摘要：目标分群是海上态势生成中态势估计的核心问题之一,针对已有的海战场中目标分群算法的不足,提出了一种基于Louvain算法的多目标层次化分群方法。文中对目标分群问题进行了形式化描述,分析了在执行不同层次分群操作时所应考虑的因素,设计了适当的目标间距离度量标准,给出了层次化分群算法的理论方法及实现流程,并对群参数的更新方法进行了详细说明。最后,通过仿真实验对方法的有效性进行了验证。

摘要：为了快速、准确、有效地实现目标分群,提出了一种基于改进标签传播算法的目标分群方法.基于观察-判断-决策-行动(Observe-Orient-Decide-Act,OODA)循环理论的思想设计了目标节点重要度,以此确定目标节点更新顺序,提高分群结果的稳定性.根据节点之间空间距离相似度、网络结构相似度以及节点重要度形成标签影响力值,以此更新目标节点标签,提高分群结果的准确性.以防空体系网络为例进行仿真实验,验证了该方法的有效性.

摘要：作战体系中目标分群在信息化战争中具有重要意义,能有效提升战场态势分析的输出,提高指挥人员的决策效率和质量。利用复杂网络基本特征量对网络进行定量描述,针对作战目标个体属性数据的多源性和异质性,分数值型属性和分类属性构建了有效的数据预处理算法,设计出融合作战目标的个体属性以及网络邻接关系的相似度模型和基于K-prototype的作战目标分群算法。实验结果表明基于复杂网络模块度的K-prototype算法结果优于现有的HSAPOTDG和GAPOTDG算法。

摘要：针对态势估计中的目标分群问题,分析了目标的位置、运动状态和属性对分群结果的影响,建立了目标相似度计算模型,并提出了分群策略,包括群的形成、分裂和合并等。采用面向对象软件设计思想建立了分群对象模型,分析了对象间关系。给出了分群算法的主体流程,并对其中的关键步骤进行了详细的说明。开发了目标分群算法模块,实现了对数据的预处理、目标群的更新维护、群属性的计算等功能,通过仿真试验,调整目标分群影响因子及加权因子,得到了较好的分群效果,验证了文中方法的可行性和正确性。

摘要：目前对于雷达探测的目标分群问题,在技术实现上仍然存在操作效率低、分群正确性得不到保证、适用性不强等不足,对此,本文提出了一种基于相似度矩阵的目标分群算法,该算法具有过程易于实现、分群效率高、正确率高、适用性强等优点,算法根据雷达探测目标的分布特点,定义了目标属性间的相似度计算方法,构建相似度矩阵,通过设计行列变换准则和判定准则来实现矩阵目标分群,并设计了维护规则来实现在群结构发生变化的情况下对编群结构进行动态维护,最后在此基础上,通过一个典型实例采用SPSS数学工具验证了算法的正确性、有效性与适用性。

摘要：随着大量战场观测传感器的应用,输入指挥控制系统的战场目标数据呈现激增的趋势,目标信息数据规模大、维度高、结构复杂等问题给目标分群技术带来了全新的挑战。然而,采用传统的聚类方法已经无法对高维的战场目标数据进行有效分群。针对当前目标分群技术的困境,提出了一种基于深度学习的智能目标分群技术,构建了基于深度堆栈自编码网络的目标分群模型,分别将k-means和GMM嵌入到目标分群模型中,提出了DAE-k和DAE-G两种基于深度学习的智能目标分群算法。通过设计智能目标分群技术的验证实验,建立目标分群效果的评价指标,验证了两种目标分群算法的有效性和适用性,并分析得出两种目标分群算法在处理不同数据类型过程中的优劣性。基于深度学习的智能目标分群技术研究能够使指挥控制系统对大规模高维数据的处理更加高效、智能,同时也为指挥控制系统的智能化建设提供了技术支撑。

摘要：陆战场上的多个机动兵力集群在某些情况下可能出现队形相互交错的情况,运用传统的基于实体空间信息的聚类算法(如K-means算法)进行实体目标分群时效果不理想。通过对实体空间信息进行分析与处理,提出了一种基于改进的K-means算法的陆战场机动目标分群方法,重新设计了用于K-means算法的距离度量函数,引入模块度的概念,实现了k值的自适应选取,通过实验验证了该方法对呈较复杂分布的陆战场机动目标进行分群的合理性。

摘要：针对战场态势估计问题中的目标分群和规划识别问题进行研究。在目标分群问题的研究中,提出一种二次分群算法。首先利用最近邻法进行聚类,然后采用基于模板匹配的方法进行初次分群,考虑到其无法应对空间位置有重叠的情况,结合信代价及初次分群属性沿用模板匹配的思想进行二次分群;在规划识别问题的研究中,提出一种基于贝叶斯网络的规划识别算法,为了获取顶层规划任务并求得概率,构建贝叶斯网络,将当前获得的事件与网络库进行匹配,实现对敌方的规划识别。针对以上两种算法,设计了符合战场情景的仿真环境,通过仿真验证了所提出的二次分群算法相较于初次分群识别准确率提高了26.7%,规划识别算法准确率达98.04%。最后,对所做工作进行了总结并对未来可能的改进方向进行分析。

摘要：面对未来作战中高密度、多方位的集群智能体,传统点对点饱和攻击已不是最佳策略,可通过选择合适的武器类型和作用点实现火力覆盖,达到武器数量小于目标数量的最大杀伤效果。综合考虑安全目标、毁伤门限、偏好指派等作战需求,首先,建立了多约束多目标武器-目标分配(CMWTA)数学模型;其次,设计了约束违反值的计算方法,并采用个体编码、检测修复和约束支配相结合的方式处理多约束;最后,设计了针对多目标武器-目标分配模型的收敛性度量指标,并基于多目标进化算法(MOEA)框架进行了仿真分析。其中在进化算法框架对比中,SPEA2下的Pareto集合容量主要分布于[21,25]区间内,NSGA-Ⅱ下的Pareto集合容量主要分布于[16,20],而MOEA/D下的Pareto集合容量均小于16;在修复算法验证中,修复算法将三种进化算法框架的Convergence指标提升了20%以上,且可将Pareto解集中不可行解的比例保持在0%。实验结果表明,在求解CMWTA模型中,SPEA2算法框架在分布性和收敛性上优于NSGA-Ⅱ和MOEA/D算法框架,且所提修复算法有效地提高了进化算法对非支配可行解的求解效率。