CN104598566A - 运动目标的关联规则分析方法及系统 - Google Patents
运动目标的关联规则分析方法及系统 Download PDFInfo
- Publication number
- CN104598566A CN104598566A CN201510013161.9A CN201510013161A CN104598566A CN 104598566 A CN104598566 A CN 104598566A CN 201510013161 A CN201510013161 A CN 201510013161A CN 104598566 A CN104598566 A CN 104598566A
- Authority
- CN
- China
- Prior art keywords
- data
- variation tendency
- feature
- tables
- inherent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种运动目标的关联规则分析方法及系统,方法包括:获取特征数据表;依次对每个采样时刻,得到对应该时刻的变化趋势数据表,并对变化趋势数据表进行关联规则分析,得到第一关联知识;整合预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;依次对每个采样时刻,得到对应该时刻的固有特征数据表,并对固有特征数据表进行关联规则分析,得到第二关联知识;整合预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;对动态关联知识和静态关联知识进行数据融合,得到关联规则知识。本发明从根本上解决了目前运动目标数据挖掘过程中对目标的运动趋势无法充分体现的问题。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种运动目标的关联规则分析方法及系统。
背景技术
现代空域管理和监视已经是一种大范围、快节奏的管理和监视方式,包括海、陆、空、天多维度的多方平台。随着现代空域管理和监视过程中传感器种类的增加以及传感器能力的提升,空域管理和监视范围进一步扩大,方式日趋复杂化,区域内运动目标的数据量和种类也随之剧增,由此给运动目标的识别带来了极大的困难。因此,在复杂环境下针对不同飞行任务、不同目标,快速、准确地完成运动目标的识别,是未来空域管理和监视的先决条件和必要保障。
针对现有技术中运动目标的关联规则分析方法:
(1)在数据挖掘方面,目前的处理方式几乎都是基于当前tn时刻的“静态状态”数据进行挖掘,没有考虑针对tn-tn-1的“动态趋势”数据进行处理,因而挖掘结果缺乏对运动目标趋势特性的体现,也同时会导致一些有用知识的遗漏;
(2)在关联规则分析方面,目前最为著名的算法是Apriori算法和FP-Growth(FrequentPattern-Growth,频繁模式增长)算法,此外还有DHP、STEM算法等。其中,Apriori算法采用了基于逐层搜索求解频繁项集的迭代的方法,其过程简单,且易于理解,没有复杂的算法,实现起来也比较容易,但需要多次扫描数据库(数据表)且产生大量候选频繁项集,实用性不够高,效率很低。FP-Growth算法是一种不产生候选频繁项的挖掘算法,其基本思想是将事务数据库压缩到一颗FP(Frequent Pattern,频繁模式)树中,采用分而治之的思想,自底向上挖掘FP树,最终输出所有的频繁项集,但该算法在遍历FP树时需要消耗大量时间,且在支持度计算时需要完全遍历,无法充分利用算法的中间结果,导致时间和空间效率略低。此外,Apriori算法和FP-Growth算法都存在一个共同的问题:二者都认为频繁项集的所有非空子集必须也都是频繁的,但是这样产生出的大量候选频繁项集虽然都是频繁的,但有一部分是原始数据源所不包含的,这在某些特定应用环境下是不能够被接受的。
综上,由于在未来空域管理和监视过程中,各种传感器获取的目标特征信息量大、类型多样、特征间关系错综复杂,并且特征具有不同的种类和表现形式,所以现有技术中运动目标的关联规则分析方法已无法适应新的需求。
发明内容
本发明的目的在于克服现有技术中运动目标的关联规则分析方法存在的以下技术缺陷:在数据挖掘方面,对运动目标的运动趋势无法充分体现。为实现上述目的,本发明提供了一种运动目标的关联规则分析方法及系统。
根据本发明的一个方面,提供了一种运动目标的关联规则分析方法,所述方法包括:
每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征;
依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表,并对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识;
整合所述预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;
依次对所述预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表,并对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识;
整合所述预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;
对所述动态关联知识和所述静态关联知识进行数据融合,得到关联规则知识。
优选的是,所述根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表包括:
依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值;
依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值;
根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表。
优选的是,所述根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表包括:
将所有属性特征保存到变化趋势数据表;
依次对所述特征数据表中的每个运动特征,当所述运动特征对应的第一差值大于0时,将通过所述运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值等于0时,将通过所述运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值小于0时,将通过所述运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表;
