| 20 | 0 | 29 |
| 下载次数 | 被引频次 | 阅读次数 |
空中群组逐渐成为夺取制空权，实施侦察突防、干扰打击的重要作战力量，如何实现空中群组的精准分群，已成为防空作战态势感知、意图研判与指挥决策中亟待解决的关键前置问题。本文围绕空中非合作目标分群展开系统论述：首先阐述了空中非合作目标分群的相关概念；其次从基于划分聚类、基于密度聚类、基于图结构聚类、基于半监督聚类及基于深度聚类五个方面综述了现有的基于瞬时特征的目标静态分群方法，并总结了方法各自的优缺点；然后在目标静态分群基础上，重点对基于时序特征的目标动态分群在目标特征提取、相似性度量、聚类算法三个环节的改进研究进行了综述；进而在梳理现有研究实验数据与应用场景的基础上，分析了其向空中非合作目标分群场景迁移的适用条件与局限性；最后对目标分群的未来研究方向进行了展望，为相关领域后续研究提供参考。
Abstract：Airborne swarms are increasingly becoming a crucial operational force for achieving air superiority， conducting reconnaissance and penetration， and executing jamming and strike missions. Consequently， achieving precise grouping of these swarms has emerged as a critical prerequisite that urgently needs to be addressed in air defense situational awareness， intent assessment， and command decision-making. This paper provides a systematic discussion on the grouping of non-cooperative aerial targets. First， it outlines the fundamental concepts related to this topic. Second， it reviews existing static grouping methods based on instantaneous features from five perspectives: partition-based clustering， density-based clustering， graph-based clustering， semi-supervised clustering， and deep clustering， summarizing the advantages and disadvantages of each approach. Building upon static grouping， the paper focuses on the advancements in dynamic grouping based on temporal features， specifically reviewing improvements in three key aspects: target feature extraction， similarity measurements， and clustering algorithms. Furthermore， on the basis of sorting out the experimental data and application scenarios of existing research， this paper analyzes the applicable conditions and limitations when these methods are migrated to the non‑cooperative aerial target grouping scenario. Finally， the future research directions of target grouping are prospected， which provides references for subsequent research in related fields.
[1] 李洋军，黄琦龙，杨力，等. 数据和知识双驱动的空中集群目标作战意图识别[J]. 兵工学报， 2025， 46(2): 137-146.
[2] 刘雷，刘大卫，王晓光，等. 无人机集群与反无人机集群发展现状及展望[J]. 航空学报， 2022， 43(S1): 726908.
[3] 王珩，李婷婷，葛唯益. 战场态势认知理论与方法[M]. 北京: 电子工业出版社， 2023.
[4] Patrinopoulou N， Daramouskas I， Badea CA， et al. Dynamic capacity management for air traffic operations in high density constrained urban airspace[J]. Drones， 2023， 7(6): 395.
[5] 何友，王国宏，关欣，等. 信息融合理论及应用[M]. 北京: 电子工业出版社， 2010.
[6] 张宪超. 数据聚类[M]. 北京: 科学出版社， 2017.
[7] 章永来，周耀鉴. 聚类算法综述[J]. 计算机应用， 2019， 39(7): 1869-1882.
[8] 郑德生，孙涵明，王立远，等. 多元时间序列聚类算法综述[J]. 计算机科学与探索， 2025， 19(3): 582-601.
[9] Bezdek J C. Pattern recognition with fuzzy objective function algorithms[M]. New York: Springer Science & Business Media， 2013.
[10] 吴艳杰，薛涵，尹东亮. 基于DBSCAN算法的海战场环境下目标分群[J]. 海军工程大学学报， 2023， 35(4): 71-75.
[11] 闫孟达，杨任农，王新，等. 改进cell密度聚类算法在空战目标分群中的应用[J]. 国防科技大学学报， 2021， 43(4): 108-117.
[12] 周传华，鲁勇，于猜. 基于数据分区的OPTICS聚类算法[J]. 传感器与微系统， 2022， 41(10): 103-107.
[13] Rodriguez A， Laio A. Clustering by fast search and find of density peaks[J]. Science， 2014， 344(6191): 1492-1496.
