CN103198355A - 一种光学卫星传感器静态对地观测能力聚类方法 - Google Patents

Abstract

本发明公开了一种光学卫星传感器静态对地观测能力聚类方法，本发明方法基于光学卫星传感器的性能指标参数值，获取光学卫星传感器的静态对地观测能力的主成分得分；并基于主成分得分，采用自组织神经网络SOM模型对光学卫星传感器进行聚类。和现有技术相比，本发明方具有定量、客观和灵活的特点。本发明方法为通过性能参数定量度量对地观测光学卫星传感器的静态观测能力提供了支持，并为依据观测能力对传感器分类提供了一种更准确的方法。

Description

一种光学卫星传感器静态对地观测能力聚类方法

技术领域

本发明涉及一种传感器观测能力评价和传感器分类方法，特别涉及一种光学卫星传感器静态对地观测能力聚类方法，属于地球空间信息领域。

背景技术

地球观测传感器是用于从空间观测地球的装置，带有用于观测地表和大气的遥感技术。这些遥感技术基于对地球及大气反射或者辐射出的电磁波的光谱和空间强度分布进行观测。不同的对地观测传感器在满足地球观测请求时拥有不同的观测能力，只有拥有合适能力的传感器才可以用于特定的观测任务。一方面，现有的人造卫星中，对地观测卫星较少，搭载的对地观测传感器也不多；另一方面，设计、制造、发射和运行对地观测传感器十分耗时且成本高昂。所以，选择合适的对地观测传感器来完成观测任务，利用有限的传感器资源进行对地观测，可尽量减少重复发射对地观测卫星，节约时间、金钱和空间资源，因此，对对地观测传感器进行观测能力的评价具有重要的现实价值。

为此，需要可科学、定量、静态地衡量不同的对地观测卫星传感器的观测能力的方法。依据此方法，在不考虑具体观测任务的情况下，评价不同的对地观测卫星传感器固有的观测能力，并依据静态观测能力对现有的或者设计中的对地观测卫星传感器进行分类，将静态观测能力相近的传感器归为同类，而静态观测能力相差较远的传感器归为不同类。这样，在面临观测任务，或者论证发射新传感器的必要性时，可以作为客观权威参考，从而可达到高效利用对地观测传感器资源的目的。例如，在面临自然灾害预报或者发生时，需要对受自然灾害威胁或影响的地区进行卫星监测。这时，若没有预先衡量卫星传感器的观测能力，就只能任意规划卫星任务，导致效率降低。

所谓对地观测卫星传感器的静态观测能力，是指对地观测卫星传感器在设计成形以后即具有的、由其技术参数决定的观测能力。静态观测能力不受具体观测任务影响，甚至与传感器是否真正研制无关。在观测任务以外衡量对地观测卫星传感器的观测能力，能为度量观测任务中的对地观测卫星传感器的观测能力提供参考，也能为针对观测任务选择符合需要的传感器提供帮助。因此，衡量对地观测卫星传感器的静态观测能力，并依此将对地观测卫星传感器分类，在灾害应急响应中有着重要的作用。灾害的突发性决定了针对灾害的观测任务的紧迫性，面临紧迫的灾害监测任务，如果能从预先衡量好观测能力并归好类别的传感器中迅速选择出符合灾害监测需求的传感器，将有助于政府和救灾机构快速做出灾害应急响应，减少人民群众生命财产损失。