依次对所述特征数据表中的每个固有特征,当所述固有特征对应的第二差值为非0时,将通过所述固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述固有特征对应的第二差值等于0时,将所述固有特征作为变化趋势数据保存到变化趋势数据表。
优选的是,所述对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识包括:
利用所述变化趋势数据表,构建频繁模式树;
依次针对所述变化趋势数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;
根据所述变化趋势数据表中的所有单项对应的优化频繁项集,得到所述第一关联知识。
优选的是,所述对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识包括:
利用所述固有特征数据表,构建频繁模式树;
依次针对所述固有特征数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;
根据所述固有特征数据表中的所有单项对应的优化频繁项集,得到所述第二关联知识。
根据本发明的另一个方面,提供了一种特征数据表的关联规则分析系统,所以系统包括:
特征数据表获取单元,设置为每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征;
变化趋势数据表确定单元,设置为依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表;
第一关联知识确定单元,设置为对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识;
动态关联知识确定单元,设置为整合所述预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;
固有特征数据表确定单元,设置为依次对所述预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表;
第二关联知识确定单元,设置为对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识;
静态关联知识确定单元,设置为整合所述预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;
关联规则知识确定单元,设置为对所述动态关联知识和所述静态关联知识进行数据融合,得到关联规则知识。
优选的是,所述变化趋势数据表确定单元包括:
第一差值确定单元,设置为依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值;
第二差值确定单元,设置为依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值;
变化趋势数据表子确定单元,设置为根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表。
优选的是,所述变化趋势数据表子确定单元具体设置为:
将所有属性特征保存到变化趋势数据表;
依次对所述特征数据表中的每个运动特征,当所述运动特征对应的第一差值大于0时,将通过所述运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值等于0时,将通过所述运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值小于0时,将通过所述运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表;
依次对所述特征数据表中的每个固有特征,当所述固有特征对应的第二差值为非0时,将通过所述固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述固有特征对应的第二差值等于0时,将所述固有特征作为变化趋势数据保存到变化趋势数据表。
优选的是,所述第一关联知识确定单元具体包括:
第一频繁模式树构建单元,设置为利用所述变化趋势数据表,构建频繁模式树;
第一频繁项集确定单元,设置为依次针对所述变化趋势数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
第一优化频繁项集确定单元,设置为去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;并根据所述变化趋势数据表中的所有单项对应的优化频繁项集,得到所述第一关联知识。
优选的是,所述第二关联知识确定单元包括:
第二频繁模式树构建单元,设置为利用所述固有特征数据表,构建频繁模式树;
第二频繁项集确定单元,设置为依次针对所述固有特征数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
第二优化频繁项集确定单元,设置为去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;并根据所述固有特征数据表中的所有单项对应的优化频繁项集,得到所述第二关联知识。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
应用本发明所述的运动目标的关联规则分析方法及方法,对当前tn时刻的“静态状态”数据和tn-tn-1的“动态趋势”数据进行关联规则分析,可充分、可靠地实现针对运动目标的数据挖掘,获取其目标属性关联知识,具有所挖掘的知识收敛有效、能充分体现动态趋势的特点,对于提升与完善我国国防、民航和通用航空的监视手段与策略具有重要的军事和社会意义,且通过在民用领域的扩展应用,也将创造重要的经济价值。从而,从根本上解决了目前运动目标数据挖掘过程中对目标的运动趋势无法充分体现的问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明实施例运动目标的关联规则分析方法的流程图;
图2示出了本发明实施例中根据采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表的方法的流程图;
图3示出了本发明实施例中对变化趋势数据表进行关联规则分析,得到采样时刻对应的第一关联知识的方法的流程图;
图4示出了本发明实施例中对固有特征数据表进行关联规则分析,得到采样时刻对应的第二关联知识的方法的流程图;
图5示出了本发明实施例运动目标的关联规则分析系统的结构示意图;
图6示出了本发明实施例中变化趋势数据表确定单元的结构示意图;
图7示出了本发明实施例中第一关联知识确定单元的结构示意图;以及
图8示出了本发明实施例中第二关联知识确定单元的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
