闫孟达，杨任农，王 新，左家亮，嵇慧明，尚金祥

(1. 空军工程大学 空管领航学院， 陕西 西安 710051； 2. 中国人民解放军94994部队， 江苏 南京 210019；3. 中国人民解放军94701部队， 安徽 安庆 246000； 4. 中国人民解放军94347部队， 辽宁 沈阳 110042)

空战目标分群是态势感知[1]阶段的关键步骤，其目的在于根据当前空战环境，综合分析速度、航向和位置等态势要素，将敌方参战力量按一定的层次结构划分为不同的空间群和相互作用群[2]，帮助指挥员将纷繁复杂的目标信息规整为不同类型的目标群组，有助于减少冗余态势信息，降低态势评估难度，提高空战决策准确度[3-4]。

目前，目标分群主要有两大类方法。一类是基于相似性度量、优化算法和神经网络的模型法。文献[5-7]通过建立目标位置、航向等属性的相似度函数，将相似度较大的目标划分到同一群组。该方法虽然计算简单，但需根据属性的不同设置多种相似度调节系数和决断阈值，实际应用效果不佳。文献[8-10]分别利用蚁狮优化算法[11]、自组织特征映射(Self-Organizing Feature Mapping, SOM)神经网络[12]、遗传算法和支持向量机(Support Vector Machine, SVM)处理目标分群问题，这四种方法虽然实时性较好，但其稳定性相对较差且SOM和SVM的训练数据难以获得。另一类是对目标属性进行聚类分析的属性聚类法。文献[13]首开基于聚类算法处理目标分群问题的先河，此后研究主要集中于如何使聚类算法更好地适用于目标分群问题。文献[14-15]运用改进的K-means和模糊C均值聚类算法解决目标分群问题，上述算法只适用于编队数目已知的聚类问题，虽然可以通过算法改进推理出可能的编队数目，但其准确度相对较差。……