CN112130154A - 一种融合网格LOF的自适应K-means离群去约束优化方法 - Google Patents

一种融合网格LOF的自适应K-means离群去约束优化方法 Download PDF

Info

Publication number
CN112130154A
CN112130154A CN202010850065.0A CN202010850065A CN112130154A CN 112130154 A CN112130154 A CN 112130154A CN 202010850065 A CN202010850065 A CN 202010850065A CN 112130154 A CN112130154 A CN 112130154A
Authority
CN
China
Prior art keywords
outlier
target
positioning
data
algorithm
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.)
Pending
Application number
CN202010850065.0A
Other languages
English (en)
Inventor
马雪飞
尼玛扎西
王辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Heilongjiang University of Science and Technology
Tibet University
Original Assignee
Harbin Engineering University
Heilongjiang University of Science and Technology
Tibet University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University, Heilongjiang University of Science and Technology, Tibet University filed Critical Harbin Engineering University
Priority to CN202010850065.0A priority Critical patent/CN112130154A/zh
Publication of CN112130154A publication Critical patent/CN112130154A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/003—Bistatic sonar systems; Multistatic sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明是一种融合网格LOF的自适应K‑means离群去约束优化方法。本发明涉及水下目标定位技术领域，本发明通过传感器采集目标定位的坐标数据，并对目标定位的坐标数据进行预处理，剔除误差数据得到目标定位数据，建立双基地声呐系统定位模型、建立融合网格LOF的自适应K‑means离群算法模型和建立去约束模型，对离散点集进行去约束处理，并进行离群判决，输出离群传感器点集；将离群传感器节点数据集回送，筛选有效的传感器点集，根据有效传感器点集进行目标定位，提高目标定位精度。本发明能够较精准的得到误差较大的传感器节点，剔除这些传感器节点所测数据，有效压缩数据量，提高定位性能。

