基于ST DBSCAN的航迹聚类实现
2022年电子技术应用第5期
朱瑜亮
中国电科集团第十研究所，四川 成都610036
摘要： 针对现有飞行目标的航迹聚类算法的不足，提出的一种可对任意形状的航迹聚类，且不需提前划分聚类目标个数，可解决时空域航迹数据的聚类方法。通过航迹信息中的空间坐标以及时间信息，扫描选取航迹数据中的任意未标记点，进行时间域上的邻近点扫描，再对时间邻域内的点进行空间域扫描，通过时空域内邻近点迹的数量将相同目标的航迹形成簇，并通过数据仿真验证本聚类方法的有效性。
中圖分類號： TN95
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212331
中文引用格式： 朱瑜亮. 基于ST DBSCAN的航跡聚類實現[J].電子技術應用，2022，48(5)：125-128.
英文引用格式： Zhu Yuliang. Implementation of track clustering based on ST DBSCAN[J]. Application of Electronic Technique，2022，48(5)：125-128.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212331
中文引用格式： 朱瑜亮. 基于ST DBSCAN的航跡聚類實現[J].電子技術應用，2022，48(5)：125-128.
英文引用格式： Zhu Yuliang. Implementation of track clustering based on ST DBSCAN[J]. Application of Electronic Technique，2022，48(5)：125-128.
Implementation of track clustering based on ST DBSCAN
Zhu Yuliang
The 10th Research Institute of CETC，Chengdu 610036，China
Abstract： Aiming at the shortcomings of existing track clustering algorithms for flying targets, a clustering method for track data in space-time domain is proposed, which can cluster tracks of arbitrary shape without dividing the number of clustering targets in advance. Through the spatial coordinates and time information in the track information,it scans and selects any unmarked points in the track data, scan the proximity points in the time domain, and then scans the points in the time neighborhood in the space domain. Cluster the tracks of the same target through the number of proximity points in the space-time domain, and verify the effectiveness of this clustering method through data simulation.
Key words : air target；track clustering；ST DBSCAN；simulation；clustering parameters
0 引言
航跡聚類是航跡數據分析中的一個重點，通過對記錄或實時的航跡數據的聚類分析，可以獲得不同空中目標的飛行路徑、飛行范圍、飛行特征等信息，幫助指揮人員了解空中目標態勢，對空情進行指揮或事后研究分析。
以往傳統航跡聚類方法，有可以對空間中K個點為中心進行聚類，對最靠近中心點的對象歸類，并迭代中心點位置的K-means算法。K-means算法可對圓形或球狀的聚類數據進行處理，但無法處理任意形狀的數據簇聚類，且需要事先人工設置聚類類別數K，聚類結果也受起始中心點設置的影響。
也有基于網格的移動對象處理算法，將時空域劃分為網格，把航跡數據點劃分到不同網格內可解決航跡點本身的定位誤差，再將鄰域密度高于門限的網格連接成簇進行聚類。但對密度不均勻、密度差異大的數據集聚類效果不好，門限參數不好選取，且不能處理空域數據的聚類。
還有基于空間密度的聚類算法DBSCAN，通過統計點跡數據集內任意點鄰域內鄰近點的數量，不斷向鄰域擴張聚合為簇，直到遍歷所有點完成聚類。同樣可發現任意形狀的數據聚類，但對密度不均勻、密度差異大的數據集聚類效果不好，且不能處理時空域數據的聚類。
本文使用基于ST DBSCAN的航跡聚類，既符合DBSCAN聚類算法的特點和優點又增加了從時間域對目標數據集的掃描。
本文詳細內容請下載：http://www.tom3567.com/resource/share/2000004291。
作者信息：
朱瑜亮
(中國電科集團第十研究所，四川 成都610036)
此內容為AET網站原創，未經授權禁止轉載。