为克服现有技术中运动目标的关联规则分析方法存在的以下技术缺陷:在数据挖掘方面,对运动目标的运动趋势无法充分体现,本发明实施例提供了一种运动目标的关联规则分析方法。
如图1所示,是本发明实施例运动目标的关联规则分析方法的流程图,该运动目标的关联规则分析方法包括以下步骤:
步骤101:每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,并使特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征。
具体地,首先获取特征数据库,特征数据库中保存有预设时间段内的每一个采样时刻获取的特征数据表。该特征数据表涉及至少两个运动目标,表中保存有针对每个运动目标的运动特征、固有特征和属性特征。其中运动特征例如包括经度、纬度、高度、距离、方位角、俯仰角、径向速度等,固有特征例如包括雷达型号、应答信息、目标类型等。特征数据库的获取可以离线获取也可以在线获取。
关于特征数据的保存方式可以为:在关联程序中构建一个三维向量,分别为时间维、目标维、特征维。其中时间维中保存有预设时间段内的各个采样时刻,目标维中保存有特征数据库涉及的所有运动目标,特征维中保存有对应每个运动目标的运动特征、固有特征和属性特征。
特别地,在获取特征数据表后,还优选地对特征数据表中保存的数据进行数据整理。数据整理的方式包括但不限于:消除空缺值、消除野值、以及采用卡尔曼滤波对数据进行去杂和去噪处理。例如,如果发现某一采样时刻的高度值缺失,那么可根据前后连续的点迹和航迹推算出该采样时刻合理的高度值,然后将推算出的高度值补充到缺失处;同理,如果某采样时刻的高度值明显偏离航迹,那么剔除之,并推算出新的合理值补充之。再例如,去杂去噪处理是指利用卡尔曼滤波的方法对数据中存在的杂波和噪声进行滤除,以保证真实数据尽可能地受到少的干扰。
步骤102:依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表,并对变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识。
步骤103:整合预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识。
具体地,步骤102和步骤103涉及动态关联。首先对于预设时间段内的每个采样时刻,通过该采样时刻获取的特征数据表以及其上一采样时刻获取的特征数据表,得到变化趋势数据表,变化趋势数据表中保存有能够反映此相邻的两个采样时刻获取的特征数据表的变化趋势的参量。下面将结合图2详细阐述变化趋势数据表的确定方法,在此不再展开说明。在确定变化趋势数据表后,对该变化趋势数据表进行关联规则分析,得到该采样时刻对应的第一关联知识。具体地可以采用已知的Apriori算法和FP-Growth算法,也可以采用其它改进的关联规则分析算法,循环采用上述方法,得到预设时间段内所有采样时刻对应的第一关联知识。然后对所有采样时刻对应的第一关联知识进行数据融合,得到动态关联知识。
步骤104:依次对预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表,并对固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识。特别地,数据融合的方法包括但不限于统计、归类和合并。
步骤105:整合预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识。
具体地,步骤104和步骤105涉及静态关联。首先对于预设时间段内的每个采样时刻,从该采样时刻获取的特征数据表中提取出所有固有特征和所有属性特征,并将所有的固有特征和所有属性特征保存到一个固有特征数据表中。在确定固有特征数据表后,对该固有特征数据表进行关联规则分析,得到该采样时刻对应的第二关联知识。具体地可以采用已知的Apriori算法和FP-Growth算法,也可以采用其它改进的关联规则分析算法,循环采用上述方法,得到预设时间段内所有采样时刻对应的第二关联知识。然后对所有采样时刻对应的第二关联知识进行数据融合,得到静态关联知识。特别地,数据融合的方法包括但不限于统计、归类和合并。
步骤106:对动态关联知识和静态关联知识进行数据融合,得到关联规则知识。
具体地,在得到动态关联知识和静态关联知识后,将动态关联知识和静态关联知识结合场景与其他数据挖掘手段获取的知识共同完成融合与匹配,并交由综合识别数据融合进行处理,最终得到运动目标的关联规则知识。
综上,本实施例所述的运动目标的关联规则分析方法,对当前tn时刻的“静态状态”数据和tn-tn-1的“动态趋势”数据进行关联规则分析,可充分、可靠地实现针对运动目标的数据挖掘,获取其目标属性关联知识,具有所挖掘的知识收敛有效、能充分体现动态趋势的特点,对于提升与完善我国国防、民航和通用航空的监视手段与策略具有重要的军事和社会意义,且通过在民用领域的扩展应用,也将创造重要的经济价值。从而,从根本上解决了目前运动目标数据挖掘过程中对目标的运动趋势无法充分体现的问题。
如图2所示,是本发明实施例中根据采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表的方法的流程图,该方法包括以下步骤:
步骤201:依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值。
具体地,本步骤中提到的运动特征指代的是一组数据,而不是一个数据,其实际包括所有运动目标的运动特征。其中对应每个采样时刻获取的特征数据表中对应每个运动目标的运动特征,都要计算该运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,从而得到对应该运动特征的第一差值。
步骤202:依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值。
具体地,本步骤中提到的固有特征指代的是一组数据,而不是一个数据,其实际包括所有运动目标的固有特征。其中对应每个采样时刻获取的特征数据表中对应每个运动目标的固有特征,都要计算该固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,从而得到对应该固有特征的第二差值。
步骤203:根据特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到变化趋势数据表。
具体地,得到变化趋势数据表的方法具体包括:将所有属性特征保存到变化趋势数据表;依次对特征数据表中的每个运动特征,当运动特征对应的第一差值大于0时,将通过运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当运动特征对应的第一差值等于0时,将通过运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当运动特征对应的第一差值小于0时,将通过运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表。