Description

一种融合网格LOF的自适应K-means离群去约束优化方法
技术领域
本发明涉及水下目标定位技术领域，是一种融合网格LOF的自适应K-means离群去约束优化方法。
背景技术
近年来，随着“安静型”核潜艇辐射信号的日渐微弱，加之海洋内部环境时空变化的随机性和复杂性，所以对水下无线传感器网络的定位精度要求也逐渐升高。在一个水下无线传感器网络中，目标的定位精度往往受限于估计误差的大小。一般而言，误差的产生可以分成主观和客观两个方面。主观方面误差主要由传感网络中锚节点的占比不恰当，以及定位算法的不完善(计算量大、计算速度慢等)所引起；而客观方面误差的产生主要是由于节点分布的不均匀性、部分节点失效、环境的复杂性或设备障碍等因素的影响。因此，从上述两个误差方面进行算法优化是提高定位精度的可靠方向。
目前，针对如何有效降低客观方面误差的研究相较于主观误差更多。大致可以分成以下两个方向：其一，运用不同的算法求解目标定位方程，如带约束的最小二乘法、最大似然估计等；其二，依据权重对测量所得数据进行加权融合。上述这两个减小客观误差的研究方向，虽可以较明显提高定位的精度，但不能有效去除部分节点失效所引起的测量误差。据此，一些学者提出新的解决方案。何友等人依据距离平方和(密集程度)对所有定位点进行数据质量分析处理，最后将密集程度高的数据中心作为目标估计位置，以此降低估计误差。胡来招、谭坤、庞菲菲等人将概率运算引入目标定位算法，通过求解概率概率函数，最终将概率密度函数所对应的最大峰值点作为目标的估计位置，以此减小随机测量误差。
关于减小主观误差的研究也正在不断的发展，尤其是在定位算法改进方面，目前已经取得一定的成果，即提出不同的改进定位算法，如Zigbee定位算法、基于RSSI测距定位算法、卡尔曼滤波定位算法等。但是对于降低误差锚节点(传感器节点)影响、提高观测值精度方面的研究却有待完善。
在水下目标传感定位网络中，目标的定位需要多个锚节点共同协作完成，可以依据测量距离、坐标计算、方位角估计或者其他算法等。一般而言，一个锚节点对应一个传感器节点。此外，测量所得数据来源于传感器节点，因此定位的估计误差主要来源于传感器节点的测量误差，该误差受海洋环境、设备等因素的影响。
发明内容
本发明为通过筛选误差偏离较大数据，即离群点集，以此压缩有效数据，提高定位精度，本发明提供了一种融合网格LOF的自适应K-means离群去约束优化方法，本发明提供了以下技术方案：
一种融合网格LOF的自适应K-means离群去约束优化方法，包括以下步骤：
步骤1：通过传感器采集目标定位的坐标数据，并对目标定位的坐标数据进行预处理，剔除误差数据得到目标定位数据；
步骤2：建立双基地声呐系统定位模型，将目标定位数据输入至双基地声呐系统定位模型，输出理想条件下的目标位置解的估计值；
步骤3：建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值输入至融合网格LOF的自适应K-means离群算法模型中，得到离群点集；
步骤4：建立去约束模型，对离群点集进行去约束处理，并进行离群判决，输出离群传感器点集；
步骤5：将离群传感器节点数据集回送，筛选有效的传感器点集，根据有效传感器点集进行目标定位，提高目标定位精度。
优选地，所述步骤1中采用融合网格LOF算法为对目标定位的坐标数据进行预处理，筛选出偏离中心、孤立的离群点，剔除误差数据得到目标定位数据。
优选地，所述步骤2具体为：
步骤2.1：建立双基地声呐系统定位模型，所述模型包括发射端T端和接收端R端，T端负责发射声波，部署于受保护区域，同时接收目标回波，属于独立声呐；R端不发射声波,只接收目标回波，隐蔽性高；S端为目标估计位置，根据双基地声呐定位算法，确定方向角定位方程：
Figure BDA0002644422810000021
其中，α为在发射端所测得目标所在位置的波束指向角，β为接收端波束指向角，x0，y0为目标估计位置坐标，xT，yT为发射端坐标，yR，xR为接收端坐标；
将目标定位数据输入至双基地声呐系统定位模型中的方向角定位方程，输出理想条件下的目标位置解的估计值，通过下式表示所述估计值：
Figure BDA0002644422810000031
优选地，所述步骤3具体为：
建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值作为输入数据，输入至融合网格LOF的自适应K-means离群算法模型中，融合网格LOF的自适应K-means离群算法模型中数据的标准化处理过程是对理想条件下的目标位置解的估计值在格式、单位等方面进行统一，网格LOF算法对输入数据进行有限单元的网格划分，各部分单独运行LOF算法，经过LOF算法输出孤立离群点，同时输出不包含孤立离群点的数据集，用于自适应K-means算法进行离群检测；
自适应K-means离群算法首先设置初始值k为2，步长为1，得到多个不同k值，运用斜率比值法对k值依次进行K-means离群检测，求出最佳k值，得到k个数据集，将数据个数最少的数据集归为离群点集。
优选地，运行K-means离群算法中聚类个数k取值为1。
优选地，所述步骤4具体为：
步骤4.1：建立去约束模型，对离群点集进行去约束处理，确定传感器节点与离群点之间的对应关系，通过下式表示传感器节点与离群点之间的关系方程：
Figure BDA0002644422810000032
其中，S为离群点，j为传感器编号，Ti对应传感器节点，
步骤4.2：根据对应关系统计传感器节点发生离群误差的次数M，计算影响权重以及设置合理的判决阈值，通过下式表示影响权重γ：
Figure BDA0002644422810000033
其中，Mi表示第i个节点产生离群误差的次数；
步骤4.3：进行离群判决，对门限阈值ξ进行折中处理，当ξ＝0.5时，离群误差的结果最小，目标的定位精度最高；
当γ大于等于ξ时，输出离群传感器点集；反之输出有效传感器点集。
优选地，计算每个传感器节点到K-means算法聚类中心位置距离的平方和，K-means算法聚类后，区域内各点到聚类中心距离的平方和最小作为标准，循环计算若干次，统计超过标准的次数，即为传感器节点发生离群的次数，记为M。
优选地，所述步骤5具体为：将离群传感器节点数据集回送，并与初始传感器节点数据集进行相减操作，能够筛选出得到有效的传感器点集，将有效传感器点集输入至双基地声呐系统定位模型中，对目标进行有效定位。
本发明具有以下有益效果：
本发明能够对数据进行有效精简，减少计算量，加快运算速度，提高定位精度。通过双基地声呐系统实现初始定位，得到包含误差的庞大数据集，再经过融合网格LOF的自适应K-means离群算法筛选出大量误差定位数据，即离群点集；最后结合去约束算法，能够较精准的得到误差较大的传感器节点，剔除这些传感器节点所测数据，有效压缩数据量，提高定位性能。
本发明的双基地声呐系统模型实现收发设备分置，使其同时具有主动和被动声呐的工作特点，在反隐身、反对抗方面，具有较明显的潜在优越性。本发明经过融合网格LOF的自适应K-means离群算法不仅可以处理庞大的数据集，运算速度快，而且算法的时间和空间复杂度不高，实现难度适中，处理效果比使用单一离群算法要好。本发明的去约束算法模型由于仅要计算离群传感器节点集合，所以实现过程简单，处理速度快，性能相对较好。
附图说明
图1为一种融合网格LOF的自适应K-means离群去约束优化方法流程图；
图2为双基地声呐定位系统模型图；
图3为融合网格LOF的自适应K-means离群算法设计流程图；
图4为去约束算法设计流程图。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
根据图1所示，本发明提供一种融合网格LOF的自适应K-means离群去约束优化方法，具体为：
一种融合网格LOF的自适应K-means离群去约束优化方法，包括以下步骤：
步骤1：通过传感器采集目标定位的坐标数据，并对目标定位的坐标数据进行预处理，剔除误差数据得到目标定位数据；
所述步骤1中采用融合网格LOF算法为对目标定位的坐标数据进行预处理，筛选出偏离中心、孤立的离群点，剔除误差数据得到目标定位数据。
步骤2：建立双基地声呐系统定位模型，将目标定位数据输入至双基地声呐系统定位模型，输出理想条件下的目标位置解的估计值；
所述步骤2具体为：
步骤2.1：建立双基地声呐系统定位模型，所述模型包括发射端T端和接收端R端，T端负责发射声波，部署于受保护区域，同时接收目标回波，属于独立声呐；R端不发射声波,只接收目标回波，隐蔽性高；S端为目标估计位置，根据双基地声呐定位算法，确定方向角定位方程：
