时空轨迹多维特征融合的行为规律挖掘算法

在预警监视系统中，利用数据挖掘技术可以从海量的目标时空轨迹数据中挖掘出目标的行为规律，实现态势信息的智能感知。目前大部分行为规律挖掘方法仅考虑目标轨迹的空间位置信息，忽略了航向和速度信息，因此难以区分空间位置相似但运动速度和方向不同的行为。除此之外，轨迹聚类算法普遍存在参数设置复杂的问题，而且容易受到轨迹行为分布密度的影响。针对上述问题，首先，通过构造时间滑窗定义了时空Hausdorff距离，可度量时空轨迹多维特征差异；其次，结合k最近邻和密度峰值聚类中决策图的思想，提出了时空轨迹多维特征融合的行为规律挖掘算法；最后，使用仿真飞行器轨迹和实测雷达轨迹数据进行实验分析和验证，结果表明在典型应用场景下本文算法可以准确地挖掘出目标所有行为规律，在智能监视任务中具有较好的应用前景。     

基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。