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。
中图分类号： TN95
文献标识码： A
DOI：10.16157/j.issn.0258-7998.212331
中文引用格式： 朱瑜亮. 基于ST DBSCAN的航迹聚类实现[J].电子技术应用，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.
文献标识码： A
DOI：10.16157/j.issn.0258-7998.212331
中文引用格式： 朱瑜亮. 基于ST DBSCAN的航迹聚类实现[J].电子技术应用，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
航迹聚类是航迹数据分析中的一个重点，通过对记录或实时的航迹数据的聚类分析，可以获得不同空中目标的飞行路径、飞行范围、飞行特征等信息，帮助指挥人员了解空中目标态势，对空情进行指挥或事后研究分析。
以往传统航迹聚类方法，有可以对空间中K个点为中心进行聚类，对最靠近中心点的对象归类，并迭代中心点位置的K-means算法。K-means算法可对圆形或球状的聚类数据进行处理，但无法处理任意形状的数据簇聚类，且需要事先人工设置聚类类别数K，聚类结果也受起始中心点设置的影响。
也有基于网格的移动对象处理算法，将时空域划分为网格，把航迹数据点划分到不同网格内可解决航迹点本身的定位误差，再将邻域密度高于门限的网格连接成簇进行聚类。但对密度不均匀、密度差异大的数据集聚类效果不好，门限参数不好选取，且不能处理空域数据的聚类。
还有基于空间密度的聚类算法DBSCAN，通过统计点迹数据集内任意点邻域内邻近点的数量，不断向邻域扩张聚合为簇，直到遍历所有点完成聚类。同样可发现任意形状的数据聚类，但对密度不均匀、密度差异大的数据集聚类效果不好，且不能处理时空域数据的聚类。
本文使用基于ST DBSCAN的航迹聚类，既符合DBSCAN聚类算法的特点和优点又增加了从时间域对目标数据集的扫描。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004291。
作者信息：
朱瑜亮
(中国电科集团第十研究所，四川 成都610036)
此内容为AET网站原创，未经授权禁止转载。