一種基于運動目標的關(guān)聯(lián)規(guī)則分析新方法及其在目標識別中的應(yīng)用

四川九洲電器集團有限責任公司 謝京華

針對運動目標數(shù)據(jù)挖掘過程中對目標的運動趨勢無法充分體現(xiàn)、關(guān)聯(lián)規(guī)則分析出現(xiàn)無效頻繁項集且效率較低的問題，提出一種基于運動目標的關(guān)聯(lián)規(guī)則分析新方法。該方法采用改進的FP_Growth算法同時對當前tn時刻的“靜態(tài)狀態(tài)”數(shù)據(jù)和tn-tn-1的“動態(tài)趨勢”數(shù)據(jù)進行關(guān)聯(lián)規(guī)則分析，可充分、高效、實用、可靠的實現(xiàn)針對運動目標的數(shù)據(jù)挖掘，獲取其目標屬性關(guān)聯(lián)知識，具有時間和空間利用效率更高、所挖掘的知識收斂有效、能充分體現(xiàn)動態(tài)趨勢等特點，對于提升與完善我國國防、民航和通用航空的監(jiān)視手段與策略具有重要的軍事和社會意義。

現(xiàn)代空域管理和監(jiān)視已經(jīng)是一種大范圍、快節(jié)奏的管理和監(jiān)視方式，包括海、陸、空、天多維度的多方平臺。隨著現(xiàn)代空域管理和監(jiān)視過程中傳感器種類的增加以及傳感器能力的提升，管理和監(jiān)視范圍進一步擴大，方式日趨復(fù)雜化，區(qū)域內(nèi)目標的數(shù)據(jù)量和種類也隨之劇增，由此給目標的識別帶來了極大的困難。因此，在復(fù)雜環(huán)境下針對不同飛行任務(wù)、不同目標，快速、準確地完成目標識別，是未來空域管理和監(jiān)視的先決條件和必要保障。

傳統(tǒng)的目標識別手段雖然能夠在一定程度上完成對目標類型、種類、屬性的判別，但手段較為單一，已無法適應(yīng)新的需求，其原因在于在未來空域管理和監(jiān)視過程中，各種傳感器獲取的目標特征信息量大、類型多樣、特征間關(guān)系錯綜復(fù)雜，并且特征具有不同的種類和表現(xiàn)形式。為充分利用目標的特征信息，目標識別將向綜合化方向發(fā)展。只有綜合分析目標的多源特征，提取或構(gòu)造出用于目標識別的穩(wěn)健特征信息，才能有效地實現(xiàn)目標屬性的多方識別，提高識別正確率。

基于上述分析，本文提出了一種基于運動目標的關(guān)聯(lián)規(guī)則分析新方法，綜合利用偵察情報、預(yù)警探測、二次監(jiān)視等情報部門采集和積累的非實時歷史數(shù)據(jù)和實時數(shù)據(jù)，深入分析大數(shù)據(jù)下的目標特征規(guī)律，挖掘其可用于目標識別的關(guān)聯(lián)特征，豐富目標識別的先驗知識，提高目標識別的準確性和可靠性，為空域管理和監(jiān)視控制提供決策支持。

1 現(xiàn)有技術(shù)研究情況

本文所述的基于運動目標的關(guān)聯(lián)規(guī)則分析新方法主要包括數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則分析與運動目標數(shù)據(jù)預(yù)處理分析方法。

首先，在關(guān)聯(lián)規(guī)則分析方面，目前最為著名的算法是Apriori算法和FP-Growth算法，此外還有DHP、STEM算法等。其中，Apriori算法采用了基于逐層搜索求解頻繁項集的迭代的方法，其過程簡單，且易于理解，沒有復(fù)雜的算法，實現(xiàn)起來也比較容易，但需要掃描數(shù)據(jù)庫多次且產(chǎn)生大量候選頻繁項集，實用性不夠高，效率很低；FP-Growth算法是一種不產(chǎn)生候選頻繁項的挖掘算法，其基本思想是將事務(wù)數(shù)據(jù)庫壓縮到一顆FP樹中，采用分而治之的思想，自底向上挖掘FP樹，最終輸出所有的頻繁項集，但該算法在遍歷FP-tree時需要消耗大量時間，且在支持度計算時需要完全遍歷，無法充分利用算法的中間結(jié)果，導(dǎo)致時間和空間效率略低。此外，Apriori算法和FPGrowth算法都存在有一個共性的問題，二者都認為頻繁項集的所有非空子集都必須也是頻繁的，但是這樣產(chǎn)生出的大量候選項集雖然都是頻繁的，但有一部分是原始數(shù)據(jù)源所不曾包含的，這在某些特定應(yīng)用環(huán)境下是不能夠被接受的。

