CN112464997B - 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 - Google Patents
基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 Download PDFInfo
- Publication number
- CN112464997B CN112464997B CN202011243666.1A CN202011243666A CN112464997B CN 112464997 B CN112464997 B CN 112464997B CN 202011243666 A CN202011243666 A CN 202011243666A CN 112464997 B CN112464997 B CN 112464997B
- Authority
- CN
- China
- Prior art keywords
- sensor
- collaborative
- monitoring
- sensors
- fuzzy
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 230000004044 response Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101710116852 Molybdenum cofactor sulfurase 1 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了基于模糊‑贪婪搜索决策的多传感器协同监测方法及系统，包括步骤：S100将备选传感器中满足监测任务时空约束的传感器加入待分类链表，对待分类链表中传感器进行自适应模糊聚类；S200利用定向贪婪搜索法求解满足监测任务需求的协同解集；S300利用最终的协同解集对监测任务进行协同监测。本发明可缓解同传异需或异传同需导致的传感器模糊适用性问题，能有效解决模糊聚类性能过分依赖初始聚类中心及未考虑多维特征权重的问题，可降低贪婪搜索范围和计算复杂度等问题。
Description
技术领域
本发明涉及对地监测网协同规划和立体监测应用领域，具体是基于模糊-贪婪搜索决策的多传感器协同监测方法及系统。
背景技术
卫星遥感作为一种新型空间探测技术，以其高时空分辨率、动态连续、多尺度获取下垫面信息、获取周期短等优势，在防灾减灾领域发挥着重要的作用。近年来，随着对地监测能力的不断提升，全球空间基础设施已进入体系化发展和全球化服务的新阶段，逐步形成面向多种业务需求的立体、多维、多尺度的对地监测体系。
美国自第一颗照相侦察卫星—发现者1号发射以来，相继启动并执行“行星地球使命”计划、地球科学事业(ESE)战略计划，建立以MODIS、Quickbird、 TM/ETM+、IKONOS为代表的地球监测系统EOS，增强对自然灾害的预测能力。法国继侦查卫星发展计划部署后，发展了太阳神1、太阳神2卫星各两颗，并同步研制SPOT卫星1-7系列。日本自MOS-1号海洋卫星发射后，制定“地球监测卫星计划”，监测业务拟涵盖海洋、大气、陆地等领域(CSTP)。根据《国家民用空间基础设施中长期发展规划(2015年-2025年)》，我国已基本建成“风云”、“海洋”、“资源”、“高分”、“环境与灾害监测预报小卫星星座”、北斗等卫星系列。从最初的单源可见光成像发展到可见光、多光谱及微波成像；空间分辨率由米级到厘米级；光谱分辨率由几十个波段发展到现在的几百个波段；重访周期也在不断的缩短；生命周期也由最初的几天发展到现在的几年，全球对地监测体系迅速发展、性能不断提升。
现有的对地监测系统大多独立运行，为了更好满足自然灾害一体化监测需求，国际社会或相关组织在不断尝试将多系统集成，如联合国国际减灾战略 UNISDR、空间和重大灾害国际宪章CHARTER、全球对地监测集成系统GEOSS、开放地球空间信息联盟OGC等，在印度洋特大地震海喊灾害、汶川大地震等防灾减灾中发挥了重大作用。
对地监测传感网(Sensor Web)概念最初由NASA提出，是地球监测任务的地理空间监测网，由多平台、多源异构传感器、传输网络、软硬件支撑等环节构成。国外先后提出ESTO/AIST、SOA、OWS等传感网的一系列标准和规范，可按需定制监测数据并实时传输，为科学研究、灾害监测及国家决策提供依据。我国更侧重于传感网应用研究，传感器协同监测在多领域已体现出巨大潜力，在实际的灾害监测中，如何跨平台实现多指标、多方法的立体监测体系，如何量化多源异构传感器的性能指标、如何反演适应于不同灾害过程的监测指标，都需要开展深入研究。
多传感器协同包括两个层次：协同数据反演和协同监测过程。前者侧重数据应用，是一种非直接的传感器性能后评价模式，也是目前的主流方向；后者侧重传感器自身性能，根据具体任务需求，从固有的物理参数中选择与目标需求最匹配的组合方案，也是研究的前沿方向。另外，对地监测环境复杂多变，多传感器的监测性能需要综合考量其固有技术指标和任务需求，目前已有的性能评价模式多依赖于专家决策或经验值，易造成主观性干扰。
背景技术涉及如下参考文献：
[1]Peng Ling,Xu Suning,Mei Junjun.Research on Wenchuan Earthquakeinduced Landslides Rapid Recognition from ZY-3Imagery[J].Remote SensingTechnology&Application,2018.
[2]陈能成,张良培.空天地一体化对地监测传感网的概念与特征[J].测绘地理信息,2015,040(005):P.4-7,12.
[3]国家民用空间基础设施中长期发展规划(2015-2025年)[J].卫星应用, 2015(11):64-70.
