；n为样本数据集总数。每条目标航迹TRi(i=1,2,…,n)中含有m个按时间顺序排列的多维数据点，即

TRi=

{TRi(1),TRi(2),…,TRi(j),…,TRi(m)}

(2)

其中，TRi(j)为第i条航迹样本中的第j个多维航迹数据点；j∈[1,m]为航迹数据点编号；m为该航迹样本中的数据点总数。每个航迹数据点TRi(j)中包含时间、位置、速度、加速度、航向、敌我属性、类型和威胁值等q个多维特征，可表示为

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

(3)

2 战场实体目标分群方法

2.1 方法概述

针对海上复杂环境下的目标分群问题，本文提出的战场实体目标分群方法包括以下4个阶段。

2.1.1 空间群的划分

空间群是指在空间上目标的集合，也就是将敌我属性相同、空间位置相近且行为规律(速度、航向)相似的目标集合在一起，其分类结果反映了目标的空间位置特征。

空间群的形成主要取决于目标之间的相互距离、属性和行为信息。给定2条目标航迹TRA、TRB，取j∈[1,m]时刻对应的2个目标航迹数据点PA、PB，即PA=TRA(j)、PB=TRB(j)。首先分析当前战场环境下目标航迹的多维属性特征，分配适合的属性权重；然后计算PA、PB间的多维度欧式距离mfdist(PA,PB)，作为目标航迹间的多维度相似性度量。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两点位置特征的欧式距离；vPA与vPB、θPA与θPB分别表示PA、PB两点的速度大小和航向大小；wd、wv、wθ分别表示位置、速度和航向特征的权重因子，各属性权重的取值取决于多因素距离的应用场景，且满足wd+wv+wθ=1；aPA、aPB表示PA、PB两点的敌我属性值，f(aPA,aPB)用于判断PA、PB两点的敌我属性是否相同，若相同，则f(aPA,aPB)=1，否则，f(aPA,aPB)=∞。

然后，输入邻域参数ε和最小近邻点数量MinPts，基于定义的多因素欧式距离，对目标航迹数据点进行DBSCAN密度聚类[12]，完成战场实体目标空间群的划分。需注意，针对聚类处理后输出的噪声点，要进一步分析其类型type和属性attribute特征，若该目标是作战相关目标，则将其看作是只具有单元素的特殊群。

2.1.2 功能群的划分

功能群是将功能相同的目标组合在一起，使得一个功能群中的所有目标实体具有相同或相似的功能特性。功能群分群建立在目标识别的基础上，只有正确识别目标的类型，才能确定目标的功能，并建立功能群；当不能正确识别目标类型时，可以利用空间群来建立功能群，此时功能群等同于空间群。

有关功能群的划分有两种不同的理解方式：1)功能群的分群是建立在目标识别的基础上，把空间群中类型相同的目标组合在一起；2)功能群中所有目标实体都具有相同或相似的功能特征，应是空间群中执行相同作战任务、实现相同功能的目标的集合，这些目标可能属于同一空间群，也可能属于邻近的多个空间群。第一种观点是根据目标的类型特征，较为客观地进行功能群的划分，且可以实现对功能群的实时分群，称其为狭义功能群；第二种观点需要基于一定的战术战法和作战条令知识，结合目标的历史轨迹及人的主观经验，综合评判哪些目标属于同一功能群，故不能实现功能群的实时分群处理，称其为广义功能群。本文所提的目标分群方法着重考虑狭义功能群的分群。

在已分群的空间群基础上，采用分类算法，根据目标的类型type特征，将一个空间群划分为多个狭义功能群，使空间群中目标类型一致的数据点组合在一起，然后结合目标航迹的历史行为规律和专家经验、指挥员决策等主观行为，将执行同一作战任务的一个或多个狭义功能群合并为广义功能群。