第二，在關(guān)于運動目標數(shù)據(jù)挖掘方面，目前的處理方式幾乎都是基于當前tn時刻的“靜態(tài)狀態(tài)”數(shù)據(jù)進行挖掘，沒有考慮針對tn-tn-1的“動態(tài)趨勢”數(shù)據(jù)進行處理，因而挖掘結(jié)果缺乏對運動目標趨勢特性的體現(xiàn)，也同時會導(dǎo)致一些有用知識的遺漏。

綜上，從現(xiàn)有技術(shù)的發(fā)展情況來看，本文旨在解決運動目標數(shù)據(jù)挖掘過程中對目標的運動趨勢無法充分體現(xiàn)、關(guān)聯(lián)規(guī)則分析出現(xiàn)無效頻繁項集且效率較低的問題，提出一種基于運動目標的關(guān)聯(lián)規(guī)則分析新方法。該方法采用改進的FP_Growth算法同時對當前tn時刻的“靜態(tài)狀態(tài)”數(shù)據(jù)和tn-tn-1的“動態(tài)趨勢”數(shù)據(jù)進行關(guān)聯(lián)規(guī)則分析，可充分、高效、實用、可靠的實現(xiàn)針對運動目標的數(shù)據(jù)挖掘，獲取其目標屬性關(guān)聯(lián)知識，具有時間和空間利用效率更高、所挖掘的知識收斂有效、能充分體現(xiàn)動態(tài)趨勢等特點，對于提升與完善我國國防、民航和通用航空的監(jiān)視手段與策略具有重要的軍事和社會意義，且通過在民用領(lǐng)域的擴展應(yīng)用，也將創(chuàng)造重要的經(jīng)濟價值。

圖1 基于運動目標的關(guān)聯(lián)規(guī)則分析總體實現(xiàn)框圖

2 系統(tǒng)組成及工作流程

本文所述的基于運動目標的關(guān)聯(lián)規(guī)則分析新方法其完整技術(shù)方案如圖1所示，具體描述如下：

首先，根據(jù)已有的數(shù)據(jù)源數(shù)據(jù)特征以及關(guān)于數(shù)據(jù)源的說明文檔，在關(guān)聯(lián)程序中構(gòu)建一個三維向量，從存儲空間中按數(shù)據(jù)源的說明文檔讀取待挖掘的數(shù)據(jù)源數(shù)據(jù)。然后就這些數(shù)據(jù)進行數(shù)據(jù)清理，包括消除空缺值和野值，然后采用卡爾曼濾波對數(shù)據(jù)進行去雜、去噪處理，并形成統(tǒng)一描述的包括時間維、目標維、特征維的三維向量。

第二，開展動態(tài)關(guān)聯(lián)工作，即采用抽取時間維對特征維和目標維進行數(shù)據(jù)挖掘，并在時間維上進行迭代的處理方法。具體描述如下：

（1）分別取tn時刻和tn+1時刻的兩組數(shù)據(jù)，并就經(jīng)度、緯度、高度、距離、方位角、徑向速度、俯仰角等運動特征參量進行矢量相減，形成相應(yīng)的目標運動趨勢參數(shù)，用“-1、0、1”進行表示，其中“-1”代表目標的該項特征參量向著相反的趨勢在運動，“0”代表目標的該項特征參量處于靜止狀態(tài)，“1”代表目標的該項特征參量向著相同的趨勢在運動；而對目標屬性、機型、應(yīng)答信息、目標類型、雷達型號等固有特征參量進行對比分析，形成相應(yīng)的目標靜態(tài)屬性變化參數(shù)，分別用“參量當前值、1”進行表示，其中“參量當前值”代表當時刻由tn到tn+1時刻時，目標的該項特征參量未發(fā)生變化，仍然保持一致，“1”代表當時刻由tn到tn+1時刻時，目標的該項特征參量發(fā)生了變化。

（2）將由上一步產(chǎn)生的tn+1時刻“減去”tn時刻的數(shù)據(jù)進行匯總整理，形成新的數(shù)據(jù)集。然后針對該數(shù)據(jù)集繼續(xù)進行預(yù)處理，剔除掉其中的冗余項，運行改進的FP_Growth算法，形成FP_tree，提取關(guān)聯(lián)規(guī)則，并作為中間結(jié)果暫存于緩存中。

（3）從t0時刻開始，將由上一步產(chǎn)生的tn+1時刻“減去”tn時刻的數(shù)據(jù)進行迭代，直至到tm時刻為止，充分挖掘從存儲空間中采出的數(shù)據(jù)源數(shù)據(jù)。每次迭代均按上一步的方式進行處理：分類重構(gòu)抽樣數(shù)據(jù)集、剔除相同的冗余特征參量、運行改進的FP_Growth算法、提取關(guān)聯(lián)規(guī)則，并將每次迭代所產(chǎn)生的關(guān)聯(lián)知識集進行存儲。

（4）對產(chǎn)生的所有關(guān)聯(lián)規(guī)則進行統(tǒng)計、歸類、合并，從而形成新的關(guān)聯(lián)知識。

第三，開展靜態(tài)關(guān)聯(lián)工作，即提取非運動特征數(shù)據(jù)，形成新的三維向量，并對其進行關(guān)聯(lián)挖掘。具體如下：