发明内容
本发明目的是基于监测任务需求的驱动，提供基于模糊-贪婪搜索决策的多传感器协同监测方法及系统。
本发明可缓解“同传异需”或“异传同需”导致的传感器模糊适用性问题，能有效解决聚类性能过分依赖初始聚类中心及未考虑多维特征权重的问题，可降低贪婪搜索范围和计算复杂度等问题。
本发明提供的技术方案如下：
本发明提供的基于模糊-贪婪搜索决策的多传感器协同监测方法，包括步骤：
S100将备选传感器中满足监测任务时空约束的h个传感器加入待分类链表，对待分类链表中传感器进行自适应聚类；所述备选传感器指参与协同监测的多传感器；
本步骤中的聚类进一步包括：
S110令类别数C＝3，分别对应{优}、{中}、{差}类；初始化隶属度矩阵 U0＝{uif}，uif为第f个传感器对第i个聚类中心的隶属度，i＝1,2,3，f＝1,2,...h；
S120依次计算待分类链表中传感器的优先度，将最大、中位、最小优先度对应的传感器分别作为{优}、{中}、{差}类的初始聚类中心；所述优先度为传感器对监测任务的时间窗覆盖率、空间窗覆盖率以及需求距性能之和；
需求距性能为
d(sfg,Kg)为sfg与Kg的拓展豪斯多夫距离，sfg为第f个传感器的第g个指标，Kg为监测任务第g个指标的需求；Wg为监测任务中第g个需求指标的权重，采用基于专家打分的可信度综合权重法获得；m为指标维数；
S130利用自适应模糊C均值法进行传感器聚类，获得{优}、{中}、{差}类传感器集；
S200利用定向贪婪搜索法求解满足监测任务需求的协同解集；本步骤进一步包括：
S210对{优}类传感器按隶属度排序，以最大隶属度的传感器为搜索的初始值；
S220从{优}类传感器集中剔除初始值，同时将初始值加入协同解集，计算当前的协同解集对监测任务的剩余时间约束和剩余空间约束；
S230对{优}类传感器进行贪婪搜索，按隶属度从大到小将传感器依序枚举，逐一判断当各传感器加入协同解集后，对监测任务的剩余时间约束和/或剩余空间约束是否趋于减小；若是，将该当前传感器添加到协同解集，继续对下一排序传感器进行判断；若不是，直接继续对下一排序传感器进行判断；当当前的协同解集完全覆盖监测任务的时空约束或{优}类传感器被枚举完，停止搜索；
S300利用最终的协同解集对监测任务进行协同监测。
进一步的，步骤S100中，判断备选传感器是否满足监测任务时空约束的方法为：
遍历备选传感器集合S＝{Sf,f＝1...n}，依次判定Sf是否满足监测任务的时空约束，当TWf∩TW≠Φ且LWf∩LW≠Φ时，则满足时空约束；
其中，TW和LW分别表示监测任务的时间窗和空间窗；TWf和LWf分别表示传感器Sf的时间窗和空间窗，Φ为空集。
进一步的，步骤S130具体包括：
S131采用公式
更新隶属度矩阵；
其中，i和j为聚类中心编号，i,j∈[1,C]；
表示更新后的第f个传感器对第i个聚类中心的隶属度；/>
和/>
分别为更新前第f个传感器对第i、 j个聚类中心的隶属度；||Sf-vi||、||Sf-vj||分别表示Sf与vi、vj的距离，Sf为第f个传感器的指标向量，vi、vj为第i、j个聚类中心的指标向量；M为预设的模糊因子；
S132采用公式
更新聚类中心，/>
为更新后的第i个聚类中心；
S133比较相邻两次迭代的隶属度矩阵范数是否收敛，若收敛，停止迭代，传感器分为{优}、{中}、{差}三类；否则执行S131，继续迭代。
进一步的，Sf与vi、vj的距离||Sf-vi||、||Sf-vj||分别采用如下公式计算：
其中，d(sfg,vig)、d(sfg,vjg)分别为sfg与vig、vig之间的拓展豪斯多夫距离， vig、vjg、vig分别为第i、j个聚类中心的第g个指标。
作为优选，权重Wg的确定具体为：
首先，针对监测任务各需求指标，利用模糊层次分析法，确定基于不同专家打分的需求指标权重向量；
接着，引入专家的职称ar、研究领域关联度br、科研活跃程度cr、评审业绩 dr、判定依据er，获得专家的能力测评总分pr＝ar×br×cr×dr×er及专家可信度
进一步得到可信度综合权重
其中，r为专家编号；Q为专家总数；Wg为第g个需求指标的可信度综合权重，g＝1，2，...m；wrg表示基于第r个专家打分获得的第g个指标的权重。
进一步的，d(sfg,Kg)、d(sfg,vig)、d(sfg,vjg)均为两组指标g的区间距离，采用拓展豪斯多夫距离；
将d(sfg,Kg)、d(sfg,vig)、d(sfg,vjg)统一记为d(sfg,Xg)，Xg为Kg、vig或vjg；
d(sfg,Xg)的计算方法如下：
其中，
分别表示sfg、Xg区间的均值，/>
为相应区间上限，
表示取/>
中的较小值；/>
为相应区间下限，/>
表示取
中的较大值；/>
分别表示sfg、Xg区间标准差。
进一步的，子步骤S220中，剩余时间约束PTW_R＝TW-PTW_Y，剩余空间约束PLW_R＝LW-PLW_Y；
其中，TW和LW分别为监测任务的时间窗和空间窗；
PTW_Y为当前协同解集对监测任务的时间覆盖性能， PTW_Y＝(TWf∪TWY-1)∩TW；TWf表示当前搜索的f传感器具有的时间窗， TWY-1为前一状态解集的时间窗；
PLW_Y为当前协同解集对监测任务的空间覆盖性能， PLW_Y＝(LWf∪LWY-1)∩LW；LWf表示当前搜索的f传感器具有的空间窗， LWY-1为前一状态解集的空间窗；
∪、∩分别表示集合的取并集、取交集运算。
进一步的，在子步骤S230中，当对{优}类传感器枚举完成时，协同解集若仍未完全覆盖监测任务的时空约束，则依次对{中}、{差}类传感器中传感器进行子步骤S230的贪婪搜索，直至当前协同解集完全覆盖监测任务的时空约束。
本发明提供的基于模糊-贪婪搜索决策的多传感器协同监测系统，包括：
第一模块，用来将备选传感器中满足监测任务时空约束的h个传感器加入待分类链表，对待分类链表中传感器进行聚类；所述备选传感器指参与协同监测的多传感器；
所述第一模块进一步包括聚类模块，所述聚类模块进一步包括：
初始化子模块，用来令类别数C＝3，分别对应{优}、{中}、{差}类；初始化隶属度矩阵U0＝{uif}，uif为第f个传感器对第i个聚类中心的隶属度， i＝1,2,3，f＝1,2,...h；