Figure BDA0002644422810000051
其中，α为在发射端所测得目标所在位置的波束指向角，β为接收端波束指向角，x0，y0为目标估计位置坐标，xT，yT为发射端坐标，yR，xR为接收端坐标；
将目标定位数据输入至双基地声呐系统定位模型中的方向角定位方程，输出理想条件下的目标位置解的估计值，通过下式表示所述估计值：
Figure BDA0002644422810000052
以上仅是理想条件下所得到的目标位置解，并没有考虑海洋环境或实际测量带来的误差，因此，需要研究误差对上述目标位置解的影响。
定义角度测量误差方程：
Figure BDA0002644422810000053
其中，α'、β'表示带噪声实测值，dα、dβ表示观测随机误差。由于实际中不可能获取理想数据，因此常用实测数据值代替理想数值，即用α'代替α，β'代替β。现假设各角度测量误差是零均值、彼此不相关的高斯白噪声，各角度白噪声标准差分别为和。对方向角定位方程，求微分，可得：
Figure BDA0002644422810000061
其中，
Figure BDA0002644422810000062
将上式表示成矩阵：
dP＝BdQ+dQs
其中，dP＝[dα dβ]T、dQ＝[dx0 dy0]T、dQs＝[kα kβ]T、
Figure BDA0002644422810000063
因此，可以解得目标位置误差矢量：
dQ＝B-1[dP-dQs]
根据误差矢量可以对目标的位置估计进行误差分析，发现目标位置估计误差与角度测量误差、以及站址测量误差有关。由于设备、海洋内部环境等因素的影响，使得这部分误差难以降低，为提高定位效果性能，需要配合使用其他算法进行误差的降低。
综上所述，经过双基地声呐系统定位模型可以得到目标位置的估计值。此外，一个目标定位点的坐标可以由两个传感器节点测量所得方向角计算得出。在实际中，传感器节点一般布置多个，假设为n，则经由上述系统定位模型可以得到组目标位置坐标数据Cn2。其中包含一定的误差数据，需要进行筛选，保留有效位置数据，以提高定位性能，即提出融合网格LOF的自适应K-means离群算法。
步骤3：建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值输入至融合网格LOF的自适应K-means离群算法模型中，得到离群点集；
所述步骤3具体为：
建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值作为输入数据，输入至融合网格LOF的自适应K-means离群算法模型中，融合网格LOF的自适应K-means离群算法模型中数据的标准化处理过程是对理想条件下的目标位置解的估计值在格式、单位等方面进行统一，网格LOF算法对输入数据进行有限单元的网格划分，各部分单独运行LOF算法，经过LOF算法输出孤立离群点，同时输出不包含孤立离群点的数据集，用于自适应K-means算法进行离群检测；
自适应K-means离群算法首先设置初始值k为2，步长为1，得到多个不同k值，运用斜率比值法对k值依次进行K-means离群检测，求出最佳k值，得到k个数据集，将数据个数最少的数据集归为离群点集。
融合网格LOF的自适应K-means离群算法设计流程图如图3所示。其中，输入数据流是经过双基地声呐系统定位模型计算所得目标坐标数据，其中包含一定量误差数据。由于实际水下目标定位一般是采用多个传感器节点对一个目标进行定位，所以运行K-means离群算法中聚类个数k应取值为1，这个确数1与自适应K-means算法中动态变化的k值是不矛盾的。因为传感器节点对同一个目标进行定位，其中大部分坐标信息具有聚集性，且分布相对集中，即使自适应K-means算法将k值取值大于1，其中绝大多数数据集仍是呈现中心聚集分布，因此不影响单目标的定位。但是k值进行动态取值的过程，将整体数据集进行细小的拆分，便于筛选出离群点。而且在进行K-means离群算法检测前，已经运行网格LOF算法，降低了整体算法的时间和空间复杂度，算法整体性能较好。
步骤4：建立去约束模型，对离群点集进行去约束处理，并进行离群判决，输出离群传感器点集；
去约束算法设计流程图如图4所示。先确定传感器节点与离群点之间的对应关系，根据对应关系统计传感器节点发生离群误差的次数，计算影响权重以及设置合理的判决阈值，对于大于阈值的传感器节点视为离群点，小于则进行保留。
所述步骤4具体为：
步骤4.1：建立去约束模型，对离群点集进行去约束处理，确定传感器节点与离群点之间的对应关系，通过下式表示传感器节点与离群点之间的关系方程：
Figure BDA0002644422810000071
其中，S为离群点，j为传感器编号，Ti对应传感器节点，
步骤4.2：根据对应关系统计传感器节点发生离群误差的次数M，计算影响权重以及设置合理的判决阈值，通过下式表示影响权重γ：
Figure BDA0002644422810000081
其中，Mi表示第i个节点产生离群误差的次数；
步骤4.3：进行离群判决，对门限阈值ξ进行折中处理，当ξ＝0.5时，离群误差的结果最小，目标的定位精度最高；
当γ大于等于ξ时，输出离群传感器点集；反之输出有效传感器点集。
计算每个传感器节点到K-means算法聚类中心位置距离的平方和，K-means算法聚类后，区域内各点到聚类中心距离的平方和最小作为标准，循环计算若干次，统计超过标准的次数，即为传感器节点发生离群的次数，记为M。如20次(大于10次)，统计其中超过标准的次数，即为传感器节点发生离群的次数
步骤5：将离群传感器节点数据集回送，筛选有效的传感器点集，根据有效传感器点集进行目标定位，提高目标定位精度。
所述步骤5具体为：将离群传感器节点数据集回送，并与初始传感器节点数据集进行相减操作，能够筛选出得到有效的传感器点集，将有效传感器点集输入至双基地声呐系统定位模型中，对目标进行有效定位。
原理说明：
双基地声呐系统定位模型
双基地声呐系统定位模型是多基地声呐系统中最简单、最基本的一种配置。通过两个声呐与目标位置之间的方向交线或距离交线可以确定未知目标点所在位置。在一个平面中，两条不平行直线必定相交，据此将两个不平行声呐与目标之间形成的方向交线或者距离交线的交点作为最终目标的估计位置。在本发明中采用两条方向交线(角度交线)的交点作为目标点的估计位置。通过求解方向角定位方程可以得到包含目标定位坐标信息的数据集，并对可能产生误差的因素进行分析研究。
双基地声呐系统定位模型是多基地声呐系统中一种较为常见的简单配置模型。由于收发装置分开放置，使得双基地声呐系统同时具备主被动声呐工作方式的特点与性能。其系统模型见图2所示。
其中T端为发射端，负责发射声波，一般部署于受保护区域，同时也可以接收目标回波，属于独立声呐。R端为接收端，不发射声波,只接收目标回波，故隐蔽性高。S端为目标估计位置，需要进行精准定位。r1表示发射端到目标之间的距离，r2为接收端到目标之间的距离，D代表基线长度，在双基地系统下，基线长度定义为发射端与接收端之间的距离。α为在发射端所测得目标所在位置的波束指向角，β为接收端波束指向角，θ为分置角，定义从目标点看，发射端、接收端与目标之间连线的夹角。
融合网格LOF的自适应K-means离群算法模型
融合网格LOF的自适应K-means离群算法实质上是基于网格局部异常因子(LOF)算法与自适应K-means算法的结合。先利用网格LOF算法对初始数据进行预处理，筛选出偏离中心、孤立的离群点；再对剩下数据集合采用自适应K-means算法进行离群点的精确检测，最后将两部分过滤出的离群点汇总，输出离群点集合，以便后续去约束处理。
去约束算法模型
去约束算法模型是对离群输出点集合的后续处理，通过对离群点集合去约束以得到离群传感器节点(锚节点)集合，从而剔除离群传感器节点测试所得数据(误差较大)，精简出有效数据，提高定位精度。在双基地声呐系统定位模型中，一个目标定位节点对应两个传感器节点(锚节点)。根据这一原则确定离群点与传感器节点之间的对应关系，从而可以统计出每个传感器节点偏离中心、离群的次数，计算影响权重，设置合理阈值，将大于该阈值的传感器节点视为离群传感器节点，然后给予去除。这三部分可以进行多次循环，以提高甄别误差较大数据的性能，使得最终留下包含目标定位信息的有效数据。
以上所述仅是一种融合网格LOF的自适应K-means离群去约束优化方法的优选实施方式，一种融合网格LOF的自适应K-means离群去约束优化方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (8)