（1）在新的三維向量下，提取tn時刻的數(shù)據(jù)，直接對其進行運行改進的FP_Growth算法，形成FP_tree，提取關(guān)聯(lián)規(guī)則，并作為中間結(jié)果暫存于緩存中。

（2）從t0時刻開始，直至到tm時刻為止，利用改進的FP_Growth算法遍歷所有的時間片，并提取所有的關(guān)聯(lián)規(guī)則暫存于緩存中。

（3）對產(chǎn)生的所有關(guān)聯(lián)規(guī)則進行統(tǒng)計、歸類、合并，從而形成新的關(guān)聯(lián)知識。

第四，將動態(tài)關(guān)聯(lián)和靜態(tài)關(guān)聯(lián)所獲取到的關(guān)聯(lián)知識結(jié)合場景與其他挖掘手段獲取的知識共同完成融合與匹配，并交由綜合識別數(shù)據(jù)融合進行處理，從而給出關(guān)于目標屬性判別的輔助決策建議。

其中，本文所述的改進FP_Growth算法流程如圖2所示，具體描述如下：

第一，掃描事務(wù)數(shù)據(jù)庫一次，得到所有事務(wù)的總數(shù)（用于后續(xù)計算支持度）以及事務(wù)數(shù)據(jù)庫中所有單項，并按設(shè)定的最小重復(fù)次數(shù)min_d得到所有單項的降序序列D。

第二，把每條事務(wù)的項按降序序列D重排，并遍歷對比其余所有事務(wù)，得到共根項計數(shù)，形成邏輯FP_tree。

第三，依據(jù)D，采取分而治之的策略，得到D中以當前單項為尾的集合Vec，并遞歸產(chǎn)生該集合Vec的所有子集。

第四，對比Vec，剔除該子集內(nèi)不存在的子集，并只需在Vec內(nèi)計算每條子集的重復(fù)次數(shù)，便可得到該子集的實際支持度。

第五，如果降序序列D遍歷未完成，則跳轉(zhuǎn)到第二條；如果完成，則形成事實上的FP_tree，輸出并結(jié)束。

圖2 改進的FP_growth算法流程

3 應(yīng)用前景分析

本文所述的基于運動目標的關(guān)聯(lián)規(guī)則分析新方法，具備以下特點：

（1）不僅充分采用當前tn時刻的“靜態(tài)狀態(tài)”數(shù)據(jù)進行挖掘，而且還創(chuàng)新型的利用tn-tn-1的“動態(tài)趨勢”數(shù)據(jù)進行挖掘，豐富了目標識別的特征知識，提升了識別準確率；

（2）在過程中預(yù)先剔除掉了原始數(shù)據(jù)源所不曾包含的頻繁項，并在過程中完成關(guān)聯(lián)知識的支持度計算，很好的提升了運算效率；

（3）更加高效的利用了空間和時間資源，完善了關(guān)聯(lián)規(guī)則分析的充分性，降低了時間資源占據(jù)和空間資源占據(jù)，優(yōu)化了目標識別輔助決策的整體流程。

在應(yīng)用前景方面，本文所述方法已成功應(yīng)用于國防體系中對偵察情報、預(yù)警探測、二次監(jiān)視等部門采集和積累的非實時歷史數(shù)據(jù)和實時數(shù)據(jù)的挖掘，獲取豐富的目標識別先驗知識，提高目標識別的準確性和可靠性，為空域管理和監(jiān)視以及作戰(zhàn)指揮控制提供決策支持；同時，本文所述方法還可應(yīng)用于民航和通用航空領(lǐng)域，通過對運動目標的關(guān)聯(lián)規(guī)則分析，優(yōu)化空管系統(tǒng)地空監(jiān)視與場面監(jiān)視的手段與策略；此外，本文所述的改進FP_Growth算法可應(yīng)用于國民經(jīng)濟的各行各業(yè)，通過挖掘，將有助于更加合理高效的制定計劃以及優(yōu)化決策。

結(jié)束語：本文從現(xiàn)有技術(shù)的發(fā)展情況進行分析，針對在運動目標數(shù)據(jù)挖掘過程中對目標的運動趨勢無法充分體現(xiàn)、關(guān)聯(lián)規(guī)則分析出現(xiàn)無效頻繁項集且效率較低的問題，提出一種基于運動目標的關(guān)聯(lián)規(guī)則分析新方法，詳細描述了其系統(tǒng)組成和工作流程，并分析了其特點和創(chuàng)新之處，最后就其應(yīng)用前景進行了分析，本文所述方法對于提升與完善我國國防、民航和通用航空的監(jiān)視手段與策略具有重要的軍事和社會意義，且通過在民用領(lǐng)域的擴展應(yīng)用，也將創(chuàng)造重要的經(jīng)濟價值。