2.1.3 相互作用群的划分

相互作用群的形成是为了说明战术上相关的功能群，主要包括两个重要类型：防御群和攻击群[13]。

(1)防御群

防御群主要用于表示友方/敌方兵力使用的防御掩护屏，如反潜掩护屏、防空掩护屏、反舰掩护屏、电子监视掩护屏和近程防御掩护屏等。其中，航母、驱逐舰、护卫舰等大中型水面舰艇可拥有所有这五种掩护屏，补给舰、修理舰和运输船等小型水面舰艇一般拥有近程防御掩护屏、电子监视掩护屏等两三种掩护屏，而直升机只有反潜掩护屏。因此，参照各类型海战武器的配置性能，根据其拥有防御掩护屏的数量和性能，将防御群按防御等级分为四类。其中，一级防御群拥有防御掩护屏的数量最多、性能最好，防御能力最强；四级防御群拥有防御掩护屏的数量最少、性能较一般，防御能力较差。

针对防御群的分群问题，本文在已分群的狭义功能群的基础上，采用分类算法，根据功能群中目标的类型type特征，将一个或多个防御等级相同的功能群合并为一个防御群。

(2)攻击群

攻击群是考虑空间和功能参数后得到的敌我双方兵力部署的子集。针对我方作战目标，所有目标的兵力部署和作战任务为已知，故我方目标的攻击属性是已知的，若我方某目标执行攻击任务，则其攻击属性值为1；否则，其攻击属性值为0。针对敌方和中立方目标，需要基于已获取的目标行为和属性特征，通过计算距离参数和距离差因子等，综合评判敌方或中立方目标的攻击属性。

在明确目标攻击属性attack的过程中，涉及以下相关概念[14-15]：1)威胁值(threat)：若敌方目标群对我方受保护目标群不具有进攻性或无进攻能力，则取threat=0；若敌方目标群对我方受保护目标群具有威胁性或有进攻能力，取0

综合上述相关参数的定义，获取目标的攻击属性，在已分群的狭义功能群的基础上，采用分类算法，根据功能群中目标的攻击属性attack特征，将一个或多个功能群合并为攻击群。

2.1.4 敌、我和中立方群的划分

敌、我和中立方群分别是指由敌方所有相互作用群组成的敌方群、我方所有相互作用群组成的我方群以及中立方所有相互作用群组成的中立方群，用于描述更高层次的敌方/我方战术态势。

针对敌、我和中立方群的分群问题，在已分群的相互作用群的基础上，采用分类算法，根据相互作用群中目标的敌我属性attribute特征，将一个或多个相互作用群进一步合并为敌、我和中立方群。

2.2 算法流程

综上所述，战场实体目标分群流程如图1所示。

图1 战场实体目标分群流程

所提算法的伪代码如算法1所示。

算法1: 战场实体目标分群算法

续表

3 实验验证分析

为了验证本文提出的战场实体目标分群方法性能，在一个军用场景的数据集上进行仿真实验并对结果进行分析，通过仿真的多维航迹数据模拟战场目标的活动情况，对目标航迹数据进行处理。

3.1 数据集

假设某日12时至18时、某宽阔海域450n mile×300n mile的区域进行战场环境仿真。海上作战态势实时仿真数据集包括8个固定岛群共69个固定目标岛屿、6个海上漂浮物、我方5个作战编队共113条目标船只和2架舰载机、敌方3个作战编队共43条目标船只、中立方1个防御编队共6条目标船只以及10条民用船只，共249个海上目标的航迹数据。假设每1min更新一次战场态势信息，则每条目标航迹数据均由360个数据点组成。每条目标航迹数据在三维位置信息的基础上，结合现代海战场实际，人为添加了目标的日期、初始速度/加速度信息、敌我属性信息、类型信息、威胁值和攻击属性等多维信息，计算得出目标航迹的速度、位置和航向特征，共同构造出一个249×16×360的多维目标航迹实时仿真数据集，如图2所示。

(a) 三维分布图

3.2 实验分析

以图2所示仿真数据集为基础。为了验证全部实体目标的分群效果，选择包含水面舰艇目标和空中舰载机目标的第270个更新时刻场景，该时刻的目标分群结果如图3所示。

3.2.1 空间群的划分

取ε=5,MinPts=3,基于多因素欧式距离，对图3所示全部目标航迹数据点进行DBSCAN密度聚类，输出的空间群分群结果如图4所示。

(a) 三维分布图

(a) 三维分布图

通过计算召回率R(Recall)和准确率P(Precision)对战场实体目标空间群分群效果进行评估。召回率R是指被正确分群的目标数量与全部战场实体目标数量的百分比，而准确率P是指被正确分群的目标数量与所有被分群的目标数量的百分比。据此，绘制出召回率和准确率随参数ε(即Eps)和MinPts的取值变化曲线，如图5所示。

(a) 召回率和准确率随ε变化的曲线

从图5可以看出，召回率和准确率的变化曲线完全重叠，故全部战场实体目标都能实现空间群的分群处理。由图5(a)可得，当参数MinPts一定时，若取ε=1，只有极少的目标能被正确分群；若取2≤ε≤4，大部分的目标都能被正确分群；若取ε≥5，全部目标都能被正确分群。由图5(b)可得，当参数ε一定时，若取1≤MinPts≤3，全部目标都能被正确分群；若取MinPts≥4，只有部分的目标能被正确分群。

3.2.2 功能群的划分

基于图4所示的目标空间群集合，采用分类算法，根据目标航迹的类型特征，实现狭义功能群的划分，输出功能群分群结果如图6所示。

(a) 三维分布图

3.2.3 相互作用群的划分

基于图6所示的目标功能群集合，采用分类算法，根据目标航迹数据点的类型特征，将一个或多个防御等级相同的功能群合并为防御群；根据目标的攻击属性特征，将一个或多个执行攻击任务的功能群合并为攻击群，综合实现相互作用群的分群处理，输出相互作用群分群结果如图7所示。

(a) 三维分布图

其中，“result 1”、“result 2”分别表示当前时刻全部目标的攻击群分群结果和防御群分群结果。

3.2.4 敌、我和中立方群的划分

基于图7所示的目标相互作用群集合，采用分类算法，根据目标的敌我属性特征，将一个或多个敌我属性相同的相互作用群集合在一起。这样就实现了敌、我和中立方群的划分，输出敌、我和中立方群分群结果如图8所示。

从图4～图8所示的目标分群结果可以看出，本文方法可以高效、准确地实现各类群的实时划分。特别是针对飞机目标航迹数据点，由于本实验中取MinPts=3，即经聚类算法分类的空间群中至少存在3个目标航迹数据点，可知聚类算法直接输出的结果中，2个飞机目标航迹数据点被判定为噪声点，而本文方法仍可以正确识别被判为噪声点的实体目标，将其看作是只具有单元素的特殊群。

(a) 三维分布图

4 结论

本文针对海上态势生成需求，基于定义的多维度欧式距离，结合分类与DBSCAN密度聚类两种分析方法，设计了一种战场实体目标分群方法，并在仿真军事场景上进行了实验分析验证。结果表明：

1)该方法能够根据战场态势表示的需求，结合目标的位置、速度、航向、敌我属性和类型等多维特征，高效、准确地完成空间群、功能群、相互作用群与敌、我和中立方群的实时划分，简化战场情况，为指挥员提供简单明了的战场视图；

2)可以正确识别常易被忽视的噪声点目标，将其看作是只具有单元素的特殊群，这些噪声点目标极有可能是影响战场态势的关键性因素，作为指挥员进行战术战略决策的重要依据。

但由于模拟实际海战场环境，仿真实验数据较为庞大，计算时间略长，下步计划结合人工智能技术进一步优化聚类算法以改进计算速度。