依次对特征数据表中的每个固有特征,当固有特征对应的第二差值为非0时,将通过固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当固有特征对应的第二差值等于0时,将固有特征作为变化趋势数据保存到变化趋势数据表。
下面结合实例详细阐述变化趋势数据表的确定过程:
首先假定表1和表2分别为tn时刻和tn+1时刻获取的经预处理后的特征数据表的样例。
表1
表2
将表2中tn+1时刻的数据与表1中tn时刻的数据对应相减,就运动特征(经度、纬度、高度、距离、方位角、俯仰角、径向速度)和固有特征(雷达型号、应答信息、目标类型)分别进行处理。
针对运动特征的处理方式如下例所示:目标(即运动目标)1在tn+1时刻和tn时刻的经度差为0.002>0,那么用“1”表示,即代表目标的经度特征在向着相同的趋势运动;目标1在tn+1时刻和tn时刻的距离差为-0.2475<0,那么用“-1”表示,即代表目标的距离特征在向着相反的趋势运动;目标1在tn+1时刻和tn时刻的高度差为0,那么用“0”表示,即代表目标的高度特征处于静止状态。
针对固有特征的处理方式如下例所示:目标1在tn+1时刻和tn时刻的雷达型号差为0,那么就用固有特征的当前值“822”表示,即代表目标的雷达型号未发生变化;如果tn+1时刻和tn时刻的固有特征(雷达型号、应答信息、目标类型)差值不为0,那么就用“1”表示,即代表目标的该项固有特征发生了变化。
综上,可得到变化趋势数据表,如表3所示。其中,为区分各个不同的运动特征和各个不同的固有特征,运动特征(经度、纬度、高度、距离、方位角、俯仰角、径向速度)的前两位(10、20、30……70)为自定义添加的预设编码,从而不同特征之间得以区分。
表3
在本发明一优选的实施例中,还需要进一步对上述变化趋势数据表进行预处理,剔除掉冗余项,例如对于所有的运动目标,经度、高度、方位角、俯仰角这四个运动特征均为相同值,在算法中为冗余项,可直接剔除,从而形成如表4所示的最终变化趋势数据表。
表4
下面结合上述实例阐述静态关联过程中所需的固有特征数据表的确定过程:提取tn时刻获取的特征数据表(如表1所示)中的所有固有特征和所有属性特征,并将这些固有特征和属性特征全部保存到一个固有特征数据表,形成如表5所示的固有特征数据表。
表5
针对背景技术中提到的现有技术中运动目标的关联规则分析出现无效频繁项集且效率较低的问题,本发明一优选的实施例利用一种改进的关联规则分析算法(即改进的频繁模式增长算法)得到针对动态关联的动态关联知识以及针对静态关联的静态关联知识。
如图3所示,是本发明实施例中对变化趋势数据表进行关联规则分析,得到采样时刻对应的第一关联知识的方法的流程图,该方法包括以下步骤:
步骤301:利用变化趋势数据表,构建频繁模式树。
具体地,频繁模式树的构建方法包括以下步骤:
(1)扫描变化趋势数据表一次,得到所有运动目标的总数(用于后续计算支持度)、变化趋势数据表中的所有单项以及各个单项的重复次数,删除变化趋势数据表中重复次数小于设定的最小重复次数的所有单项,并按照单项的重复次数从大到小的排序顺序,对变化趋势数据表中的所有单项进行降序排序,得到降序序列;
(2)把每个目标对应的单项按照降序序列中的顺序进行重排,并遍历对比其余所有运动目标,得到共根项计数,形成逻辑上的频繁模式树(Frequent Pattern_Tree,FP_Tree)。
步骤302:依次针对变化趋势数据表中的每个单项,对频繁模式树进行数据挖掘,得到单项对应的频繁项集。
具体地,对步骤301构建的频繁模式树进行数据挖掘的方法包括以下步骤:
(1)依据降序序列,采取分而治之的策略,得到降序序列中以当前单项为尾的集合,并递归产生该集合的所有子集,从而形成当前单项对应的频繁项集;
(2)如果降序序列遍历未完成,则跳转到上一条;如果完成,则形成事实上的频繁模式树。
步骤303:去除频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到单项对应的优化频繁项集。
具体地,将不包含属性特征的无用项和包括两个及两个以上属性特征的矛盾项剔除,可极大地提升程序的运行效率,缩短了运行时间,减少了资源开销,这是此改进的频繁模式增长算法较传统的频繁模式增长算法的最大改进之处。
步骤304:根据变化趋势数据表中的所有单项对应的优化频繁项集,得到第一关联知识。
具体地,在优化频繁项集内计算每项的重复次数,便可得到该项的实际支持度,即该项对应的第一关联知识。
下面仍然结合上述表1至表5所示的实例详细阐述采用改进的频繁模式增长算法,对变化趋势数据表进行关联规则分析,得到第一关联知识的方法:
首先,输入变化趋势数据表(如表4所示),设定最小重复次数为1,则扫描变化趋势数据表一次,得到变化趋势数据表中所有运动目标的总数、所有单项以及各个单项的重复次数,并按照各个单项的重复次数,得到降序序列:{1099,201,701,901,120,401,-401,823,-201,-701,902,110,822,825,1066,812,813}。
第二,把每个运动目标对应的单项按降序序列重排,重排后的结果如表6所示:
表6
目标1 | 1099 | 201 | 701 | 901 | 120 | -401 | 822 |
目标2 | 1099 | 201 | 701 | 901 | 120 | -401 | 823 |
目标3 | 201 | 701 | 901 | 120 | 401 | 825 | 1066 |
目标4 | 1099 | 201 | 701 | 901 | 120 | 401 | 823 |
目标5 | 1099 | 401 | -201 | -701 | 902 | 110 | 812 |
目标6 | 1099 | 401 | -201 | -701 | 902 | 110 | 813 |
将表6中的数据作为逻辑上的频繁模式树的数据项,根据表6可得到频繁模式树中各个数据项对应的共根项计数的数据表,其中共根项计数表示在表6中的取值相同的数据项中,若这些数据项的前一项(对于同一个运动目标,排在该数据项前面的项)相同,则认为这些数据项为共根项,同为共根项的数据项的个数,称为上述共根项计数,具体如表7所示:
表7
目标1 | 5 | 3 | 3 | 3 | 3 | 2 | 1 |
目标2 | 5 | 3 | 3 | 3 | 3 | 2 | 1 |
目标3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
目标4 | 5 | 3 | 3 | 3 | 3 | 1 | 1 |
目标5 | 5 | 2 | 2 | 2 | 2 | 2 | 1 |
