基于多尺度复杂网络的无人机集群队形识别算法

doi:10.11772/j.issn.1001-9081.2025030362

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (3): 1004-1010.DOI: 10.11772/j.issn.1001-9081.2025030362

• 前沿与综合应用 •

基于多尺度复杂网络的无人机集群队形识别算法

邓廷权¹(), 李予凌¹, 任泳行¹, 夏天¹, 王坤福², 王盛春²

^1.哈尔滨工程大学数学科学学院，哈尔滨 150001
^2.中国船舶集团有限公司系统工程研究院，北京 100094

收稿日期:2025-04-07 修回日期:2025-07-03 接受日期:2025-07-04 发布日期:2025-08-13 出版日期:2026-03-10
通讯作者: 邓廷权
作者简介:李予凌（1999—），男，四川成都人，硕士研究生，主要研究方向：数据挖掘、机器学习
任泳行（2000—），男，重庆人，硕士研究生，主要研究方向：多目标优化
夏天（1999—），男，山东济南人，硕士研究生，主要研究方向：深度学习、人工智能
王坤福（1986—），男，山东青岛人，高级工程师，博士，主要研究方向：计算机信息
王盛春（1991—），男，陕西延安人，工程师，博士，主要研究方向：计算机图形学、图像处理、高性能计算。
基金资助:
国家自然科学基金资助项目(12171115);国防科技工业局国防基础研究计划项目(JCKY2021206B056)

UAV swarm formation recognition algorithm based on multi-scale complex networks

Tingquan DENG¹(), Yuling LI¹, Yonghang REN¹, Tian XIA¹, Kunfu WANG², Shengchun WANG²

^1.School of Mathematical Sciences，Harbin Engineering University，Harbin Heilongjiang 150001，China
^2.Systems Engineering Research Institute，China State Shipbuilding Corporation Limited，Beijing 100094，China

Received:2025-04-07 Revised:2025-07-03 Accepted:2025-07-04 Online:2025-08-13 Published:2026-03-10
Contact: Tingquan DENG
About author:LI Yuling， born in 1999， M. S. candidate. His research interests include data mining， machine learning.
REN Yonghang， born in 2000， M. S. candidate. His research interests include multi-objective optimization.
XIA Tian， born in 1999， M. S. candidate. His research interests include deep learning， artificial intelligence.
WANG Kunfu， born in 1986， Ph. D.， senior engineer. His research interests include computer information.
WANG Shengchun， born in 1991， Ph. D.， engineer. His research interests include computer graphics， image processing， high-performance computing.
Supported by:
National Natural Science Foundation of China(12171115);National Defense Basic Research Program of State Administration of Science, Technology and Industry for National Defence(JCKY2021206B056)

摘要/Abstract

摘要：

在面对来袭无人机（UAV）时，快速准确地检测识别出敌方UAV的编队队形对于分析判断敌方的作战意图和制定有效的反制措施至关重要。因此，提出基于多尺度复杂网络的UAV集群队形识别算法。首先，建立自适应阈值方法将UAV集群队形构建为多尺度复杂网络，选择这些复杂网络对应的邻接矩阵的特征值组合，形成形状签名；其次，引入Hellinger距离度量待识别队形与标准队形的形状签名间的差异性，从而得到识别结果。仿真结果表明，与通过硬阈值得到多尺度复杂网络的算法相比，所提算法具有较好的适应性和鲁棒性，即使在目标信息受污染较严重时也具有较高的识别率，且具有较少的参数和较低的时间复杂度。

关键词: 多尺度复杂网络, 队形识别, 谱图理论, Hellinger距离, 无人机

Abstract:

When dealing with incoming Unmanned Aerial Vehicles （UAVs）， it is crucial to recognize the formation of enemy UAVs quickly and accurately， in order to analyze and judge enemies’ combat intentions and formulate effective countermeasures. Therefore， a UAV swarm formation recognition algorithm based on multi-scale complex networks was proposed. Firstly， an adaptive threshold method was established to construct multi-scale complex networks using the UAV swarm formation， and the combination of eigenvalues corresponding to the adjacency matrices of these complex networks was selected to form a shape signature. Then， by introducing Hellinger distance to measure the difference between the shape signature of the formation to be recognized and the standard formation， so as to obtain the recognition results. Simulation results show that compared with the algorithm of obtaining multi-scale complex networks with hard thresholds， the proposed algorithm has better adaptability and robustness， has a higher recognition rate even when the target information is heavily corrupted， and has fewer parameters and lower time complexity.

Key words: multi-scale complex network, formation recognition, spectral graph theory, Hellinger distance, Unmanned Aerial Vehicle (UAV)

中图分类号:

TP391

邓廷权, 李予凌, 任泳行, 夏天, 王坤福, 王盛春. 基于多尺度复杂网络的无人机集群队形识别算法[J]. 计算机应用, 2026, 46(3): 1004-1010.

Tingquan DENG, Yuling LI, Yonghang REN, Tian XIA, Kunfu WANG, Shengchun WANG. UAV swarm formation recognition algorithm based on multi-scale complex networks[J]. Journal of Computer Applications, 2026, 46(3): 1004-1010.

图/表 9

图1 十字形队形在不同软阈值范围下的多尺度复杂网络

Fig. 1 Multi-scale complex networks of cross-shaped formation under different soft threshold ranges

图2 3种队形的形状签名对比

Fig. 2 Comparison of three formations’ shape signatures

表1 3种队形模板的相似性度量

Tab. 1 Similarity measurements of three formation templates

度量方法	队形	十字形	一字形	三叉形
Hellinger距离	十字形	0.000 0	0.079 3	0.076 3
	一字形	0.079 3	0.000 0	0.105 5
	三叉形	0.076 3	0.105 5	0.000 0
Pearson 相关系数	十字形	0.000 0	0.018 7	0.007 0
	一字形	0.018 7	0.000 0	0.019 9
	三叉形	0.007 0	0.019 9	0.000 0
余弦相似度	十字形	0.000 0	0.011 3	0.006 9
	一字形	0.011 3	0.000 0	0.014 3
	三叉形	0.006 9	0.014 3	0.000 0
欧氏距离	十字形	0.000 0	0.026 5	0.024 7
	一字形	0.026 5	0.000 0	0.032 4
	三叉形	0.024 7	0.032 4	0.000 0

表2 不同的n对应的时间复杂度

Tab. 2 Time complexity corresponding to different values of n

顶点数n	时间复杂度
$n ≤ 50$	O（10³）
$50 < n ≤ 200$	O（4×10⁴）
$200 < n ≤ 1 000$	O（10⁶）
$n > 1 000$	O（n²）

表2 不同的n对应的时间复杂度

Tab. 2 Time complexity corresponding to different values of n

顶点数n	时间复杂度
$n ≤ 50$	O（10³）
$50 < n ≤ 200$	O（4×10⁴）
$200 < n ≤ 1 000$	O（10⁶）
$n > 1 000$	O（n²）

图3 5种标准队形以及其对应的形状签名

Fig. 3 Five standard formations and their corresponding shape signatures

表3 nλ 与Δ对准确率的影响

Tab. 3 Impact of nλand Δ on accuracy

$n λ$	Δ	不同队形的准确率/%
$n λ$	Δ	十字形	一字形	菱形	三叉形	V形
4	0.02	100.00	100.00	8.33	95.00	100.00
	0.05	100.00	100.00	3.33	88.33	93.33
	0.10	100.00	100.00	3.33	85.00	91.67
	0.20	100.00	100.00	6.67	58.33	35.00
6	0.02	100.00	100.00	8.33	93.33	100.00
	0.05	100.00	100.00	3.33	86.67	100.00
	0.10	100.00	100.00	0.00	85.00	95.00
	0.20	100.00	100.00	10.00	58.33	58.33
8	0.02	100.00	100.00	18.33	93.33	100.00
	0.05	100.00	100.00	5.00	91.67	100.00
	0.10	100.00	100.00	5.00	88.33	98.33
	0.20	100.00	100.00	18.33	58.33	66.67

表3 nλ 与Δ对准确率的影响

Tab. 3 Impact of nλand Δ on accuracy

$n λ$	Δ	不同队形的准确率/%
$n λ$	Δ	十字形	一字形	菱形	三叉形	V形
4	0.02	100.00	100.00	8.33	95.00	100.00
	0.05	100.00	100.00	3.33	88.33	93.33
	0.10	100.00	100.00	3.33	85.00	91.67
	0.20	100.00	100.00	6.67	58.33	35.00
6	0.02	100.00	100.00	8.33	93.33	100.00
	0.05	100.00	100.00	3.33	86.67	100.00
	0.10	100.00	100.00	0.00	85.00	95.00
	0.20	100.00	100.00	10.00	58.33	58.33
8	0.02	100.00	100.00	18.33	93.33	100.00
	0.05	100.00	100.00	5.00	91.67	100.00
	0.10	100.00	100.00	5.00	88.33	98.33
	0.20	100.00	100.00	18.33	58.33	66.67

表4 nλ 和nΔ 对准确率的影响

Tab. 4 Impact of nλ and nΔ on accuracy

n_λ	n_Δ	不同队形下的准确率/%
n_λ	n_Δ	十字形	一字形	菱形	三叉形	V形
4	6	100.00	100.00	25.00	86.67	51.67
	8	100.00	100.00	8.33	68.33	60.00
	10	100.00	100.00	73.33	71.67	93.33
6	6	100.00	100.00	35.00	93.33	60.00
	8	100.00	100.00	8.33	75.00	75.00
	10	100.00	100.00	81.67	71.67	96.67
8	6	100.00	100.00	40.00	93.33	65.00
	8	100.00	100.00	11.67	71.67	78.33
	10	100.00	100.00	88.33	73.33	96.67

图4 添加噪声前后的5种队形对比

Fig. 4 Comparison of five formations before and after adding noise

表5 五种队形在不同噪声强度下的识别准确率

Tab. 5 Recognition accuracies of five formations under different noise intensities

强度	队形	不同方法的识别准确率/%
强度	队形	自适应阈值	硬阈值	Hough变换	SC
0.003	十字形	100.00	100.00	100.00	100.00
	一字形	100.00	100.00	100.00	100.00
	菱形	96.67	13.33	100.00	100.00
	三叉形	100.00	100.00	85.00	95.00
	V形	100.00	100.00	100.00	100.00
0.004	十字形	100.00	100.00	100.00	100.00
	一字形	100.00	100.00	100.00	98.33
	菱形	96.67	46.67	100.00	93.33
	三叉形	85.00	90.00	86.67	91.67
	V形	100.00	100.00	98.33	95.00
0.005	十字形	100.00	100.00	98.33	100.00
	一字形	100.00	100.00	100.00	100.00
	菱形	88.33	18.33	76.67	86.67
	三叉形	93.33	85.00	91.67	83.33
	V形	96.70	100.00	90.00	88.33

参考文献 18

[1]	SKOROBOGATOV G， BARRADO C， SALAMÍ E. Multiple UAV systems： a survey ［J］. Unmanned Systems， 2020， 8（2）： 149-169.
[2]	KHELIFI M， BUTUN I. Swarm Unmanned Aerial Vehicles （SUAVs）： a comprehensive analysis of localization， recent aspects， and future trends ［J］. Journal of Sensors， 2022， 2022： No.8600674.
[3]	KAMEL M A， YU X， ZHANG Y. Formation control and coordination of multiple unmanned ground vehicles in normal and faulty situations： a review ［J］. Annual Reviews in Control， 2020， 49： 128-144.
[4]	ABRAHAM A， GUO H， LIU H. Swarm intelligence： foundations， perspectives and applications ［M］// NEDJAH N， DE MACEDO MOURELLE L. Swarm intelligent systems， SCI 26. Berlin： Springer， 2006： 3-25.
[5]	李鹏举，毛鹏军，耿乾，等. 无人机集群技术研究现状与趋势［J］. 航空兵器， 2020， 27（4）： 25-32.
	LI P J， MAO P J， GENG Q， et al. Research status and trend of UAV swarm technology ［J］. Aero Weaponry， 2020， 27（4）： 25-32.
[6]	CEVIK P， KOCAMAN I， AKGUL A S， et al. The small and silent force multiplier： a swarm UAV — electronic attack ［J］. Journal of Intelligent and Robotic Systems， 2013， 70（1/2/3/4）： 595-608.
[7]	梁晓龙，张佳强，吕娜. 无人机集群［M］. 西安：西北工业大学出版社， 2018.
	LIANG X L， ZHANG J Q， LYU N. UAV swarms［M］. Xi’an： Northwestern Polytechnical University Press， 2018.
[8]	冷画屏，关庆云，吴晓锋. 基于领域知识的海上编队线型队形识别［J］. 舰船科学技术， 2013， 35（2）： 103-106.
	LENG H P， GUAN Q Y， WU X F. Recognition of naval fleet line type formation based on domain knowledge ［J］. Ship Science and Technology， 2013， 35（2）： 103-106.
[9]	刘文一，孙伟，朱良明，等. 舰载飞行器打击水面舰艇编队队形识别和目标选择方法［J］. 兵器装备工程学报， 2020， 41（2）： 85-89.
	LIU W Y， SUN W， ZHU L M， et al. Study on formation recognition and target selection method of shipborne aircraft against warship formation ［J］. Journal of Ordnance Equipment Engineering， 2020， 41（2）： 85-89.
[10]	HE H， WU L， HU X. Warship formation extraction and recognition based on density-based spatial clustering of applications with noise and improved convolutional neural network［J］. IET Radar， Sonar and Navigation， 2022， 16（12）： 1912-1923.
[11]	SAGI S V V， PETNGA L. Multi-UAS formation recognition in dynamic environments ［J］. Procedia Computer Science， 2020， 168： 241-248.
[12]	HAN Y， CHEN J， QIAN J， et al. Graph spectral perturbation for 3D point cloud contrastive learning ［C］// Proceedings of the 31st ACM International Conference on Multimedia. New York： ACM， 2023： 5389-5398.
[13]	ZHAO Z， WANG H， YU X. Spectral-spatial graph attention network for semisupervised hyperspectral image classification ［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.5503905.
[14]	COSTA L F， RODRIGUES F A， TRAVIESO G， et al. Characterization of complex networks： a survey of measurements［J］. Advances in Physics， 2007， 56（1）： 167-242.
[15]	BACKES A R， CASANOVA D， BRUNO O M. A complex network-based approach for boundary shape analysis ［J］. Pattern Recognition， 2009， 42（1）： 54-67.
[16]	陈宝林. 最优化理论与算法［M］. 2版. 北京：清华大学出版社， 2005： 256-259.
	CHEN B L. Optimization theory and algorithms ［M］. 2nd ed. Beijing： Tsinghua University Press， 2005： 256-259.
[17]	ALBERT R， BARABÁSI A L. Statistical mechanics of complex networks ［J］. Reviews of Modern Physics， 2002， 74（1）： 47-97.
[18]	DE OLIVEIRA A B， SILVA P R DA， BARONE D A C. A novel 2D shape signature method based on complex network spectrum［J］. Pattern Recognition Letters， 2015， 63： 43-49.

基于多尺度复杂网络的无人机集群队形识别算法

UAV swarm formation recognition algorithm based on multi-scale complex networks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 18

相关文章 15

编辑推荐

Metrics

[1]	汤恒先, 姚远, 康浩翔. 基于容器的规模化无人机集群仿真引擎研究与实现[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2704-2711.
[2]	李姝, 刘国庆, 李思远, 秦耀昌. 大范围复杂环境下多无人机的快速全自主探索方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2317-2324.
[3]	范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2342-2350.
[4]	林柄权, 刘磊, 李华峰, 刘晨. DoS攻击下基于APF和DDPG算法的无人机安全集群控制[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1241-1248.
[5]	王兴旺, 张清杨, 姜守勇, 董永权. 基于改进鲸鱼优化算法的动态无人机路径规划[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 928-936.
[6]	肖海林, 田波, 胡彬, 孔祥婷, 吴媛媛, 马仁煜, 张中山. 基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 4021-4029.
[7]	陈晓娟, 张薇. 基于强化学习的无人机乡村末端配送任务分配[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 4055-4063.
[8]	郭莉莉, 吉晓东, 张士兵. 多用户对无人机中继系统的吞吐量最大化[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3692-3697.
[9]	赵东宏, 赵创新, 聂禾玮, 张瞿辉, 杨佳琪. 一种筋斗机动飞行纵向轨迹跟踪控制律设计[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3739-3746.
[10]	孙鉴, 张伟, 马宝全, 吴隹伟, 杨晓焕, 武涛. 无人机群辅助的移动感知自适应并行计算任务卸载系统MATOS[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3259-3269.
[11]	穆凌霞, 周政君, 王斑, 张友民, 薛向宏, 宁凯凯. 多无人机编队避障和编队重构方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2938-2946.
[12]	黄天宇, 李远兴, 陈昊, 郭紫佳, 魏明军. 地空协同场景下加权模糊聚类用户簇划分方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1555-1561.
[13]	郑志强, 段海滨. 基于有限忍耐度鸽群优化的无人机近距空战机动决策[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1401-1407.
[14]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[15]	蔡美玉, 朱润哲, 吴飞, 张开昱, 李家乐. 基于注意力机制和多粒度特征融合的跨视角匹配模型[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 901-908.