无源定位是通过被动接收辐射源信号获得目标位置信息的技术,具有隐蔽性好、探测距离远、适应性强等优点,具备同时对多目标快速、准确定位的能力。通过对无源定位获得的大量时空定位数据进行分析,可以得到目标频繁活动区域及行动轨迹,把目标活动的时间周期性和历史行为模式用于实时定位、跟踪中,可以通过匹配目标典型的特征运动模式,发现目标的异常活动,并进行早期预警。因此,研究无源定位数据信息挖掘技术,从中提取目标运动行为规律的高价值信息,对于目标的有效监视具有重要的理论意义和应用价值。本文首先针对无源定位数据多目标混杂,定位周期不固定的主要特点提出了基于改进航迹起始模型的三阶段迭代关联轨迹提取算法;然后将时空数据挖掘的技术引入无源定位数据领域,利用聚类算法提取数据中相似性和异常性的优势,研究针对无源定位数据的轨迹聚类算法;最后基于以上算法技术研究,设计实现了轨迹数据挖掘和预警平台。本文的主要贡献与创新点如下:1.提出了基于改进航迹起始模型的三阶段迭代关联轨迹提取技术。针对无源定位场景下,目标机动性能各异的特点,设计了基于Singer运动模型的动态外推规则,在降低外推误差的同时,满足对历史数据和实时数据不同的轨迹提取需求;针对无源定位数据稀疏,定位周期不固定的问题,改进通用航迹起始模型,加入量测时间间隔判断,提出了无源定位轨迹提取流程框架;并使用加权计分法和转向角约束,改进轨迹质量管理算法,最终形成了三阶段迭代关联轨迹提取算法。仿真结果表明,相比传统方法,本文的算法在无源测向定位场景下,定位点丢失率较高时,轨迹提取的正确率远高于传统的通用航迹起始模型提取方法。2.提出了基于轨迹结构最长公共子序列(TS-LCSS)聚类的轨迹模式挖掘算法。针对轨迹态势和轨迹结构识别的需要,基于密度聚类算法(DBSCAN),提出了两步聚类的思想,首先进行基于最长公共子序列(LCSS)粗聚类,然后将粗聚类中各条轨迹分割为子轨迹,进行基于轨迹结构(TS)相似度的子轨迹聚类,提高了对轨迹结构和轨迹态势的聚类准确率。针对轨迹与大量历史轨迹匹配实时性差的问题,基于历史代表轨迹算法,在保证轨迹模式匹配准确率的同时,大大缩短了匹配时间。此外对聚类算法技术细节进行了改进:针对传统DBSCAN需要通过实验确定参数的问题,设计了DBSCAN参数自适应计算方法;针对传统LCSS的欧式距离度量无法充分反映轨迹结构的问题,将传统LCSS对点位进行的距离度量改进为对轨迹段的度量,并加入了LCSS快速计算方法降低计算复杂度;针对传统轨迹分割算法容易因为噪声点的干扰导致错误分割的问题,将相邻轨迹夹角分割策略改为整体轨迹夹角分割。仿真结果表明,相比传统角度聚类和轨迹结构聚类算法,TS-LCSS算法对轨迹的分析更全面,聚类结果更具有实际意义,聚类准确率更高;与逐一匹配的方法相比,基于代表轨迹的轨迹匹配算法兼具匹配准确率和更好的实时性。3.整合以上算法功能,设计实现了轨迹数据挖掘和预警系统。该软件系统集场景布设、轨迹数据挖掘算法研究和实时跟踪预警功能于一体,具有自动化、可视化、可扩展的优点。系统包括无源定位数据库,算法功能模块和交互界面三个部分,具备挖掘历史无源定位数据信息,实时轨迹提取和位置预测,目标运动模式发现和预警功能。性能测试结果表明,轨迹提取、聚类、模式匹配准确率性能良好,轨迹模式匹配时间满足实时性要求。