目标6 | 5 | 2 | 2 | 2 | 2 | 2 | 1 |
依据降序序列,采取分而治之的策略,得到降序序列中以当前单项为尾的集合,并递归产生该集合的所有子集,从而形成当前单项对应的频繁项集。
以单项-401为例,降序序列中以单项-401为尾的集合为:{1099,201,701,901,120}和{1099,201,701,901,120}。递归产生集合的所有子集依次为:{120},{901},{901,120},{701},{701,120},{701,901},{701,901,120},{201},{201,120},{201,901},{201,901,120},{201,701},{201,701,120},{201,701,901},{201,701,901,120},{1099},{1099,120},{1099,901},{1099,901,120},{1099,701},{1099,701,120},{1099,701,901},{1099,701,901,120},{1099,201},{1099,201,120},{1099,201,901},{1099,201,901,120},{1099,201,701},{1099,201,701,120},{1099,201,701,901},{1099,201,701,901,120}。
上述所有集合中,不包含属性特征110和120的无用项有:{901},{701},{701,901},{201},{201,901},,{201,701},{201,701,901},{1099},{1099,901},{1099,701},{1099,701,901},{1099,201},{1099,201,901},{1099,201,701},{1099,201,701,901}。同时,上述所有集合中没有同时包括110和120这两个属性特征的矛盾项。因此,剔除上述所有无用项后,就得到了单项-401对应的优化频繁项集,该优化频繁项集包括:{120},{901,120},{701,120},{701,901,120},{201,120},{201,901,120},{201,701,120},{201,701,901,120},{1099,120},{1099,901,120},{1099,701,120},{1099,701,901,120},{1099,201,120},{1099,201,901,120},{1099,201,701,120},{1099,201,701,901,120}。
根据上述优化频繁项集,即可得到以下关联规则:{-401,120},{-401,901,120},{-401,701,120},{-401,701,901,120},{-401,201,120},{-401,201,901,120},{-401,201,701,120},{-401,201,701,901,120},{-401,1099,120},{-401,1099,901,120},{-401,1099,701,120},{-401,1099,701,901,120},{-401,1099,201,120},{-401,1099,201,901,120},{-401,1099,201,701,120},{-401,1099,201,701,901,120}。
值得说明的是,由于本实施例涉及的改进的频繁模式增长算法与传统频繁模式增长算法的差别仅在于剔除无用项和矛盾项的步骤,所以在本文中仅对频繁模式树的构建和频繁模式树的数据挖掘方法进行了简单的阐述。
综上所述,应用本实施例中的改进的频繁模式增长算法,由于在关联规则分析过程中剔除掉无用项和矛盾项,所以可极大地提升程序的运行效率,缩短了运行时间,减少了资源开销。因此采用该改进的频繁模式增长算法的运动目标的关联规则分析方法,有效地利用了空间和时间资源,完善了关联规则分析的充分性,提升了关联规则分析的挖掘效率,降低了时间资源占据和空间资源占据。即可充分、高效、实用、可靠地实现针对运动目标的数据挖掘,获取其目标属性关联知识,具有时间和空间利用效率更高、所挖掘的知识收敛有效、能充分体现动态趋势等特点,对于提升与完善我国国防、民航和通用航空的监视手段与策略具有重要的军事和社会意义,且通过在民用领域的扩展应用,也将创造重要的经济价值。从而,从根本上解决了目前运动目标数据挖掘过程中对目标的运动趋势无法充分体现的问题、以及目前运动目标关联规则分析出现无效频繁项集且效率较低的问题。
在本发明另一优选的实施例中,如图4所示,是本发明实施例中对固有特征数据表进行关联规则分析,得到采样时刻对应的第二关联知识的方法的流程图,该方法包括以下步骤:
步骤401:利用固有特征数据表,构建频繁模式树;
步骤402:依次针对固有特征数据表中的每个单项,对频繁模式树进行数据挖掘,得到单项对应的频繁项集;
步骤403:去除频繁项集中的不包含属性特征的无用项和至少两括两个属性特征的矛盾项,得到单项对应的优化频繁项集;
步骤404:根据固有特征数据表中的所有单项对应的优化频繁项集,得到第二关联知识。
由于第二关联知识的确定方法与第一关联知识的确定方法基本相同,区别仅在于输入的数据表不同,一个是变化趋势数据表,一个是固有特征数据表,所以针对第二关联知识的确定方法可参照上一实施例中的内容,在本文中不再进行展开说明。
相应地,本发明实施例还提供了一种运动目标的关联规则分析系统。如图5所示,是该运动目标的关联规则分析系统的结构示意图,该系统包括:
特征数据表获取单元501,设置为每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征;
变化趋势数据表确定单元502,设置为依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表;
第一关联知识确定单元503,设置为对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识;
动态关联知识确定单元504,设置为整合所述预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;
固有特征数据表确定单元505,设置为依次对所述预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表;
第二关联知识确定单元506,设置为对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识;
静态关联知识确定单元507,设置为整合所述预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;
关联规则知识确定单元508,设置为对所述动态关联知识和所述静态关联知识进行数据融合,得到关联规则知识。
在本发明一优选的实施例中,如图6所示,是本发明实施例中变化趋势数据表确定单元502的结构示意图。该变化趋势数据表确定单元502包括:
第一差值确定单元601,设置为依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值;
第二差值确定单元602,设置为依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值;
变化趋势数据表子确定单元603,设置为根据特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到变化趋势数据表。
进一步地,变化趋势数据表子确定单元603具体设置为:将所有属性特征保存到变化趋势数据表。依次对特征数据表中的每个运动特征,当运动特征对应的第一差值大于0时,将通过运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当运动特征对应的第一差值等于0时,将通过运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当运动特征对应的第一差值小于0时,将通过运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表。依次对特征数据表中的每个固有特征,当固有特征对应的第二差值为非0时,将通过固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当固有特征对应的第二差值等于0时,将固有特征作为变化趋势数据保存到变化趋势数据表。
在本发明一优选的实施例中,如图7所示,是本发明实施例中第一关联知识确定单元503的结构示意图。该第一关联知识确定单元503具体包括:
第一频繁模式树构建单元701,设置为利用变化趋势数据表,构建频繁模式树;
第一频繁项集确定单元702,设置为依次针对变化趋势数据表中的每个单项,对频繁模式树进行数据挖掘,得到单项对应的频繁项集;
第一优化频繁项集确定单元703,设置为去除频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到单项对应的优化频繁项集;并根据变化趋势数据表中的所有单项对应的优化频繁项集,得到第一关联知识。
在本发明一优选的实施例中,如图8所示,是本发明实施例中第二关联知识确定单元506的结构示意图。该第二关联知识确定单元506包括:
第二频繁模式树构建单元801,设置为利用固有特征数据表,构建频繁模式树;
第二频繁项集确定单元802,设置为依次针对固有特征数据表中的每个单项,对频繁模式树进行数据挖掘,得到单项对应的频繁项集;
第二优化频繁项集确定单元803,设置为去除频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到单项对应的优化频繁项集;并根据固有特征数据表中的所有单项对应的优化频繁项集,得到第二关联知识。
上述各单元的具体处理过程可参照前面本发明实施例的方法中的描述,在此不再赘述。
另外,需要指出的是,本发明可应用于国防体系中对侦察情报、预警探测、二次监视等部门采集和积累的非实时历史数据和实时数据的挖掘,获取丰富的目标识别先验知识,提高目标识别的准确性和可靠性,为空域管理和监视以及作战指挥控制提供决策支持。本发明可应用于民航和通用航空领域,通过对运动目标的关联规则分析,优化空管系统地空监视与场面监视的手段与策略。另外,本发明所涉及的改进的频繁模式增长算法可应用于国民经济的各行各业,通过挖掘,将有助于更加合理高效的制定计划以及优化决策。
本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种运动目标的关联规则分析方法,其特征在于,包括:
每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征;
依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表,并对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识;
整合所述预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;
依次对所述预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表,并对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识;
整合所述预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;
对所述动态关联知识和所述静态关联知识进行数据融合,得到关联规则知识。
2.根据权利要求1所述的方法,其特征在于,所述根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表包括:
依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值;
依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值;
根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表。
3.根据权利要求2所述的方法,其特征在于,所述根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表包括:
将所有属性特征保存到变化趋势数据表;
依次对所述特征数据表中的每个运动特征,当所述运动特征对应的第一差值大于0时,将通过所述运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值等于0时,将通过所述运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值小于0时,将通过所述运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表;
依次对所述特征数据表中的每个固有特征,当所述固有特征对应的第二差值为非0时,将通过所述固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述固有特征对应的第二差值等于0时,将所述固有特征作为变化趋势数据保存到变化趋势数据表。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识包括:
利用所述变化趋势数据表,构建频繁模式树;
依次针对所述变化趋势数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;
根据所述变化趋势数据表中的所有单项对应的优化频繁项集,得到所述第一关联知识。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识包括:
利用所述固有特征数据表,构建频繁模式树;
依次针对所述固有特征数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;
根据所述固有特征数据表中的所有单项对应的优化频繁项集,得到所述第二关联知识。
6.一种运动目标的关联规则分析系统,其特征在于,包括:
特征数据表获取单元,设置为每隔预设的采样间隔获取关于至少两个运动目标的特征数据表,所述特征数据表中保存有分别对应每个运动目标的运动特征、固有特征和属性特征;
变化趋势数据表确定单元,设置为依次对预设时间段内的每个采样时刻,根据所述采样时刻及其上一采样时刻分别获取的特征数据表,得到变化趋势数据表;
第一关联知识确定单元,设置为对所述变化趋势数据表进行关联规则分析,得到所述采样时刻对应的第一关联知识;
动态关联知识确定单元,设置为整合所述预设时间段内所有采样时刻对应的第一关联知识,得到动态关联知识;
固有特征数据表确定单元,设置为依次对所述预设时间段内的每个采样时刻,将所述采样时刻获取的特征数据表中的所有固有特征和所有属性特征保存到固有特征数据表;
第二关联知识确定单元,设置为对所述固有特征数据表进行关联规则分析,得到所述采样时刻对应的第二关联知识;
静态关联知识确定单元,设置为整合所述预设时间段内所有采样时刻对应的第二关联知识,得到静态关联知识;
关联规则知识确定单元,设置为对所述动态关联知识和所述静态关联知识进行数据融合,得到关联规则知识。
7.根据权利要求6所述的系统,其特征在于,所述变化趋势数据表确定单元包括:
第一差值确定单元,设置为依次对所述采样时刻获取的特征数据表中的每个运动特征,计算所述运动特征与上一采样时刻获取的特征数据表中的相应运动特征的差值,得到所述运动特征对应的第一差值;
第二差值确定单元,设置为依次对所述采样时刻获取的特征数据表中的每个固有特征,计算所述固有特征与上一采样时刻获取的特征数据表中的相应固有特征的差值,得到所述固有特征对应的第二差值;
变化趋势数据表子确定单元,设置为根据所述特征数据表中的所有属性特征、所有运动特征对应的第一差值和所有固有特征对应的第二差值,得到所述变化趋势数据表。
8.根据权利要求7所述的系统,其特征在于,所述变化趋势数据表子确定单元具体设置为:
将所有属性特征保存到变化趋势数据表;
依次对所述特征数据表中的每个运动特征,当所述运动特征对应的第一差值大于0时,将通过所述运动特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值等于0时,将通过所述运动特征的预设编码和0得到的变化趋势数据保存到变化趋势数据表;当所述运动特征对应的第一差值小于0时,将通过所述运动特征的预设编码和-1得到的变化趋势数据保存到变化趋势数据表;
依次对所述特征数据表中的每个固有特征,当所述固有特征对应的第二差值为非0时,将通过所述固有特征的预设编码和1得到的变化趋势数据保存到变化趋势数据表;当所述固有特征对应的第二差值等于0时,将所述固有特征作为变化趋势数据保存到变化趋势数据表。
9.根据权利要求6至8中任一项所述的系统,其特征在于,所述第一关联知识确定单元具体包括:
第一频繁模式树构建单元,设置为利用所述变化趋势数据表,构建频繁模式树;
第一频繁项集确定单元,设置为依次针对所述变化趋势数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
第一优化频繁项集确定单元,设置为去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;并根据所述变化趋势数据表中的所有单项对应的优化频繁项集,得到所述第一关联知识。
10.根据权利要求6至8中任一项所述的系统,其特征在于,所述第二关联知识确定单元包括:
第二频繁模式树构建单元,设置为利用所述固有特征数据表,构建频繁模式树;
第二频繁项集确定单元,设置为依次针对所述固有特征数据表中的每个单项,对所述频繁模式树进行数据挖掘,得到所述单项对应的频繁项集;
第二优化频繁项集确定单元,设置为去除所述频繁项集中的不包含属性特征的无用项和至少包括两个属性特征的矛盾项,得到所述单项对应的优化频繁项集;并根据所述固有特征数据表中的所有单项对应的优化频繁项集,得到所述第二关联知识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013161.9A CN104598566B (zh) | 2015-01-09 | 2015-01-09 | 运动目标的关联规则分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013161.9A CN104598566B (zh) | 2015-01-09 | 2015-01-09 | 运动目标的关联规则分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598566A true CN104598566A (zh) | 2015-05-06 |
CN104598566B CN104598566B (zh) | 2018-01-09 |
Family
ID=53124351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510013161.9A Active CN104598566B (zh) | 2015-01-09 | 2015-01-09 | 运动目标的关联规则分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598566B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567815A (zh) * | 2018-10-23 | 2019-04-05 | 电子科技大学 | 一种婴儿行为状态的远程监测方法 |
CN110334639A (zh) * | 2019-06-28 | 2019-10-15 | 北京精英系统科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110991539A (zh) * | 2019-09-05 | 2020-04-10 | 北京无线电测量研究所 | 空间目标高频次重复行为识别方法 |
CN111755125A (zh) * | 2020-07-07 | 2020-10-09 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
CN111930793A (zh) * | 2020-06-26 | 2020-11-13 | 西安电子科技大学 | 目标行为挖掘与检索分析方法、系统、计算机设备及应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN101794296A (zh) * | 2010-01-13 | 2010-08-04 | 中国电子科技集团公司第五十四研究所 | 一种基于空中活动目标数据的挖掘方法 |
US20130004081A1 (en) * | 2011-06-30 | 2013-01-03 | Fujitsu Limited | Image recognition device, image recognizing method, storage medium that stores computer program for image recognition |
KR20140098959A (ko) * | 2013-01-31 | 2014-08-11 | 한국전자통신연구원 | 증거 영상 생성 장치 및 방법 |
-
2015
- 2015-01-09 CN CN201510013161.9A patent/CN104598566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN101794296A (zh) * | 2010-01-13 | 2010-08-04 | 中国电子科技集团公司第五十四研究所 | 一种基于空中活动目标数据的挖掘方法 |
US20130004081A1 (en) * | 2011-06-30 | 2013-01-03 | Fujitsu Limited | Image recognition device, image recognizing method, storage medium that stores computer program for image recognition |
KR20140098959A (ko) * | 2013-01-31 | 2014-08-11 | 한국전자통신연구원 | 증거 영상 생성 장치 및 방법 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567815A (zh) * | 2018-10-23 | 2019-04-05 | 电子科技大学 | 一种婴儿行为状态的远程监测方法 |
CN110334639A (zh) * | 2019-06-28 | 2019-10-15 | 北京精英系统科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110334639B (zh) * | 2019-06-28 | 2021-08-10 | 北京精英系统科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110991539A (zh) * | 2019-09-05 | 2020-04-10 | 北京无线电测量研究所 | 空间目标高频次重复行为识别方法 |
CN110991539B (zh) * | 2019-09-05 | 2023-10-31 | 北京无线电测量研究所 | 空间目标高频次重复行为识别方法 |
CN111930793A (zh) * | 2020-06-26 | 2020-11-13 | 西安电子科技大学 | 目标行为挖掘与检索分析方法、系统、计算机设备及应用 |
CN111755125A (zh) * | 2020-07-07 | 2020-10-09 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
CN111755125B (zh) * | 2020-07-07 | 2024-04-23 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104598566B (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598566A (zh) | 运动目标的关联规则分析方法及系统 | |
CN104699755B (zh) | 一种基于数据挖掘的智能化多目标综合识别方法 | |
CN106778749B (zh) | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 | |
CN110598738B (zh) | 一种基于空间信息的分布式聚类方法 | |
CN106570468A (zh) | 一种重建LiDAR原始点云建筑物轮廓线的方法 | |
CN107169301B (zh) | 一种分而治之航迹关联方法 | |
CN104103070B (zh) | 一种基于光学图像的着陆点选取方法 | |
Danchick et al. | Reformulating Reid's MHT method with generalised Murty K-best ranked linear assignment algorithm | |
CN106772387A (zh) | 一种风切变识别方法 | |
CN106123812A (zh) | 基于遥感影像获取起伏地表甘蔗种植面积的方法及装置 | |
CN105787081A (zh) | 一种基于辐射源空间位置的辐射平台关联方法 | |
CN104777469A (zh) | 一种基于量测误差协方差矩阵范数的雷达节点选择方法 | |
CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
CN104951752A (zh) | 一种从机载激光点云数据提取房屋的方法 | |
CN111928853A (zh) | 复杂环境下空基平台快速航路规划方法 | |
CN111199243A (zh) | 一种基于改进决策树的空中目标识别方法及系统 | |
CN106023178A (zh) | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 | |
CN104268571A (zh) | 一种基于最小树聚类的红外多目标分割方法 | |
CN109726895B (zh) | 一种多目标点的任务执行规划方法及装置 | |
Zhang et al. | Prototype-based clustered federated learning for semantic segmentation of aerial images | |
CN107133917B (zh) | 用于自动绘制安全射界图中有效安全区域的搜索合并方法 | |
CN104462829A (zh) | 空间推进求解中的复杂多区网格的处理方法 | |
CN104915958A (zh) | 一种从机载激光点云数据识别植被的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |