(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210703039.4 (22)申请日 2022.06.21 (71)申请人 中国电子科技 集团公司第五十四研 究所 地址 050081 河北省石家庄市中山西路589 号第五十四所航天 实验室 (72)发明人 柴兴华　耿虎军　陈彦桥　蔡迎哲　 陈勇　雷耀麟　刘厦　宗茂　 (74)专利代理 机构 河北东尚律师事务所 13124 专利代理师 王文庆 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/22(2019.01) G06F 16/23(2019.01) (54)发明名称 一种融合动态价值的大规模群体目标聚类 方法 (57)摘要 本发明涉及一种融合动态价值的大规模群 体目标聚类方法， 属于大规模目标覆盖领域。 该 方法对由多个独立的目标单位组成的群体进行 建模， 建立针对群体中各目标的全局价值表和价 值更新算法， 并由探测集合实时更新全局价值表 中的信息， 基于全局价值表内的信息， 采用改进K 均值聚类算法， 对融合动态价值的大规模群体实 现聚类。 该方法基于改进的K均值聚类算法， 针对 大规模群体目标聚类问题， 提出了一种符合实践 要求的解决方案， 解决了当前方法针对大规模群 体目标聚类问题缺少实操性及缺乏对目标价值 考量的问题。 权利要求书1页 说明书4页 附图3页 CN 114970757 A 2022.08.30 CN 114970757 A 1.一种融合动态价 值的大规模群 体目标聚类方法， 其特 征在于， 包括以下步骤： （1） 构建群 体目标， 所述群 体目标由多个 独立的个 体单位组成； （2） 构建由探测器网络共同维护的全局价 值表； （3） 利用探测器网络 探测群体目标中的个 体单位， 动态更新全局价 值表； （4） 基于全局价值表内的动态价值信息， 采用改进K均值聚类方法， 对融合动态价值的 大规模群 体实现聚类。 2.根据权利要求1所述的一种融合动态价值的大规模群体目标聚类方法， 其特征在于， 所述探测器网络由多个探测器组成， 探测器之间通过无线网络进行信息共享， 每个探测器 在自身的探测范围内获取个 体单位的目标信息 。 3.根据权利要求2所述的一种融合动态价值的大规模群体目标聚类方法， 其特征在于， 所述全局价 值表包含所有个 体单位目标的目标编号、 目标价 值、 目标位置 。 4.根据权利要求3所述的一种融合动态价值的大规模群体目标聚类方法， 其特征在于， 步骤 （3） 的具体方式为： 个体单位目标在进入探测器网络的某个探测器探测范围内时， 将其 目标价值设为定值， 并由探测器网络实时更新该个体单位的目标位置； 若某个体单位 目标 超出探测器网络的探测范围内， 则将该个体单位的目标位置设为最后一次被探测到的位 置， 该个体单位的目标价值随时间递减； 当探测器网络发现新目标时， 在原有全局价值表基 础上， 增添新的目标信息 。 5.根据权利要求4所述的一种融合动态价值的大规模群体目标聚类方法， 其特征在于， 步骤 （4） 的具体方式为： （401） 设定初始聚类中心的数量为m， 初始聚类中心位置采用随机选择或根据预设规则 选择； （402） 根据群体目标与初始聚类中心的距离关系， 将群体目标划分为m个子群体， 若某 个子群体内无目标， 则重新选择该子群体对应的初始聚类中心， 并重新计算归属于各聚类 中心的子群 体目标， 直到所有子群 体目标数都不为0； （403） 读取全局价值表， 将目标位置与目标价值融合加权进行K均值聚类， 计算每个子 群体的聚类中心， 使子群 体的聚类中心靠 近子群体中价值高的目标； （404） 以新的聚类中心重新划分子群 体； （405） 重复步骤 （403） 和 （404） ， 直至子群体划分不再改变或达到最大迭代次数， 完成聚 类。权　利　要　求　书 1/1 页 2 CN 114970757 A 2一种融合动态价值的大规 模群体目标聚类方 法 技术领域 [0001]本发明涉及大规模目标覆盖领域， 尤其涉及一种融合动 态价值的大规模群体目标 聚类方法。 背景技术 [0002]大规模目标覆盖是一类工程中常见的应用， 如通信基站用户覆盖、 无人机广域目 标搜索、 群体目标应急支援等， 分别由于通信基站数量有限、 无人机搜索范围有限、 应急设 备有限等限制， 均需要将随机分布的大规模群体目标进行分析， 获取其中最需要部署相关 资源的若干关键位置， 在这些位置搭建相关 设施， 落实具体任务。 [0003]大规模群体目标有限关键位置的获取， 通常采用聚类算法。 常用的聚类算法有： K 均值聚类算法、 均值偏移聚类算法、 DBSCAN聚类算法、 层次聚类算法等。 其中， K均值聚类算 法是最常用的聚类算法， 其优点是收敛速度快， 算法复杂度低， 其缺点是需要确定聚类数 目， 在使用随机初始中心的前提下， 算法结果缺乏一致性； 均值偏移聚类算法是一种使用滑 动窗口的算法， 优点是不需要选择聚类数目， 缺点是窗口的半径对算法分类结果具有较大 影响， 需要谨慎选择窗口半径； DBSCA N聚类算法是一种基于密度的聚类算法， 其优点是不需 要选择聚类数目， 其缺点是目标 的密度对聚类结果有较大影响， 若目标群体密度分布相 差 较大， 则聚类效果会受到影响； 层次聚类算法分为自上而下和自下而 上两类算法， 其优点是 是不需要选择聚类数目， 其缺点是算法复杂度高， 收敛速度慢。 而实际应用场景中， 尤其是 在大规模目标群体的聚类算法中， 为保证部署在各类运算平台的算法快速运行， 具有较低 算法复杂度和较快收敛速度的聚类算法更 具有应用价 值。 [0004]传统大规模群体目标覆盖场景中， 如同时具备目标探测及目标覆盖功能的无人 机， 需要对目标实时位置探测并实施覆盖， 多数研究假设所有目标的位置可实时获取供聚 类分析， 然而现实中， 目标位置的获取均是由无人机载探测器实现， 而探测器具有有限的探 测范围， 超出探测范围的目标无法实时提供最新位置信息， 随着目标的不断运动， 当前可获 取的目标数据信息， 随时间会失去其价值， 且不同的目标价值量往往亦有区别， 当前的研究 中缺乏对该项内容的考 量。 发明内容 [0005]本发明针对大规模群体目标覆盖场景中， 存在的探测器探测范围有限导致的群体 目标位置难以实时完全获取问题， 以及探测范围外目标不断运动导致的原目标信息价值不 断缩小问题， 提出了一种融合动态价值的大规模群体目标聚类方法， 该方法考虑了目标动 态价值， 能够提高聚类效果， 可应用于大规模群 体目标场景中。 [0006]为了实现上述目的， 本发明采用的技 术方案为： [0007]一种融合动态价 值的大规模群 体目标聚类方法， 包括以下步骤： [0008](1)构建群 体目标， 所述群 体目标由多个 独立的个 体单位组成； [0009](2)构建由探测器网络共同维护的全局价 值表；说　明　书 1/4 页 3 CN 114970757 A 3