初始聚类子模块，用来依次计算待分类链表中传感器的优先度，将最大、中位、最小优先度对应的传感器分别作为{优}、{中}、{差}类的初始聚类中心；所述优先度为传感器对监测任务的时间窗覆盖率、空间窗覆盖率以及需求距性能之和；
需求距性能为
d(sfg,Kg)为sfg与Kg的拓展豪斯多夫距离，sfg为第f个传感器的第g个指标，Kg为监测任务第g个指标的需求；Wg为监测任务中第g个需求指标的权重，采用基于专家打分的可信度综合权重法获得；m为指标维数；
聚类子模块，用来利用自适应模糊C均值法进行传感器聚类，获得{优}、 {中}、{差}类传感器集；
第二模块，用来利用定向贪婪搜索法求解满足监测任务需求的协同解集；
所述第二模块进一步包括：
排序子模块，用来对{优}类传感器按隶属度排序，以最大隶属度的传感器为搜索的初始值；
协同解集初始化子模块，用来从{优}类传感器集中剔除初始值，同时将初始值加入协同解集，计算当前的协同解集对监测任务的剩余时间约束和剩余空间约束；
贪婪搜索子模块，用来对{优}类传感器进行贪婪搜索，按隶属度从大到小将传感器依序枚举，逐一判断当各传感器加入协同解集后，对监测任务的剩余时间约束和/或剩余空间约束是否趋于减小；若是，将该当前传感器添加到协同解集，继续对下一排序传感器进行判断；若不是，直接继续对下一排序传感器进行判断；当当前的协同解集完全覆盖监测任务的时空约束或{优}类传感器被枚举完，停止搜索；
第三模块，用来利用最终的协同解集对监测任务进行协同监测。
和现有技术相比，本发明具有如下特点和有益效果：
(1)利用自适应模糊C均值法进行聚类，处理多传感器性能归属更灵活有效。自适应模糊C均值法包含模糊隶属度概念，可避免常规的传感器适应性二值标记状态法的局限性，更符合“同传异需”或“异传同需”的实际情况。
此外，本发明在传统的模糊C聚类法基础上，引入需求参数权重，得到加权模糊隶属度，能增强算法的抗噪能力，改善多传感器性能分类效果。采用时空约束的优先度排序准则，确定初始聚类中心，有效解决了过分依赖初始聚类中心的问题。本发明的优选方案中还针对指标参数多为区间型符号的问题，采用拓展 Hausdorff距离作为区间符号之间的距离度量。
(2)针对目前未考虑传感器各维指标对聚类贡献度的问题，同时为避免专家个体差异性，本发明引入专家可信度综合权重，基于专家可信度综合函数，确定传感器性能属性的可信度综合权重向量。
(3)本发明基于自适应模糊C均值聚类结果筛选范围约束进行定向贪婪搜索，极大缩小了搜索范围和计算复杂度，求解协同解集更合理高效；基于隶属度排序准则确定搜索起始值，解决了随机初始值导致的局部最优问题。
附图说明
图1为本发明具体实施方式的流程图。
具体实施方式
为了更清楚地说明本发明技术方案，下面将对照附图提供至少一种具体实施方式。显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据所提供的具体实施方式做出其他各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。
下面将结合图1对本发明技术方案进行详细描述。
一、监测任务-需求原型分析。
首先对监测任务-需求原型进行分析，以提供本发明实施的理论基础。
假设监测任务为K，约束条件包括时空约束，时间窗TW＝[TWs,TWl]，TWs代表监测任务开始时间，TWl代表监测任务结束时间；空间窗LW＝ [left,top,right,down]，left、top、right、down分别代表监测任务的左、上、右、下四个方位的经纬度。传感器的性能属性包括但不限于时间分辨率T、空间分辨率L、光谱分辨率R三个变量，监测任务需求描述为K＝(T,L,R)'。
不同灾害监测任务在监测预警、应急响应与救援、灾情评估等各阶段对传感器的性能参数需求不同，具体可以参考国家减灾委在环境与灾害监测预报小卫星星座项目的建设过程中归纳总结的需求库。
针对监测任务K，参与协同观测的多传感器S定义如下：
式(1)也即备选传感器性能矩阵，其中：
S＝{Sf,f＝1...n}为备选传感器集合，备选传感器即参与协同观测的多传感器S，f为备选传感器编号，n为备选传感器数量；
sfg表示第f个传感器第g个指标，g＝1,2,…m，m为传感器指标维数。
引入模糊决策向量U＝{u1,u2,...,uz}，uf表示第f个传感器参与监测任务的模糊隶属度，z表示参与协同观测的传感器解集数量。将多传感器S对监测任务 K的响应函数f(K)记为：
f(K)＝U·S＝[u1S1,u2S2,...uzSz] (2)
公式(2)所示的响应函数f(K)即本发明所构建的监测任务-需求原型。
由此，对监测任务-需求原型输入：任务需求参考值、备选传感器性能矩阵、指标权重；则输出：依隶属度大小反馈的传感器分类及组合方案。因此核心是求解满足目标函数值最优的模糊隶属度。此处，任务需求参考值指监测任务对传感器性能属性的需求，各项具体任务需求的参考值可参见国家减灾委在环境与灾害监测预报小卫星星座项目的建设过程中归纳总结的需求库。
传感器监测性能取决于多种性能属性的综合作用。一般而言，时间分辨率越高，对突发性、快速变化灾害过程的监测能力越强，但空间分辨率相应降低。空间分辨率越高，越有利于微观尺度监测，但时间分辨率相应会降低。此外，传感器多通道信息增强了对地监测能力，为参数反演提供了渠道，但光谱分辨率与空间分辨率也存在相互制约的关系。因此，在后续优化过程中，需根据监测任务目标区域范围、精度要求等，折衷考虑空间分辨率、时间分辨率、光谱分辨率等性能指标。
二、将备选传感器中满足监测任务时空约束的传感器加入待分类链表，利用改进的模糊C均值法度量待分类链表中传感器性能属性，并进行聚类。
考虑到传感器适应性存在“同传异需”或“异传同需”的模糊性情况，因此使用模糊聚类法对多传感器协同观测能力统一度量。模糊C均值法具有收敛速度快且不受先验类别数据约束等优点，但也存在聚类结果过分依赖初始类心、易受噪声干扰、缺乏样本各维属性对聚类贡献度评定等缺点。因此，本具体实施方式优选通过引入专家可信度综合权重，确定传感器不同性能属性的权重。
进行聚类前，先获取满足监测任务时空约束的传感器。遍历备选传感器集合 S＝{Sf,f＝1...n}，依次判定Sf是否满足监测任务的时空约束，即是否满足监测任务时间窗和空间窗的约束，当TWf∩TW≠Φ且LWf∩LW≠Φ时，则满足时空约束。TWf和LWf分别表示传感器f的时间窗和空间窗，Φ表示空集。将满足时空约束的传感器加入待分类链表。
优选的聚类过程包括：
(210)下面将详细描述指标权重的确定过程。
针对现有技术中未考虑传感器各维指标对聚类贡献度的问题，本具体实施方式引入专家可信度综合权重，基于专家可信度综合函数，确定传感器性能参数的可信度综合权重向量。
首先，利用模糊层次分析法确定传感器各维指标权重，此处各维指标指监测任务的各项需求参数。
本具体实施方式采用1-9标度法来确定权值，具体为：针对备选传感器集合，分别确定各指标的权重，即：运用专家知识及经验依次对传感器的指标进行两两比对，根据比对指标的重要程度取分值，按1-9标度法建立判断矩阵Dm×m，求解 Dm×m的最大特征根λmax和特征向量x＝(x1...xm)T，对特征向量做归一化处理，得到各性能指标权重向量w，见公式(3)，并做一致性检验。
式(3)中，w1、...wm依次为传感器各维指标的权重。
采用上述方法分别获得多个专家打分的性能指标权重向量w。
利用1-9标度法确定指标权值为常用方法，本具体实施方式中，设定：当两两指标比对时，前者与后者相比同样重要，则分值取1；前者稍重要于后者，分值取3，反之分值取3的倒数；前者明显重要于后者，分值取5，反之分值取5 的倒数；前者强烈重要于后者，分值取7，反之分值取7的倒数；前者极端重要于后者，分值取9，反之分值取9的倒数。
接着，基于专家可信度综合函数，确定可信度综合权重向量。
为避免专家个体差异性，本具体实施方式中综合考虑专家职称ar、研究领域关联度br、科研活跃程度cr、评审业绩dr、判定依据er这5个差异因素，符合程度分别对应分值10/8/6/4，根据上述各项差异因素得分来评定专家可信度pror。可信度综合权重W可描述为pror和wr的线性乘积：
式(4)中：
r为参评专家序号；
pr为第r个参评专家的能力测评总分；
Q为参评专家总数；
pror为第r个参评专家的综合比分，即第r个参评专家的专家可信度；
W为可信度综合权重向量，Wg表示传感器第g个指标的综合权重；
wrg表示第r个参评专家对传感器第g个指标的权重打分，即由模糊层次法确定的传感器指标权重。
(220)本发明利用改进的模糊C均值聚类法进行传感器聚类，具体的聚类过程如下：
(221)设置初始聚类条件：类别数C＝3，分别对应类群标签{优}、{中}、 {差}；模糊因子由经验值确定，本具体实施方式中模糊因子M＝2；收敛参数ε＝0.01，迭代步数step初始化为step＝0，初始隶属度矩阵U0，并将隶属度归一化，见公式(5)。
式(5)中：
初始隶属度矩阵U0由随机函数rand()生成，h为待分类链表中传感器数量；
uif表示待分类链表中第f个传感器对第i个聚类中心的隶属度。
(222)针对传统模糊C均值聚类过分依赖初始聚类中心的问题，本发明采用时空约束以及属性距离约束条件下的优先度准则，初始化聚类中心。
按照公式(6)计算待分类链表中各传感器优先度并根据优先度进行排序：
式(6)中：
f为待分类链表中传感器编号，f∈[1,h]；
F为优先度排序函数，通过排序函数rank()反馈结果；
TW、LW分别为给定监测任务的时间窗、空间窗；
TWf、LWf分别表示第f个传感器在给定监测任务中能有效监测的时间范围和空间范围；
Wg为传感器第g个指标的权重，由传感器性能属性的可信度综合权重向量获得；
d(sfg,Kg)为sfg与Kg之间的距离，sfg为第f个传感器的第g个指标，Kg为给定监测任务的第g个指标需求。
在公式(6)中，
和/>
分别指第f个传感器对监测任务的时间窗覆盖率、空间窗覆盖率；/>
指第f个传感器对监测任务需求的距离。
公式(6)中Δ表示求数据范围两端端点之差，例如Δ(TWf∩TW)表示求 TWf∩TW交集范围两端端点之差，ΔTW表示求时间窗TW两端端点之差。
由于传感器指标参数多为区间数据，因此采用拓展Hausdorff距离作为区间数据之间的距离度量，拓展Hausdorff(豪斯多夫)距离d(sfg,Kg)的计算见如下公式(7)：
公式(7)所示的距离度量公式能有效解决传感器指标多为一般性分布区间的问题。
对于传感器指标及监测任务指标需求，均为区间数据形式，所以式(7)中，
分别表示sfg、Kg区间的均值，sfg区间指第f个传感器第g个指标的数值范围，Kg区间则指监测任务第g个指标的需求范围；/>
为相应区间上限，/>
表示取/>
中的较小值；/>
为相应区间下限，/>
表示取/>
中的较大值；/>
分别表示区间标准差。
选择满足max(F)的传感器作为{优}的初始聚类中心，满足median(F)的传感器作为{中}的初始聚类中心，满足min(F)的传感器作为{差}的初始聚类中心。 max(F)、median(F)、min(F)分别表示最大优先度、中位优先度、最小优先度。需要说明的是，此处中位优先度指按大小排序的优先度数据中居于中间位置的优先度。
本发明中，优先度的确定思路为：
对待分类链表中每一个传感器，分别计算其对监测任务的时间窗覆盖率
空间窗覆盖率/>
需求距性能/>
求和，和值越大，则传感器对监测任务的潜在适应性越大，即优先度越大。基于优先度排序，以作为确定初始聚类中心的参考依据。
(223)以{优}、{中}、{差}相应的三个初节点作为初始聚类中心集V0，利用自适应模糊C均值聚类法对待分类链表中剩余的传感器进行聚类。
(224)采用公式(8)迭代更新隶属度矩阵U(step+1)，U(step+1)表示第step+1次迭代的隶属度矩阵，其为C×h维向量矩阵：
式(8)中：
i和j均指聚类中心编号，i,j∈[1,C]；
f为传感器编号，f∈[1,h]；
vi、vj分别表示第i、j个聚类中心的指标向量；
||Sf-vi||、||Sf-vj||分别表示Sf与vi、vj的距离，Sf为第f个传感器的指标向量，||Sf-vi||、||Sf-vj||通过对传感器f和聚类中心的指标距离加权得到；
Wg为传感器第g个指标sfg的权重；
d(sfg,vig)、d(sfg,vjg)分别为sfg与vig、vig之间的距离，vig、vig分别为第i、j个聚类中心的第g个指标。
sfg及聚类中心各指标vig同样为区间数据形式，所以采用公式(7)中拓展豪斯多夫距离公式计算区间数据间的距离。
(225)基于更新后的隶属度
迭代更新聚类中心V(step+1)，见式(9)。V(step+1)为第step+1次迭代更新的聚类中心矩阵，为C×m维向量矩阵。
式(9)中：
(226)比较前后两次迭代的隶属度矩阵范数是否达到收敛条件 ||U(step+1)-U(step)||≤ε，U(step+1)、U(step)分别为第step+1、step次迭代的隶属度矩阵；若达到收敛条件，停止迭代，转向步骤(227)；否则令step＝step+1，转向步骤(224)，继续迭代。
(227)迭代结束后，确定传感器分类：{sα∈优}、{sβ∈中}、{sγ∈差}。
在停止迭代后，得到最终的聚类中心矩阵V1和隶属度矩阵U1，基于隶属度最大原则对传感器进行划分，即将传感器划分到隶属度最大所对应的类。
利用自适应模糊C均值聚类法统一度量多传感器协同观测能力，从而实现传感器聚类。实际观测任务中存在“同传异需”或“异传同需”的情况，即同一种传感器适合不同任务需求，不同传感器适合同一任务需求，传感器适用性存在一定的模糊度。因此，本发明在传统的模糊C聚类算法基础上，引入需求参数权重，得到加权模糊隶属度，能增强算法的抗噪能力，改善多传感器性能分类效果。针对指标参数多为区间数据的问题，采用拓展Hausdorff距离作为区间数据之间的距离度量。采用时空约束的优先度排序准则，确定初始聚类中心，有效解决了过分依赖初始聚类中心的问题。
三、基于聚类结果，利用定向贪婪搜索法求解满足监测任务需求的协同传感器解集。
参与优化布局的备选传感器按{sα∈优}、{sβ∈中}、{sγ∈差}顺序筛选。由于最佳组合数量无法事先确定，需要对所有可能组合进行排查，为减少求解难度，选用定向贪婪算法求解。
下面将提供详细的求解过程。
(310)对{sα∈优}的传感器集中各传感器按隶属度排序，选择最大隶属度对应的传感器作为贪婪搜索模型的搜索起点，即初始值，解决目前随机初始值导致的局部最优问题。将该初始值从{sα∈优}的传感器集中剔除，同时将该初始值加入到协同解集Y＝{Sy,y∈(1...z)}，z为协同解集中传感器数量。
(320)计算当前的协同解集对监测任务的时空性能响应及剩余时空约束。
所述时空性能响应包括时间覆盖性能和空间覆盖性能。
时间覆盖性能PTW_Y为：
PTW_Y＝(TWf∪TWY-1)∩TW (10)
式(10)中，TWf表示当前搜索的f传感器具有的时间窗，TWY-1为前一状态解集的时间窗；“∪”“∩分别表示集合(区间)的“并”“交”处理。
空间覆盖性能PLW_Y为：
PLW_Y＝(LWf∪LWY-1)∩LW (11)
式(11)中，LWf表示当前搜索的f传感器具有的空间窗，LWY-1为前一状态解集的空间窗；“∪”“∩分别表示集合(区间)的“并”“交”处理。
剩余时间约束PTW_R：
PTW_R＝TW-PTW_Y (12)
剩余空间约束PLW_R：
PLW_R＝LW-PLW_Y (13)
(330)对{sα∈优}中剩余的传感器执行贪婪搜索，按隶属度从大到小将传感器依序逐一枚举，逐一判断各剩余传感器加入Y后，Y对监测任务的时空约束是否得以优化。若优化，将该剩余传感器添加到协同解集，继续对下一排序传感器进行枚举；否则，直接继续对下一排序传感器进行枚举；当对{优}类传感器枚举完成时，协同解集若仍未完全覆盖监测任务的时空约束，则依次对{中}、{差} 类传感器中传感器进行枚举。直至当前协同解集完全覆盖监测任务的时空约束或传感器被枚举完，停止搜索，最终的协同解集即满足监测任务需求的最优解。通过以上排序枚举，缩小了贪婪搜索范围，降低了贪婪搜索的复杂度。所述完全覆盖指：当当前协同解集对监测任务的剩余时间约束和剩余空间约束均趋于空集，则判断为完全覆盖。
在进行贪婪搜索时，先判断排序第一的传感器加入Y后，Y对监测任务的时空约束是否得以优化，若优化，将该排序第一的传感器加入Y；之后，再顺次判断下一排序的传感器加入Y后，对监测任务的时空约束是否得以优化；以此方式，按隶属度排序逐一对各传感器是否优化进行判断。
判断时空约束是否得以进一步优化，具体为：
计算某剩余传感器加入当前协同解集Y后，判断当前协同解集Y的剩余时间约束PTW_R和剩余空间约束PLW_R是否逐渐变小，若是，则表示该传感器的加入能进一步优化模型。
(340)若枚举完{sα∈优}中所有传感器，最终的协同解集不足以完全覆盖监测任务的时空约束，依序对{sβ∈中}、{sγ∈差}中传感器执行(320)～(330) 中操作，直至当前协同解集完全覆盖监测任务的时空约束，停止枚举。
一般而言，经过自适应模糊C聚类后的{sα∈优}、{sβ∈中}、{sγ∈差}中类群，代表了备选传感器集合对具体观测任务的性能响应优劣排序，当备选传感器数量足够，{优}类群基本能满足定向贪婪搜索算法求解的要求。
本发明基于自适应模糊C均值聚类结果作为筛选范围约束，极大缩小了搜索范围和计算复杂度；采用加权距离函数排序准则确定搜索起始值，解决了随机初始值导致的局部最优问题。
四、利用最终的协同解集对监测任务进行协同监测，参与协同观测的传感器及模糊隶属度对监测任务的响应即为：f(K)＝U·S＝[u1S1,u2S2,...uzSz]。
实施例
为验证本发明的可靠性，本实施例对水资源监测中的洪涝场景应急监测进行验证。依据国家减灾委归纳总结的不同灾害对传感器性能参数的基本需求库，构建监测任务需求-原型，选取鄱阳湖作为实验区，以近几年暴雨导致的洪涝应急救援任务为例，进行鄱阳湖水面积提取，并与卫星实际应用结果或水文年鉴公告、实测数据做比较，由此评估本发明方法的有效性。
本次洪涝应急救援任务中，在洪涝不同阶段的监测任务需求见下表1，数据来源于国家减灾委归纳总结的不同灾害监测对传感器性能参数的基本需求库。
洪涝灾害突发性强、破坏性大、周期短暂，侧重于应急响应和紧急救援需求。本实施例选用EO-1搭载的Hyperion,Landsat5_TM，EnviSAT_ASAR,Terra/Aqua 搭载的MODIS，SPOT5搭载的HRG，ALOS搭载的AVNIR2，LANDSAT8搭载的OLI、TIRS，CBERS-04搭载的PAN、IRS、MUX，GF-1卫星搭载的PMS、 WFV，HJ-1A/B搭载的CCD、HIS，哨兵1A/B搭载的C波段合成孔径雷达，FY3 卫星搭载的VIRR、MERSI等传感器，对实验区进行协同观测及性能评定。备选传感器性能参数参考自然资源卫星遥感云服务平台。
表1洪涝不同阶段的监测任务需求
利用本发明的方法得到参与协同观测的传感器及模糊隶属度对监测任务的响应：f(K)＝U.S＝[u1S1,u2S2,...uzSz]，计算该响应条件下的鄱阳湖洪涝水域面积提取，并与卫星实际应用结果等数据做比较，评估传感器模糊优选决策方案的有效性。
Claims (9)
1.基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是，包括步骤：
S100将备选传感器中满足监测任务时空约束的h个传感器加入待分类链表，对待分类链表中传感器进行自适应模糊聚类；所述备选传感器指参与协同监测的多传感器；
本步骤中的聚类进一步包括：
S110令类别数C＝3，分别对应{优}、{中}、{差}类；初始化隶属度矩阵U0＝{uif}，uif为第f个传感器对第i个聚类中心的隶属度，i＝1,2,3，f＝1,2,...h；
S120依次计算待分类链表中传感器的优先度，将最大、中位、最小优先度对应的传感器分别作为{优}、{中}、{差}类的初始聚类中心；所述优先度为传感器对监测任务的时间窗覆盖率、空间窗覆盖率以及需求距性能之和；
需求距性能为
d(sfg,Kg)为sfg与Kg的拓展豪斯多夫距离，sfg为第f个传感器的第g个指标，Kg为监测任务第g个指标的需求；Wg为监测任务中第g个需求指标的权重，采用基于专家打分的可信度综合权重法获得；m为指标维数；
S130利用自适应模糊C均值法进行传感器聚类，获得{优}、{中}、{差}类传感器集；
S200利用定向贪婪搜索法求解满足监测任务需求的协同解集；本步骤进一步包括：
S210对{优}类传感器按隶属度排序，以最大隶属度的传感器为搜索的初始值；
S220从{优}类传感器集中剔除初始值，同时将初始值加入协同解集，计算当前的协同解集对监测任务的剩余时间约束和剩余空间约束；
S230对{优}类传感器进行贪婪搜索，按隶属度从大到小将传感器依序枚举，逐一判断当各传感器加入协同解集后，对监测任务的剩余时间约束和/或剩余空间约束是否趋于减小；若是，将该当前传感器添加到协同解集，继续对下一排序传感器进行判断；若不是，直接继续对下一排序传感器进行判断；当当前的协同解集完全覆盖监测任务的时空约束或{优}类传感器被枚举完，停止搜索；
S300利用最终的协同解集对监测任务进行协同监测。
2.如权利要求1所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
步骤S100中，判断备选传感器是否满足监测任务时空约束的方法为：
遍历备选传感器集合S＝{Sf,f＝1...n}，依次判定Sf是否满足监测任务的时空约束，当TWf∩TW≠Φ且LWf∩LW≠Φ时，则满足时空约束；
其中，TW和LW分别表示监测任务的时间窗和空间窗；TWf和LWf分别表示传感器Sf的时间窗和空间窗，Φ为空集。
3.如权利要求1所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
步骤S130具体包括：
S131采用公式
更新隶属度矩阵；
其中，i和j为聚类中心编号，i,j∈[1,C]；
表示更新后的第f个传感器对第i个聚类中心的隶属度；/>
和/>
分别为更新前第f个传感器对第i、j个聚类中心的隶属度；||Sf-vi||、||Sf-vj||分别表示Sf与vi、vj的距离，Sf为第f个传感器的指标向量，vi、vj为第i、j个聚类中心的指标向量；M为预设的模糊因子；
S132采用公式
更新聚类中心，/>
为更新后的第i个聚类中心；
S133比较相邻两次迭代的隶属度矩阵范数是否收敛，若收敛，停止迭代，传感器分为{优}、{中}、{差}三类；否则执行S131，继续迭代。
4.如权利要求3所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
所述Sf与vi、vj的距离||Sf-vi||、||Sf-vj||分别采用如下公式计算：
其中，d(sfg,vig)、d(sfg,vjg)分别为sfg与vig、vig之间的拓展豪斯多夫距离，vig、vjg分别为第i、j个聚类中心的第g个指标。
5.如权利要求1所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
权重Wg的确定具体为：
首先，针对监测任务各需求指标，利用模糊层次分析法，确定基于不同专家打分的需求指标权重向量；
接着，引入专家的职称ar、研究领域关联度br、科研活跃程度cr、评审业绩dr、判定依据er，获得专家的能力测评总分pr＝ar×br×cr×dr×er及专家可信度
进一步得到可信度综合权重
其中，r为专家编号；Q为专家总数；Wg为第g个需求指标的可信度综合权重，g＝1，2，...m；wrg表示基于第r个专家打分获得的第g个指标的权重。
6.如权利要求4所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
d(sfg,Kg)、d(sfg,vig)、d(sfg,vjg)均为两组指标g的区间距离，采用拓展豪斯多夫距离；
将d(sfg,Kg)、d(sfg,vig)、d(sfg,vjg)统一记为d(sfg,Xg)，Xg为Kg、vig或vjg；
d(sfg,Xg)的计算方法如下：
其中，
分别表示sfg、Xg区间的均值，/>
为相应区间上限，/>
表示取/>
中的较小值；/>
为相应区间下限，/>
表示取/>
中的较大值；/>
分别表示sfg、Xg区间标准差。
7.如权利要求1所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
子步骤S220中，剩余时间约束PTW_R＝TW-PTW_Y，剩余空间约束PLW_R＝LW-PLW_Y；
其中，TW和LW分别为监测任务的时间窗和空间窗；
PTW_Y为当前协同解集对监测任务的时间覆盖性能，PTW_Y＝(TWf∪TWY-1)∩TW；TWf表示当前搜索的f传感器具有的时间窗，TWY-1为前一状态解集的时间窗；
PLW_Y为当前协同解集对监测任务的空间覆盖性能，PLW_Y＝(LWf∪LWY-1)∩LW；LWf表示当前搜索的f传感器具有的空间窗，LWY-1为前一状态解集的空间窗；
∪、∩分别表示集合的取并集、取交集运算。
8.如权利要求1所述的基于模糊-贪婪搜索决策的多传感器协同监测方法，其特征是：
在子步骤S230中，当对{优}类传感器枚举完成时，协同解集若仍未完全覆盖监测任务的时空约束，则依次对{中}、{差}类传感器中传感器进行子步骤S230的贪婪搜索，直至当前协同解集完全覆盖监测任务的时空约束。
9.基于模糊-贪婪搜索决策的多传感器协同监测系统，其特征是，包括：
第一模块，用来将备选传感器中满足监测任务时空约束的h个传感器加入待分类链表，对待分类链表中传感器进行聚类；所述备选传感器指参与协同监测的多传感器；
所述第一模块进一步包括聚类模块，所述聚类模块进一步包括：
初始化子模块，用来令类别数C＝3，分别对应{优}、{中}、{差}类；初始化隶属度矩阵U0＝{uif}，uif为第f个传感器对第i个聚类中心的隶属度，i＝1,2,3，f＝1,2,...h；
初始聚类子模块，用来依次计算待分类链表中传感器的优先度，将最大、中位、最小优先度对应的传感器分别作为{优}、{中}、{差}类的初始聚类中心；所述优先度为传感器对监测任务的时间窗覆盖率、空间窗覆盖率以及需求距性能之和；
需求距性能为
d(sfg,Kg)为sfg与Kg的拓展豪斯多夫距离，sfg为第f个传感器的第g个指标，Kg为监测任务第g个指标的需求；Wg为监测任务中第g个需求指标的权重，采用基于专家打分的可信度综合权重法获得；m为指标维数；
聚类子模块，用来利用自适应模糊C均值法进行传感器聚类，获得{优}、{中}、{差}类传感器集；
第二模块，用来利用定向贪婪搜索法求解满足监测任务需求的协同解集；
所述第二模块进一步包括：
排序子模块，用来对{优}类传感器按隶属度排序，以最大隶属度的传感器为搜索的初始值；
协同解集初始化子模块，用来从{优}类传感器集中剔除初始值，同时将初始值加入协同解集，计算当前的协同解集对监测任务的剩余时间约束和剩余空间约束；
贪婪搜索子模块，用来对{优}类传感器进行贪婪搜索，按隶属度从大到小将传感器依序枚举，逐一判断当各传感器加入协同解集后，对监测任务的剩余时间约束和/或剩余空间约束是否趋于减小；若是，将该当前传感器添加到协同解集，继续对下一排序传感器进行判断；若不是，直接继续对下一排序传感器进行判断；当当前的协同解集完全覆盖监测任务的时空约束或{优}类传感器被枚举完，停止搜索；
第三模块，用来利用最终的协同解集对监测任务进行协同监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011243666.1A CN112464997B (zh) | 2020-11-10 | 2020-11-10 | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011243666.1A CN112464997B (zh) | 2020-11-10 | 2020-11-10 | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464997A CN112464997A (zh) | 2021-03-09 |
| CN112464997B true CN112464997B (zh) | 2023-07-14 |
Family
ID=74825956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011243666.1A Active CN112464997B (zh) | 2020-11-10 | 2020-11-10 | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464997B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611744B (zh) * | 2023-07-17 | 2023-10-27 | 中国石油大学(华东) | 一种用于sofc热电联供系统综合评价的综合赋权方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
| CN104462608A (zh) * | 2014-12-31 | 2015-03-25 | 中山大学 | 基于模糊c均值聚类算法的无线传感器网络数据聚类方法 |
| CN109446028A (zh) * | 2018-10-26 | 2019-03-08 | 中国人民解放军火箭军工程大学 | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 |
| CN109978218A (zh) * | 2018-12-10 | 2019-07-05 | 南京南瑞信息通信科技有限公司 | 一种基于协同聚类策略的多模分布估计优化方法 |
| CN110677864A (zh) * | 2019-10-12 | 2020-01-10 | 长春工业大学 | 基于无线传感器网络的能量约束模糊c-均值聚类方法 |
| CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
| CN111324676A (zh) * | 2020-02-18 | 2020-06-23 | 南京华剑兵科智能装备有限公司 | 基于模糊c均值聚类算法的机械设备润滑油在线监测系统 |
| CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10489716B2 (en) * | 2016-07-08 | 2019-11-26 | Intellergy, Inc. | Method for performing automated analysis of sensor data time series |
-
2020
- 2020-11-10 CN CN202011243666.1A patent/CN112464997B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
| CN104462608A (zh) * | 2014-12-31 | 2015-03-25 | 中山大学 | 基于模糊c均值聚类算法的无线传感器网络数据聚类方法 |
| CN109446028A (zh) * | 2018-10-26 | 2019-03-08 | 中国人民解放军火箭军工程大学 | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 |
| CN109978218A (zh) * | 2018-12-10 | 2019-07-05 | 南京南瑞信息通信科技有限公司 | 一种基于协同聚类策略的多模分布估计优化方法 |
| CN110677864A (zh) * | 2019-10-12 | 2020-01-10 | 长春工业大学 | 基于无线传感器网络的能量约束模糊c-均值聚类方法 |
| CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
| CN111324676A (zh) * | 2020-02-18 | 2020-06-23 | 南京华剑兵科智能装备有限公司 | 基于模糊c均值聚类算法的机械设备润滑油在线监测系统 |
| CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
Non-Patent Citations (4)
| Title |
|---|
| Quyuan Wang.et al.Spectral partitioning and fuzzy C-means based clustering algorithm for big data wireless sensor networks.《EURASIP Journal on Wireless Communications and Networking》.2018,全文. * |
| Seyyit Alper Sert.et al.MOFCA: Multi-objective fuzzy clustering algorithm for wireless sensor networks.《Applied Soft Computing》.2015,第30卷全文. * |
| 谢福鼎等.基于模糊c均值算法和人工蜂群算法的无监督波段选择.《系统科学与数学》.2018,第38卷(第12期),全文. * |
| 韩志钢等.多节点传感器协同探测技术综述与展望.电讯技术.2020,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464997A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| CN111259906B (zh) | 含多级通道注意力的条件生成对抗遥感图像目标分割方法 | |
| CN112733800B (zh) | 基于卷积神经网络的遥感图像道路信息提取方法和装置 | |
| CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
| CN113343804B (zh) | 面向单视全极化sar数据的集成迁移学习分类方法及系统 | |
| CN113191213B (zh) | 一种高分辨率遥感影像新增建筑物检测方法 | |
| CN104036497A (zh) | 基于方差局部系数的图切交互式图像分割方法 | |
| Fan et al. | Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China) | |
| CN106056577B (zh) | 基于mds-srm混合级联的sar图像变化检测方法 | |
| CN116561498B (zh) | 一种全球森林固碳潜力高精度计算方法及系统 | |
| CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
| Mukherjee et al. | Development of new index-based methodology for extraction of built-up area from landsat7 imagery: Comparison of performance with svm, ann, and existing indices | |
| CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
| Bhagwat et al. | A novel multilabel classification of remote sensing images using XGBoost | |
| CN112464997B (zh) | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 | |
| CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
| Bukheet et al. | Land cover change detection of Baghdad city using multi-spectral remote sensing imagery | |
| CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
| CN117333807A (zh) | 空地一体化无人机群云边协同目标锁定系统 | |
| Roudier et al. | Soilscapes of New Zealand: Pedologic diversity as organised along environmental gradients | |
| Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
| CN115062708A (zh) | 一种基于轨迹偏差点嵌入和深度聚类的异常节点检测方法 | |
| CN112668403A (zh) | 多特征区域的细粒度船舶图像目标识别方法 | |
| Yıldırım | Unsupervised classification of multispectral Landsat images with multidimensional particle swarm optimization |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |