曹郁1 ，王炜华1，焦锋1，栾伟2
1． 93216部队，2. 93110部队
摘 要：目标分群是态势评估的基础，针对应用Chameleon算法聚类时需要人为指出K-最近邻图中K值和相似度阈值的不足，通过构造加权图判断等价结构相似度确定最佳聚类数。该方法在保留了使用Chameleon算法聚类时能发现任意簇的优点的同时，减少了需要的先验知识数，避免了使用图划分技术增加的算法复杂度。实验表明该方法能够快速有效地实现目标编群。
关键词： 态势估计；目标编群；数据融合
中图分类号：TP311.134.3
1 态势评估中目标编群问题的描述
态势评估中目标编群的本质就是将战场中获取的第1级数据进行聚合和抽取，为指挥层决策提供兵力层次的战场决策信息支持。目标编群通过减少受关注的战场实体数目减轻了指挥员的认知压力。在态势感知分析时，由编群获得的各层次的群目标则更能反映敌我双方的作战能力和作战意图，有助于指挥员对战场态势的理解。
.png)
这些群按照从低到高的顺序依次分为空间群、相互作用群和敌我中立群。其中空间群按照空间位置相近或行为相似的原则将目标实体进行划分；相互作用群按照具有相似战术目的原则将生成的空间群进行划分；敌/我/中群将相互作用群按照对抗关系进行划分。由此，由群构成的相互关系集合就可以用来推导和识别所有可能发生的冲突。
2 一种新的Chameleon目标分群算法
2.1 Chamelon算法概述
Chamelon算法首先由数据集构造K-最近邻图。找出数据集中每一个点的所有K最近邻对象，分别计算他们之间的带权边。再通过图划分算法将图划分成子图，用每个子图代表初始子簇。最后使用凝聚层次聚类算法，基于子簇之间的相似度反复合并子簇。Chameleon算法考虑了簇间互联性，即簇间距离较近的数据对的互连性；近似性，即簇间数据对相似性。
2.2 基于Chamelon算法的目标分群算法
.png)
3 仿真实验与结果分析
本节采用UCI机器学习数据库中Iris、Wine、Ecoli和Glass四个公共数据集进行试验。表1为四个公共数据集特征。
参与试验和对比的算法包括K-means算法、FCM算法、K-means++算法、MaxMin K-means算法、MaxMin FCM和本文所提算法。试验主要对比分析各算法的聚类结果准确率和运行时间。聚类结果正确率计算公式为：
*100% （7）
其中C为正确聚类数，为数据总数。
.png)
表2为六种聚类算法在公共数据集上的正确率统计对比。通过实验结果比较，对于Iris、Wine、Ecoli和Glass数据集，本文所提的算法都具有最高的聚类正确率。这是由于本文所提方法针对应用Chameleon算法聚类时需要人为指出K-最近邻图中K值和相似度阈值的不足，通过构造加权图判断等价结构相似度确定最佳聚类数。
但是同时也可以看出，本文所提算法聚类正确率在不同数据集上具有很大差值。本文所提聚类方法在Iris数据集上的正确率最高为90.16%，在Ecoli数据集上的正确率为75.18%次之，排在其后的是在Glass数据集上69.79%的正确率。可以看出数据维数对聚类算法正确率影响较大。六种算法对低维数据聚类正确率普遍较高，对高维数据聚类正确率普遍较低。
4 结论
本文针对目标分群时应用Chameleon算法聚类需要人为指出K-最近邻图中K值和相似度阈值的不足，通过构造加权图判断等价结构相似度确定最佳聚类数。该方法在保留了使用Chameleon算法聚类时能发现任意簇优点，减少了需要的先验知识数，避免了使用图划分技术增加的算法复杂度。实验表明该方法能够快速有效地实现目标编群。
参考文献
[1] 赵克新, 黄长强, 魏政磊,等. 改进决策树的无人机空战态势估计[J]. 哈尔滨工业大学学报, 2019, 51(04):72-79.
[2] 李伟生, 王树宝. 态势估计的目标编群问题研究[J]. 计算机科学，2003, 30(8): 136-138.