1.一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：包括以下步骤：
步骤1：通过传感器采集目标定位的坐标数据，并对目标定位的坐标数据进行预处理，剔除误差数据得到目标定位数据；
步骤2：建立双基地声呐系统定位模型，将目标定位数据输入至双基地声呐系统定位模型，输出理想条件下的目标位置解的估计值；
步骤3：建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值输入至融合网格LOF的自适应K-means离群算法模型中，得到离群点集；
步骤4：建立去约束模型，对离群点集进行去约束处理，并进行离群判决，输出离群传感器点集；
步骤5：将离群传感器节点数据集回送，筛选有效的传感器点集，根据有效传感器点集进行目标定位，提高目标定位精度。
2.根据权利要求1所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：所述步骤1中采用融合网格LOF算法为对目标定位的坐标数据进行预处理，筛选出偏离中心、孤立的离群点，剔除误差数据得到目标定位数据。
3.根据权利要求1所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：所述步骤2具体为：
步骤2.1：建立双基地声呐系统定位模型，所述模型包括发射端T端和接收端R端，T端负责发射声波，部署于受保护区域，同时接收目标回波，属于独立声呐；R端不发射声波,只接收目标回波，隐蔽性高；S端为目标估计位置，根据双基地声呐定位算法，确定方向角定位方程：
Figure FDA0002644422800000011
其中，α为在发射端所测得目标所在位置的波束指向角，β为接收端波束指向角，x0，y0为目标估计位置坐标，xT，yT为发射端坐标，yR，xR为接收端坐标；
将目标定位数据输入至双基地声呐系统定位模型中的方向角定位方程，输出理想条件下的目标位置解的估计值，通过下式表示所述估计值：
Figure FDA0002644422800000021
4.根据权利要求1所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：所述步骤3具体为：
建立融合网格LOF的自适应K-means离群算法模型，将理想条件下的目标位置解的估计值作为输入数据，输入至融合网格LOF的自适应K-means离群算法模型中，融合网格LOF的自适应K-means离群算法模型中数据的标准化处理过程是对理想条件下的目标位置解的估计值在格式、单位等方面进行统一，网格LOF算法对输入数据进行有限单元的网格划分，各部分单独运行LOF算法，经过LOF算法输出孤立离群点，同时输出不包含孤立离群点的数据集，用于自适应K-means算法进行离群检测；
自适应K-means离群算法首先设置初始值k为2，步长为1，得到多个不同k值，运用斜率比值法对k值依次进行K-means离群检测，求出最佳k值，得到k个数据集，将数据个数最少的数据集归为离群点集。
5.根据权利要求4所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：运行K-means离群算法中聚类个数k取值为1。
6.根据权利要求1所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：所述步骤4具体为：
步骤4.1：建立去约束模型，对离群点集进行去约束处理，确定传感器节点与离群点之间的对应关系，通过下式表示传感器节点与离群点之间的关系方程：
Figure FDA0002644422800000022
其中，S为离群点，j为传感器编号，Ti对应传感器节点，
步骤4.2：根据对应关系统计传感器节点发生离群误差的次数M，计算影响权重以及设置合理的判决阈值，通过下式表示影响权重γ：
Figure FDA0002644422800000031
其中，Mi表示第i个节点产生离群误差的次数；
步骤4.3：进行离群判决，对门限阈值ξ进行折中处理，当ξ＝0.5时，离群误差的结果最小，目标的定位精度最高；
当γ大于等于ξ时，输出离群传感器点集；反之输出有效传感器点集。
7.根据权利要求6所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：计算每个传感器节点到K-means算法聚类中心位置距离的平方和，K-means算法聚类后，区域内各点到聚类中心距离的平方和最小作为标准，循环计算若干次，统计超过标准的次数，即为传感器节点发生离群的次数，记为M。
8.根据权利要求1所述的一种融合网格LOF的自适应K-means离群去约束优化方法，其特征是：所述步骤5具体为：将离群传感器节点数据集回送，并与初始传感器节点数据集进行相减操作，能够筛选出得到有效的传感器点集，将有效传感器点集输入至双基地声呐系统定位模型中，对目标进行有效定位。
CN202010850065.0A 2020-08-21 2020-08-21 一种融合网格LOF的自适应K-means离群去约束优化方法 Pending CN112130154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010850065.0A CN112130154A (zh) 2020-08-21 2020-08-21 一种融合网格LOF的自适应K-means离群去约束优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010850065.0A CN112130154A (zh) 2020-08-21 2020-08-21 一种融合网格LOF的自适应K-means离群去约束优化方法

Publications (1)

Publication Number Publication Date
CN112130154A true CN112130154A (zh) 2020-12-25

Family

ID=73850978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010850065.0A Pending CN112130154A (zh) 2020-08-21 2020-08-21 一种融合网格LOF的自适应K-means离群去约束优化方法

Country Status (1)

Country Link
CN (1) CN112130154A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326862A (zh) * 2021-01-12 2021-08-31 南京审计大学 审计大数据融合聚类与风险数据检测方法、介质、设备
CN116644373A (zh) * 2023-07-27 2023-08-25 深圳恒邦新创科技有限公司 基于人工智能的汽车流量数据分析管理系统
CN117874158A (zh) * 2024-03-12 2024-04-12 远江盛邦（北京）网络安全科技股份有限公司 聚类地图位置数据的自适应调整方法和装置
CN118310526A (zh) * 2024-04-09 2024-07-09 哈尔滨工业大学（威海） 一种动态拓扑下基于因子图的多auv量测滤波方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012253680A1 (en) * 2011-05-06 2013-12-19 Hadal, Inc. Systems and methods for synthetic aperture sonar
CN104808207A (zh) * 2015-04-14 2015-07-29 西安理工大学 一种混沌水声定位方法
CN106707233A (zh) * 2017-03-03 2017-05-24 广东工业大学 一种基于离群点检测的多边定位方法及装置
CN107870621A (zh) * 2016-10-25 2018-04-03 中国科学院沈阳自动化研究所 在未知复杂海底地形环境中的自主水下机器人避碰方法
CN108508444A (zh) * 2017-02-27 2018-09-07 国网山西省电力公司阳泉供电公司 一种采动影响区输电线路弧垂计算方法及系统
CN109001737A (zh) * 2018-05-25 2018-12-14 哈尔滨工程大学 一种双基地声呐系统直达波抑制方法
CN109446422A (zh) * 2018-10-24 2019-03-08 湖北大学 一种基于离群用户过滤的服务推荐方法
CN110083665A (zh) * 2019-05-05 2019-08-02 贵州师范大学 基于改进的局部异常因子检测的数据分类方法
CN110362608A (zh) * 2019-06-11 2019-10-22 广东工业大学 基于雨流计数法和局部异常因子的能耗异常检测方法
CN110636437A (zh) * 2019-09-05 2019-12-31 哈尔滨工程大学 一种基于指纹对的辅助定位方法
CN110824485A (zh) * 2019-09-25 2020-02-21 中国人民解放军军事科学院国防科技创新研究院 一种基于auv的双基地声呐水下目标特征提取及分类方法
US20200211325A1 (en) * 2018-12-31 2020-07-02 Playtika Ltd. System and method for outlier detection in gaming

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012253680A1 (en) * 2011-05-06 2013-12-19 Hadal, Inc. Systems and methods for synthetic aperture sonar
CN104808207A (zh) * 2015-04-14 2015-07-29 西安理工大学 一种混沌水声定位方法
CN107870621A (zh) * 2016-10-25 2018-04-03 中国科学院沈阳自动化研究所 在未知复杂海底地形环境中的自主水下机器人避碰方法
CN108508444A (zh) * 2017-02-27 2018-09-07 国网山西省电力公司阳泉供电公司 一种采动影响区输电线路弧垂计算方法及系统
CN106707233A (zh) * 2017-03-03 2017-05-24 广东工业大学 一种基于离群点检测的多边定位方法及装置
CN109001737A (zh) * 2018-05-25 2018-12-14 哈尔滨工程大学 一种双基地声呐系统直达波抑制方法
CN109446422A (zh) * 2018-10-24 2019-03-08 湖北大学 一种基于离群用户过滤的服务推荐方法
US20200211325A1 (en) * 2018-12-31 2020-07-02 Playtika Ltd. System and method for outlier detection in gaming
CN110083665A (zh) * 2019-05-05 2019-08-02 贵州师范大学 基于改进的局部异常因子检测的数据分类方法
CN110362608A (zh) * 2019-06-11 2019-10-22 广东工业大学 基于雨流计数法和局部异常因子的能耗异常检测方法
CN110636437A (zh) * 2019-09-05 2019-12-31 哈尔滨工程大学 一种基于指纹对的辅助定位方法
CN110824485A (zh) * 2019-09-25 2020-02-21 中国人民解放军军事科学院国防科技创新研究院 一种基于auv的双基地声呐水下目标特征提取及分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TANG XINYU ET AL.: "Methods for Underwater Sonar Image Processing in Objection Detection", 《2017 INTERNATIONAL CONFERENCE ON COMPUTER SYSTEMS，ELECTRONICS AND CONTROL(ICCSEC)》 *
张硕等: "基于网格LOF和自适应K-means的离群点检测算法", 《指挥信息系统与技术》 *
汪晓亮: "双/多基地声呐定位技术研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》 *
王丽娟等: "基于RSSI测距误差离群去约束的优化方法", 《河南农业大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326862A (zh) * 2021-01-12 2021-08-31 南京审计大学 审计大数据融合聚类与风险数据检测方法、介质、设备
CN116644373A (zh) * 2023-07-27 2023-08-25 深圳恒邦新创科技有限公司 基于人工智能的汽车流量数据分析管理系统
CN116644373B (zh) * 2023-07-27 2023-10-31 广东小途汽车科技有限公司 基于人工智能的汽车流量数据分析管理系统
CN117874158A (zh) * 2024-03-12 2024-04-12 远江盛邦（北京）网络安全科技股份有限公司 聚类地图位置数据的自适应调整方法和装置
CN117874158B (zh) * 2024-03-12 2024-05-28 远江盛邦（北京）网络安全科技股份有限公司 聚类地图位置数据的自适应调整方法和装置
CN118310526A (zh) * 2024-04-09 2024-07-09 哈尔滨工业大学（威海） 一种动态拓扑下基于因子图的多auv量测滤波方法及系统

Similar Documents

Publication Publication Date Title
CN112130154A (zh) 一种融合网格LOF的自适应K-means离群去约束优化方法
CN106842165B (zh) 一种基于不同距离角度分辨率雷达集中式异步融合方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN105487061B (zh) 目标数据关联的多特征信息融合方法
CN110007299B (zh) 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法
CN111337878B (zh) 一种适用于大孔径水平线阵的声源直接定位方法
CN113267754B (zh) 一种基于三维网格的地形遮挡雷达探测范围计算方法
WO2023116196A1 (zh) 用于室内定位的aoa和tof联合估计方法、装置及存储介质
CN110244260B (zh) 基于声能流矢量补偿的水下目标高精度doa估计方法
KR101817011B1 (ko) 군집화 특성 기반의 능동소나 클러터 제거 방법 및 장치
JP2018205175A (ja) レーダ装置及びそのレーダ信号処理方法
CN115220007A (zh) 一种针对姿态识别的雷达点云数据增强方法
CN115840205A (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN115061113A (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN108983194B (zh) 一种基于地面监视雷达系统的目标提取及凝聚方法
CN114492530A (zh) 基于生成式对抗网络的主动声呐探测波形识别方法及装置
Dubrovinskaya et al. Anchorless underwater acoustic localization
CN103901432B (zh) 一种多观测节点下非合作目标的轨迹跟踪方法及系统
CN117368877A (zh) 基于生成对抗学习的雷达图像杂波抑制与目标检测方法
KR102361816B1 (ko) 표적 탐지 방법 및 기록 매체
CN108957420B (zh) 一种基于数据点合并的调频连续波雷达目标参数估计方法
CN112666528A (zh) 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN111723797A (zh) 一种确定三维目标的包围框的方法及系统
CN116758261B (zh) 基于生成对抗网络的宽带前视成像雷达目标识别方法
CN114839615B (zh) 一种4d毫米波雷达目标航向角拟合方法及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225