[14] 汤奋，游雄，李钦，等. 一种基于改进K-means算法的空间群划分方法[J]. 火力与指挥控制， 2019， 44(11): 117-120+126.
[15] 李伟楠，章卫国，史静平，等. 基于M-CFSFDP算法的战场目标分群方法[J]. 西北工业大学学报， 2018， 36(6): 1121-1128.
[16] 马钰棠，孙鹏，张杰勇，等. 基于MDk-DPC的空中目标自动分群方法[J]. 北京航空航天大学学报， 2024， 50(10): 3219-3229.
[17] 徐晗，张安，毕文豪，等. 基于主成分分析和密度峰值聚类的目标分群方法[J]. 指挥与控制学报， 2026， 12(1): 80-92.
[18] Zhang X G， Xu L， Jia W K. Adaptive granular-ball based density peak clustering[J]. Neurocomputing， 2025， 656: 131458.
[19] 赵嘉，何超凡，肖人彬，等. 圆形网格抽样和逆近邻优化的密度峰值聚类算法[J]. 工程科学学报， 2026， 48(01): 161-176.
[20] 赵嘉，马清，陈蔚昌，等. 面向流形数据的加权自然近邻密度峰值聚类算法[J]. 兰州大学学报(自然科学版)， 2024， 60(5): 652-660.
[21] 白璐，赵鑫，孔钰婷，等. 谱聚类算法研究综述[J]. 计算机工程与应用， 2021， 57(14): 15-26.
[22] 高伟，陈姝含，叶志坚，等. 基于谱聚类的扇区划分[J]. 火力与指挥控制， 2021， 46(12): 32-38.
[23] 杨璐，李印凤，傅子涛，等. 基于自适应谱聚类的终端区进场轨迹识别[J]. 指挥信息系统与技术， 2022， 13(4): 63-68.
[24] 邱照原，倪龙强，姚桐，等．基于Louvain算法的空中目标分群方法研究[J]. 火炮发射与控制学报， 2025， 46(4): 108-114.
[25] 李归，刘帆，任财，等. 基于Louvain算法的海上态势生成多目标层次化分群方法[J]. 现代雷达， 2022， 44(6): 24-31.
[26] Tiano D， Bonifati A， Ng R， et al. FeatTS: Feature-based time series clustering[C]. Proceedings of the 2021 International Conference on Management of Data. New York: ACM， 2021: 2784-2788.
[27] 秦悦，丁世飞. 半监督聚类综述[J]. 计算机科学， 2019， 46(9): 15-21.
[28] Basu S， Banerjee A， Mooney R. Semi-supervised clustering by seeding[C]. Proceedings of 19th International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc， 2002: 19-26.
[29] Wagstaff K， Cardie C， Rogers S， et al. Constrained K-means clustering with background knowledge[C]. Eighteenth International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc， 2001: 577-584.
[30] Yang Y， Rutayisire T， Lin C， et al. An improved Cop-Kmeans clustering for solving constraint violation based on MapReduce Framework[J]. Fundamental Information， 2013， 126(4): 301-318.
[31] 柴变芳，吕峰，李文斌，等. 基于主动学习先验的半监督K-means聚类算法[J]. 计算机应用， 2018， 38(11): 3139-3143.
[32] Raghavan U N， Albert R， Kumara S. Near linear-time algorithm to detect community structures in large-scale networks[J]. Physical Review E， 2007， 76(3): 216–228.
[33] 桂春，黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版)， 2018， 48(5): 1600-1605.
[34] 武海涛，刘洋，张永夫. 基于改进标签传播算法的目标分群方法[J]. 指挥与控制学报， 2021， 7(4): 436-442.
[35] 宋鹏，葛洪伟. 最近邻的密度峰值聚类标签传播算法[J]. 计算机科学与探索， 2022， 16(12): 2809-2819.
[36] Min E， Guo X， Liu Q， et al. A survey of clustering with deep learning: From the perspective of network architecture[J]. IEEE Access， 2018， 6: 39501-39514.
[37] 姬强，孙艳丰，胡永利，等. 深度聚类算法研究综述[J]. 北京工业大学学报， 2021， 47(8): 912-924.
[38] 陶文彬，钱育蓉，张伊扬，等. 基于自编码器的深度聚类算法综述[J]. 计算机工程与应用， 2022， 58(18): 16-25.
[39] Rumelhart D E， Hinton G E， Williams R J. Learning representations by back-propagating errors[J]. Nature， 1986， 323(6088): 533–536.
[40] Masci J， Meier U， Cireşan D， et al. Stacked convolutional auto-encoders for hierarchical feature extraction[C]. The 21st International Conference on Artificial Neural Networks， Espoo， Finland， 2011.
[41] Ng A. Sparse autoencoder[J]. CS294A Lecture Notes， 2011， 72(2011): 1-19.
[42] Kingma D P， Salimans T， Jozefowicz R， et al. Improved variational inference with inverse autoregressive flow[J]. Advances in Neural Information Processing Systems， 2016， 29: 4743-4751.
[43] Yang B， Fu X， Sidiropoulos N D， et al. Towards K-means-friendly spaces: simultaneous deep learning and clustering[J]. Proceedings of Machine Learning Research， 2017， 70: 3861-3870.
[44] Zhu H D， Kan B S， Li Y， et al. A new semi-supervised fuzzy clustering method based on latent representation learning and information fusion[J]. Applied Soft Computing， 2025， 170: 112717.
[45] Ren Y， Wang N， Li M， et al. Deep density-based image clustering[J]. Knowledge-Based Systems， 2020， 197: 105841.
[46] Cai J， Wang S， Guo W. Unsupervised embedded feature learning for deep clustering with stacked sparse autoencoder[J]. Expert Systems with Applications， 2021， 186: 115729.
[47] Zhao S， Li Z Z， Zhu Z K， et al. An integrated framework for accurate trajectory prediction based on deep learning[J]. Applied Intelligence， 2024， 54: 10161–10175.
[48] Shaham U， Stanton K， Li H， et al. SpectralNet: Spectral clustering using deep neural networks[C]. International Conference on Learning Representations. Piscataway: IEEE， 2018: 267-280.
[49] Chang J L， Wang L F， Meng G F， et al. Deep adaptive image clustering[C]. IEEE International Conference on Computer Vision. Piscataway: IEEE， 2017: 5880-5888.
[50] Wu J L， Long K Y， Wang F， et al. Deep comprehensive correlation mining for image clustering[C]. Proceedings of the IEEE International Conference on Computer Vision. Piscataway: IEEE， 2019: 8150-8159.
[51] 董永峰，邓亚晗，董瑶，等. 基于深度学习的聚类综述[J]. 计算机应用， 2022， 42(4): 1021-1028.
[52] 李俊霞，钱宇华，马国帅，等. 自适应边缘样本识别的深度聚类算法[J]. 西南大学学报(自然科学版)， 2023， 45(3): 34-46.
[53] 李宏权，梁复台，张晨浩，等. 预警情报智能分析算法[M]. 北京: 电子工业出版社， 2024.
[54] Pratt K B， Fink E. Search for patterns in compressed time series[J]. International Journal of Image and Graphics， 2002， 2(1): 89-106.
[55] Zhang Z， Guo D， Zhou S， et al. Flight trajectory prediction enabled by time frequency wavelet transform [J]. Nature Communications， 2023， 14(1): 5258.
[56] Liu Y， Kam K H NG， Chu N N， et al. Spatiotemporal image-based flight trajectory clustering model with deep convolutional autoencoder network[J]. Journal of Aerospace Information Systems， 2023， 20(9): 575-587.
[57] Wang Y H， Wang J， He S M ， et al. Swarm intention identification via dynamic distribution probability image[J]. Chinese Journal of Aeronautics， 2024， 37(10): 380-392.
[58] 孙浩，郭迎清，赵万里. 基于GMM聚类方法构建经验模型的机载实时模型改进方法[J]. 西北工业大学学报， 2020， 38(3): 507-514.
[59] 潘立，邓佳，王永利. HMM-Cluster: 面向交通量过载发现的轨迹聚类方法[J]. 计算机工程与应用， 2018， 54(1): 77-85.
[60] 张戎，罗齐. 时间序列与机器学习[M]. 北京: 电子工业出版社， 2024.
[61] Li H L. Multivariate time series clustering based on common principal component analysis[J]. Neurocomputing， 2019， 349: 239-247.
[62] 黄胜浩，黄文德. 基于高斯加权动态时间规整的时间序列聚类[J]. 电子测量技术， 2026， 49(7): 143-150.
[63] Shokoohi Y M， Wang J， Keogh E. On the non-trivial generalization of dynamic time warping to the multi-dimensional case[C]. 2015 SIAM International Conference on Data Mining， Vancouver， BC， Canada， 2015.
[64] Okawa M. Online signature verification using single-template matching with time-series averaging and gradient boosting [J]. Pattern Recognition， 2020， 102: 107227.
[65] 魏龙翔，何小海，滕奇志，等. 结合Hausdorff距离和最长公共子序列的轨迹分类[J]. 电子与信息学报， 2013， 35(4): 784-790.
[66] Li H L， Du T. Multivariate time-series clustering based on component relationship networks[J]. Expert Systems with Applications， 2021， 173: 114649.
[67] Ma D F， Fang B， Ma W H， et al. Potential routes extraction for urban customized bus based on vehicle trajectory clustering[J]. IEEE Transactions on Intelligent Transportation Systems， 2023， 24(11): 11878-11888.
[68] Qiao D F， Yang X Y， Liang Y， et al. Rapid trajectory clustering based on neighbor spatial analysis[J]. Pattern Recognition Letters， 2022， 156(1): 167-173.
[69] Guo K， Hu X L， Zhang Z Y， et al. Federated trajectory clustering based on multi-feature similarity calculation[J]. Applied Intelligence， 2025， 55: 934.
[70] Si J J， Yang J， Xiang Y， et al. ConDTC: Contrastive deep trajectory clustering for fine-grained mobility pattern mining[J]. IEEE Transactions on Big Data， 2025， 11(2): 333-344.
[71] 赵嘉，段发样，潘正祥，等. 基于时空加权和密度峰值的轨迹聚类算法[J]. 控制与决策， 2026， 41(2): 470-480.
[72] Trang T D N， Loan T T N， Quang T B， et al. NS-IDBSCAN: An efficient incremental clustering method for geospatial data in network space[J]. Information Sciences， 2025(690): 121526.
[73] 马福民，孙静勇，张腾飞. 考虑边界样本邻域归属信息的粗糙K-means增量聚类算法[J]. 控制与决策， 2022， 37(11): 2968-2976.
[74] 曹玥瑶，薛涛，何闪闪，等. 超视距空战全域火力场计算及态势威胁评估和辅助决策应用[J]. 北京航空航天大学学报， 2026， 52(2): 570-580.
[75] Zhang C Y， Chen X X， Tan Z X， et al. Towards clustering of incomplete mixed-attribute data[J]. Expert Systems， 2025， 42(7): e70074.
[76] Li C H， Wang K， Song Y F， et al. Air target intent recognition method combining graphing time series and diffusion models[J]. Chinese Journal of Aeronautics， 2025， 38(1): 103177.
[77] Yahyaoui H， Aboelfotoh H， Shu Y J. A partial order framework for incomplete data clustering[J]. Applied Intelligence， 2023(53): 7439–7454.
[78] Sharma K K， Seal A， Yazidi A， et al. Clustering uncertain data objects using Jeffreys-Divergence and maximum bipartite matching based similarity measure[J]. IEEE Access， 2021， 9: 79505-79519.
[79] Zhang R， Wu H Y， Yin Z Z， et al. Predictive clustering of vessel behavior based on hierarchical trajectory representation[J]. IEEE Transactions on Intelligent Transportation Systems， 2024， 25(12): 19496-19506.
基本信息:
DOI：10.16358/j.issn.1009-1300.20260144
中图分类号:E926.4
引用信息:
[1]姜剑雄,孙鹏,桂阳,等.空中非合作目标分群方法研究综述[J].战术导弹技术().DOI:10.16358/j.issn.1009-1300.20260144.
基金信息:
陕西省自然科学基础研究计划面上项目（2025JC-YBMS-255）
2026-09-21
2026-09-21
2026-09-21