现有的专门用于度量对地观测卫星传感器的观测能力的方法还不多，但用于度量特定个体的效能的方法较丰富。其中，常见的效能评估方法包括层次分析法、ADC分析法、模糊综合评价法、灰色白化权函数聚类法等等。层次分析法是一种主观的效能评估方法，由专家打分的方式获得评估算法中关键的判断矩阵，其评估结果具有较强的主观性，而且其评价结果由指标评价值与权重乘积直接简单累加得到，没有从系统角度综合描述系统的性能。ADC分析法中，能力矩阵的确定直接关系到评估结果的准确性，除了少数有条件的情况下可通过实验确定能力矩阵，多数情况下靠专家打分法确定能力矩阵，因此，ADC分析法的分析结果也很难避免主观因素的影响。模糊综合评估方法将模糊理论应用到效能评估中，但与层次分析法相同，其权重矩阵是人为给定的，结果难免受到主观因素的影响。灰色白化权函数聚类方法适用于指标的意义、量纲皆相同的系统，当指标的意义、量纲不同，且数量上悬殊较大时，可以将指标先均值化再聚类，但是该方法对所有聚类指标一视同仁，不能反映不同指标在决定传感器能力的作用上的差异，有较大的局限性^[1]。

综合分析，目前可用于传感器静态观测能力定量评价和分类的方法普遍存在以下问题：

（1）易受人为因素的影响，评价结果客观性不足。

以现有的效能评估和分类方法来评价对地观测传感器的静态观测能力，并进行分类，普遍存在评价客观性不足的问题。如上所述，不少效能评估方法的评估过程都需要人的参与，例如专家打分或者依据经验给定权重矩阵。人为参与突出了主观性的影响，削弱了评价方法的客观性。评价方法的客观性不足将使评价结果与客观事实产生一定的偏差，会导致根据评价结果做出的传感器选择决策不能达到最优，从而不能最大限度地利用对地观测传感器资源。

（2）对传感器各性能指标一视同仁，不能体现不同指标的重要性差异。

以现有的效能评估和分类方法来评价对地观测传感器的静态观测能力，并进行分类，还存在不能体现传感器不同指标重要性差异的问题。影响对地观测传感器的静态观测能力的指标很多，不同的指标有不同的影响能力，某些指标在决定对地观测传感器的静态观测能力时显示出更重要的地位，另一些指标的影响能力则较小。现有的效能评估和分类方法在分类时普遍地将不同的指标一视同仁，分类结果不能体现不同能力指标的重要性差异，分类结果与事实产生偏差，导致根据分类结果做出的传感器选择决策不能达到最优，从而不能最大限度地利用对地观测传感器资源。

文中涉及如下参考文献：

[1]张杰，唐宏，苏凯,效能评估方法研究,北京市:国防工业出版社,2009.

发明内容

针对现有技术存在的不足，本发明提出了一种更接近真实情况的光学卫星传感器静态对地观测能力聚类方法。

本发明采用主成分分析法，基于对地观测光学卫星传感器的性能指标参数，提取传感器的静态观测能力主成分，并获取对地观测光学卫星传感器的静态观测能力的主成分得分；紧接着，本发明再采用自组织神经网络SOM算法，基于主成分得分，将对地观测卫星传感器进行聚类。在聚类过程中，本发明基于传统的自组织神经网络SOM算法，使用主成分分析过程中获得的各主成分对应的贡献率作为权重参数，调整传感器的静态观测能力的主成分得分在自组织神经网络SOM网中的权重，使得聚类过程中考虑了不同静态观测能力主成分的不同影响力，从而使聚类结果体现出不同能力主成分的不同影响力，使聚类结果更接近真实情况。

为了解决上述技术问题，本发明采用如下的技术方案：

一种光学卫星传感器静态对地观测能力聚类方法，包括步骤：

步骤1，基于光学卫星传感器的性能指标参数值，获取光学卫星传感器的静态对地观测能力的主成分得分；

步骤2，基于主成分得分，采用自组织神经网络SOM模型对光学卫星传感器进行聚类。

步骤1进一步包括以下子步骤：

步骤101，对光学卫星传感器的性能指标参数值进行同趋势化和归一化，获得归一化后的性能指标参数矩阵C＝(c_i,j)，其中，c_i,j表示第i个光学卫星传感器第j项性能指标的归一化参数值；

步骤102，获取性能指标参数矩阵C＝(c_i,j)的相关系数矩阵，并获取相关系数矩阵的特征值及对应的特征向量；

步骤103，获取各特征值的贡献率和累计贡献率，所述的特征值的贡献率为该特征值在所有特征值的总和中所占的比例；所述的特征值的累计贡献率为该特征值及比特征值大的所有特征值的贡献率的总和；

步骤104，基于各特征值的累计贡献率确定光学卫星传感器静态观测能力的主成分个数k及主成分，并分别获取各光学卫星传感器在各主成分下的得分。

上述步骤104中确定光学卫星传感器静态观测能力的主成分个数具体为：

按特征值大小将特征值排序，从最大的特征值开始寻找，直到找到第k个特征值，使得第k-1个特征值的累积贡献率小于或等于预设值γ，而第k个特征值的累积贡献率大于预设值γ，则，光学卫星传感器静态观测能力的主成分个数为k；若最小的特征值的累积贡献率就大于预设值γ，则k取1，即，光学卫星传感器静态观测能力的主成分个数为1。

上述步骤104中获取各光学卫星传感器在各主成分下的得分具体为：

将最大的k个特征值对应的特征向量分别作为k个主成分的系数向量；

将光学卫星传感器在所有性能指标下的参数值分别以k个主成分的系数为权重向量进行加权求和，得到光学卫星传感器在各主成分下的得分。

步骤2中，采用自组织神经网络SOM模型的聚类过程中，以各主成分对应的特征值的贡献率为主成分的权重。

与现有技术相比，本发明具有以下优点和积极效果：

1）实现了对地观测光学卫星传感器静态观测能力评价的定量化。

本发明采用主成分分析法，将决定光学卫星传感器静态观测能力的性能指标参数降维处理，并获取若干静态观测能力主成分得分。这些得分作为定量数据，可以定量地衡量对地观测光学卫星传感器的静态观测能力。这种方法有别于传统的定性描述卫星传感器的好坏，或者简单比较卫星传感器之间某方面性能优劣的方法，使得对地观测光学卫星传感器的静态观测能力有了综合、定量的描述手段，从而有利于传感器选择的决策。

2）实现了客观的、多样化的对地观测光学卫星传感器分类。

本发明采用自组织神经网络SOM算法，从对地观测光学卫星传感器的静态观测能力主成分得分出发，在无人为监督的情况下进行聚类分析。在聚类分析过程中，本发明使用对地观测光学卫星传感器的静态观测能力主成分的各自贡献率作为影响权重，充分考虑不同主成分在影响对地观测光学卫星传感器的静态观测能力中发挥的不同重要性。由于有了这样的设计，本发明使得对对地观测光学卫星传感器的分类结果具有了充分的客观性；还使得不同方面的静态观测能力影响因素的重要性差异被考虑到分类过程中，从而使对对地观测光学卫星传感器的分类结果具有了充分的多样性。相比传统的分类方法，本发明的分类结果因更强的客观性和多样性，更贴近事实情况，从而有利于传感器选择的决策。

附图说明

图1是本发明方法总体流程图；

图2是本发明步骤S100的具体流程图；

图3是本发明步骤S200的具体流程图；

图4为实施例所得聚类结果中的第一类；

图5为实施例所得聚类结果中的第二类；

图6为实施例所得聚类结果中的第三类；

图7为实施例所得最终聚类结果。

具体实施方式

能否客观、定量地评价对地观测光学卫星传感器的静态观测能力，以及能否依据这样的静态观测能力将对地观测光学卫星传感器进行分类，关系到能否高效、准确地判断对地观测光学卫星传感器的静态观测能力，并依据此快速地选择合适的传感器应用到对地观测需求中；同时，这也关系到能否客观有效地评价新发射对地观测光学卫星传感器的必要性，并据此优化对地观测光学卫星传感器的设计，或使卫星发射收益最大化。因此，本发明提供的这样一种客观的、多样化的定量评价和分类方法具有重要的现实意义。

下面以具体实施并结合附图，对本发明作进一步说明。

本发明提供的一种光学卫星传感器静态对地观测能力聚类方法，见图1所示，包括步骤：

步骤S100：获取光学卫星传感器静态对地观测能力的主成分得分，见图2。

步骤S101：对光学卫星传感器的性能指标参数值进行同趋势化和归一化，获得归一化后的性能指标参数矩阵。

针对光学卫星传感器性能指标的多样性，对需要改变趋势的性能指标的趋势求反，使之与其他性能指标的趋势相同。所谓性能指标的趋势，即，对地观测光学卫星传感器的部分性能指标的参数值越大，意味着传感器对应的性能越强；而另一部分性能指标的参数值越小，意味着传感器对应的性能越强。

例如，对地观测光学卫星的星载存储量越大，说明数据存储能力越强，相应地能存储更多的数据；而对地观测光学卫星传感器的星下点分辨率数值越小，说明传感器能分辨的最小地面距离越小，相应地表示传感器生成高分辨率影像的能力越强。上述星载存储量和星下点分辨率属于趋势相反的传感器性能指标。

由于本发明采用主成分分析法达到消除指标间的相关性和降低指标维度的目的，而主成分分析法默认输入数据越大，表示相应的性能越强，于是，本步骤将趋势为“数值越小，代表能力越强”的传感器性能指标的参数值进行同趋势化处理，即，使用这些性能指标的参数值的倒数来代替原来的参数值。

传感器性能指标同趋势化后，对传感器性能指标的参数值进行归一化，使不同性能指标的参数值转化为同一数量级，从而避免由于性能指标本身物理含义的原因，导致部分性能指标的参数值因为数量级较大而在传感器静态观测能力的评价过程中起到更重要的影响作用。具体的归一化方法是：对所有传感器在某一个性能指标下的所有参数值求算术平均值，再用各传感器该性能指标的参数值除以均值，所得值即为各传感器归一化后的性能指标参数值。对所有传感器所有性能指标的参数值均进行归一化处理。

例如，选择SPOT-5卫星的HRG传感器、Landsat-7卫星的ETM+传感器、CBERS卫星的WFI传感器、CBERS卫星的HRCC传感器、formosat-2卫星的RSI传感器、Envisat卫星的MERIS传感器、OrbView-3卫星的OHRIS传感器、EO-1卫星的ALI传感器和GEOEye-1卫星的GIS传感器，共8颗对地观测卫星的9个光学传感器作为研究对象。

选择时间分辨率、全球覆盖时间、最小空间分辨率、最大空间分辨率、侧摆范围、光谱频段数、最大信噪比、最大视场宽度、数据量化级数、成像数据率、数传速率、星载存储空间、传感器设计寿命，共13个传感性能指标。将上述9个传感器的上述13个性能指标的参数值列入表1，将表1中各参数值形成矩阵A_9×13＝(a_i,j)，其中，i＝1,2,...,9，j＝1,2,...13，a_i,j表示表1中第i个传感器的第j项性能指标的参数值。

表1传感器对地观测性能指标参数值列表

将时间分辨率、全球覆盖时间、最小空间分辨率、最大空间分辨率这4项指标的参数值全部用其倒数代替，完成性能指标参数值的同趋势化，即当j＝1,2,3,4，用b_i,j来代替a_i,j,

i＝1,2,...,9。

经性能指标参数值的同趋势化处理后，再对表1中所有性能指标的参数值进行归一化计算，获得归一化后的性能指标参数值c_i,j：

$c_{i,j}=\frac{b_{i,j}}{\frac{1}{9}\underset{k=1}{\overset{9}{\mathrm{\Σ}}}{b}_{k,j}}---\left(1\right)$

c_i,j为性能指标参数b_i,j的归一化值，i＝1,2,...,9，j＝1,2,...,13。

步骤S102：获取归一化后的性能指标参数矩阵的相关系数矩阵，再计算相关系数矩阵的特征值及对应的特征向量。

将步骤S101所得归一化后的性能指标参数值c_i,j形成矩阵C＝(c_i,j)，该矩阵的第i行为第i个卫星光学传感器的各项性能指标的参数值，该矩阵的第j列为所有卫星光学传感器的第j项性能指标的参数值。将矩阵C＝(c_i,j)的每一列均看成一个列向量，求各列向量两两之间的相关系数，并组成一组列向量的相关系数矩阵M_n×n，再求相关系数矩阵M_n×n的特征值和特征向量，其中，n为性能指标的数目。

继续步骤S101中的例子。将经过同趋势化和归一化处理的传感器性能参数矩阵C＝(c_i,j)中的每一列看作列向量s_j＝(c_1,j,c_2,j,...,c_9,j)，j＝1,2,...,13，求13个列向量s_j的相关系数矩阵M_13×13，再计算矩阵M_13×13的特征值与特征向量，不妨令计算出的特征值为α₁、α₂、...、α₁₃，对应的特征向量序列为β₁、β₂、...、β₁₃。

步骤S103：按照相关系数矩阵的特征值大小，将特征值及对应的特征向量排序。

本具体实施中，将上述特征值和对应的特征向量按照特征值从大到小排序，目的是为了方便后面的运算步骤。不妨设按从大到小排序后的特征值序列为α'₁、α'₂、...、α'_n，对应的特征向量序列为β'₁、β'₂、...、β'_n，其中，β'_k＝(μ_k,1,μ_k,2,...,μ_k,n)，k＝1,2,...,13，n为性能指标的数量。

步骤S104：计算上述各特征值的贡献率和累积贡献率。

所谓特征值的贡献率，就是每个特征值在所有特征值的总和中所占的比例。如果特征值为复数，则使用此复数特征值的2-范数值来代替此特征值进行计算。所谓累积贡献率，即将所有的特征值从大到小排序后，某特征值及比它大的所有特征值的贡献率的总和为该特征值的累计贡献率。

继续步骤S102中的例子，将经排序的13个特征值列入表2，并求出各特征值的贡献率和累积贡献率，见表2。

表2传感器性能指标相关系数矩阵的特征值及贡献率、累积贡献率

特征值编号	特征值	贡献率	累积贡献率
				1	5.2797	0.4061	0.4061
2	3.1237	0.2403	0.6404
				3	1.8274	0.1406	0.7870
4	1.2209	0.0939	0.8809
				5	0.6665	0.0513
6	0.4920	0.0378
				7	0.2455	0.0189
8	0.1443	0.0111
				9	0.0000+0.0000i	0.0000+0.0000i
10	0.0000-0.0000i	0.0000-0.0000i
				11	0.0000+0.0000i	0.0000+0.0000i
12	0.0000-0.0000i	0.0000-0.0000i
				13	-0.0000	-0.0000

步骤S105：依据各特征值的累积贡献率确定光学卫星传感器静态对地观测能力的主成分个数。

求出所有特征值的贡献率和累积贡献率后，从第一个特征值开始往后寻找，直到找到第k个特征值，使得第k-1个特征值的累积贡献率小于或等于某预设值γ，而第k个特征值的累积贡献率大于预设值γ，预设值γ可在80～90%范围内取值。若第一个特征值的累积贡献率就大于预设值γ，则k值取1。于是按照此策略确定传感器静态观测能量主成分个数为k。

见表2中的例子，设定预设值γ为85%，第4个特征值的累积贡献率超过85%，而第3个特征值的累积贡献率小于85%，所以选择4个主成分代表13个性能指标来衡量9个传感器的静态观测能力。

步骤S106：根据已经确定的主成分个数k，选出相应数量的传感器静态观测能力主成分：选定主成分个数k后，将前k个特征值对应的特征向量作为k个主成分的系数向量。

步骤S107：求出每个传感器在各主成分下的得分。

每个传感器在各主成分下的得分即为：该传感器在所有性能指标下的参数值以该主成分对应的系数向量作为权重向量加权求和所得的和。

例如，假设第i个传感器在第j项性能指标下的参数值为c_i,j，则该传感器在第k个主成分下的得分t_i,k为：

$t_{i,k}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\left(c_{i,j}{\mathrm{\μ}}_{k,j}\right)$

其中，n为性能指标的数量，μ_k,j为特征向量β'_k的第j个元素；c_i,j为经同趋势化和归一化的参数值。

求出所有传感器在所有主成分下的得分，组成传感器的主成分矩阵，该主成分矩阵即为定量评价对地观测光学卫星传感器的静态观测能力的结果。该结果不仅是通过传感器的客观技术参数，经过不受人为干预的客观计算得到的客观结果，而且能与每个主成分的贡献率对应，作为下一步对地观测光学卫星传感器静态观测能力聚类的依据。

继续步骤S105中的例子。选定主成分个数为4后，用表2中前4个特征值对应的特征向量作为权重向量，分别将每个传感器的各性能参数加权求和，得到4个主成分得分。对第i个传感器的第k个主成分得分t_i,k为：

$t_{i,k}=\underset{j=1}{\overset{13}{\mathrm{\Σ}}}(c_{i,j}*{\mathrm{\μ}}_{k,j})$

其中，i＝1,2,...,9，k＝1,2,3,4。

依此求得表1中的9个传感器在4个主成分下的得分，见表3。

表3传感器的4个主成分得分

传感器编号	传感器名称	主成分1	主成分2	主成分3	主成分4
						1	HRG	3.4137	0.7009	-2.1154	-1.6233
2	ETM+	1.5416	3.7582	-1.2081	-0.8714
						3	WFI	-1.1321	1.811	-1.3369	1.0712
4	HRCC	2.085	0.4267	-1.0816	-1.1989
						5	RSI	6.7643	-3.1025	-4.1056	-1.241
6	MERIS	-1.6066	6.7129	-5.2012	1.4716
						7	OHRIS	3.1702	2.2519	-2.8725	0.4377
8	ALI	-0.4404	4.7436	-3.0541	-1.9384
						9	GIS	27.3513	8.7487	-1.4928	-0.2836

步骤S200：对光学卫星传感器静态对地观测能力进行聚类，见图3。

步骤S201：将所有传感器的主成分得分组成矩阵，作为分类算法的输入。

步骤S100中获得了对地观测光学卫星传感器的静态观测能力主成分得分，见表3，将表3中的主成分得分组成传感器的主成分矩阵T＝(t_i,k)，作为传感器静态观测能力分类算法的输入数据，其中T＝(t_i,k)的每一行对应着某一传感器的主成分得分。以表3中主成分得分组成的矩阵为例，第一行就对应传感器HRG的4个主成分得分。表3中各主成分得分组成的矩阵如下：

$T=\left(t_{i,k}\right)=\left(\begin{array}{cccc}3.4137& 0.7009& -2.1154& -1.6233\\ 1.5416& 3.7582& -1.2081& -0.8714\\ -1.1321& 1.811& -1.3369& 1.0712\\ 2.085& 0.4267& -1.0816& -1.1989\\ 6.7643& -3.1025& -4.1056& -1.241\\ -1.6066& 6.7129& -5.2012& 1.4716\\ 3.1702& 2.2519& -2.8725& 0.4377\\ -0.4404& 4.7436& -3.0541& -1.9384\\ 27.3513& 8.7487& -1.4928& -0.2836\end{array}\right)$

步骤S202：将步骤S201所得主成分得分矩阵T输入到自组织神经网络SOM模型中，设置神经网络学习过程中的权重参数，各主成分的权重为主成分对应的特征值的贡献率。

自组织神经网络是一种无监督学习的神经网络算法，有许多既成的软件或程序可以完成SOM网计算。本具体实施中选用数据挖掘软件Viscovery SOMine作为聚类工具。将步骤S201得到的主成分得分矩阵输入到Viscovery SOMine工具中，并对应输入各主成分对应的特征值的贡献率作为参考权重。这样可以避免神经网络将所有主成分一视同仁，从而体现出不同主成分在影响对地观测光学卫星传感器的静态观测能力上的不同重要性。

步骤S203：自组织神经网络SOM模型根据输入的主成分得分矩阵和参考权重自动对传感器主成分得分向量进行学习和聚类。

紧接着步骤S202进行自组织神经网络SOM的计算，在输入传感器能力主成分得分矩阵，并设置好每个主成分对应的权重后，运行Viscovery SOMine软件，以完成SOM网计算过程。

步骤S204：将自组织神经网络SOM模型的聚类结果对应为传感器的分类结果。

在步骤S203中，通过SOM网计算，得到了传感器能力主成分的分类结果，如图4～6所示，输入的9个传感器的主成分得分矩阵被分成了3类。

第一类见图4，图4右边为分类结果，图4左边为该类对应包含的得分向量。第一类的得分向量为(27.35 8.749 -1.493 -0.2836)，也就是输入的得分矩阵T的第9行向量，即代表的传感器GIS，表明传感器GIS分到了第一类。

第二类见图5，从图中可以看出传感器OHRIS、RSI和HRG被分到了第二类。

第三类见图6，从图中可以看出，传感器MERIS、ALI、ETM+、HRCC和WFI被分到了第三类。

至此，就得到了对地观测光学卫星传感器的静态能力聚类结果，聚类结果的进一步展示见图7。

本发明方法可以完成对地观测光学卫星传感器的静态观测能力定量度量，并据此客观地做出对地观测光学卫星传感器的分类。本发明是客观、定量、灵活的传感器能力度量和分类方法，有助于更快、更精确地做出传感器选择。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种光学卫星传感器静态对地观测能力聚类方法，其特征在于，包括步骤：

步骤1，基于光学卫星传感器的性能指标参数值，获取光学卫星传感器的静态对地观测能力的主成分得分；

步骤2，基于主成分得分，采用自组织神经网络SOM模型对光学卫星传感器进行聚类。

2.如权利要求1所述的光学卫星传感器静态对地观测能力聚类方法，其特征在于：

步骤1进一步包括以下子步骤：

步骤101，对光学卫星传感器的性能指标参数值进行同趋势化和归一化，获得归一化后的性能指标参数矩阵C＝(c_i,j)，其中，c_i,j表示第i个光学卫星传感器第j项性能指标的归一化参数值；

步骤102，获取性能指标参数矩阵C＝(c_i,j)的相关系数矩阵，并获取相关系数矩阵的特征值及对应的特征向量；

步骤103，获取各特征值的贡献率和累计贡献率，所述的特征值的贡献率为该特征值在所有特征值的总和中所占的比例；所述的特征值的累计贡献率为该特征值及比特征值大的所有特征值的贡献率的总和；

步骤104，基于各特征值的累计贡献率确定光学卫星传感器静态观测能力的主成分个数k及主成分，并分别获取各光学卫星传感器在各主成分下的得分。

3.如权利要求2所述的光学卫星传感器静态对地观测能力聚类方法，其特征在于：

步骤104中确定光学卫星传感器静态观测能力的主成分个数具体为：

按特征值大小将特征值排序，从最大的特征值开始寻找，直到找到第k个特征值，使得第k-1个特征值的累积贡献率小于或等于预设值γ，而第k个特征值的累积贡献率大于预设值γ，则，光学卫星传感器静态观测能力的主成分个数为k；若最小的特征值的累积贡献率就大于预设值γ，则k取1，即，光学卫星传感器静态观测能力的主成分个数为1。

4.如权利要求2所述的光学卫星传感器静态对地观测能力聚类方法，其特征在于：

步骤104中获取各光学卫星传感器在各主成分下的得分具体为：

将最大的k个特征值对应的特征向量分别作为k个主成分的系数向量；

将光学卫星传感器在所有性能指标下的参数值c_i,j分别以k个主成分的系数为权重向量进行加权求和，得到光学卫星传感器在各主成分下的得分。

5.如权利要求1所述的光学卫星传感器静态对地观测能力聚类方法，其特征在于：

步骤2中，采用自组织神经网络SOM模型的聚类过程中，以各主成分对应的特征值的贡献率为主成分的权重。

Images