CN114417964B - 卫星运营商分类方法、装置及电子设备 - Google Patents

卫星运营商分类方法、装置及电子设备 Download PDF

Info

Publication number
CN114417964B
CN114417964B CN202111508956.9A CN202111508956A CN114417964B CN 114417964 B CN114417964 B CN 114417964B CN 202111508956 A CN202111508956 A CN 202111508956A CN 114417964 B CN114417964 B CN 114417964B
Authority
CN
China
Prior art keywords
cluster
coordinate
satellite
preset
operators
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
Application number
CN202111508956.9A
Other languages
English (en)
Other versions
CN114417964A (zh
Inventor
李思洁
陈宁宇
王运韬
王立中
马俊俊
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.)
China Satellite Communications Co ltd
Original Assignee
China Satellite Communications Co ltd
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 China Satellite Communications Co ltd filed Critical China Satellite Communications Co ltd
Priority to CN202111508956.9A priority Critical patent/CN114417964B/zh
Publication of CN114417964A publication Critical patent/CN114417964A/zh
Application granted granted Critical
Publication of CN114417964B publication Critical patent/CN114417964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种卫星运营商分类方法、装置及电子设备，通过采用无监督的聚类算法，利用聚类算法简单快速，灵活性高的优点对所选取的卫星运营商的属性进行分类分析，全面考量卫星运营商在卫星资源能力、业务能力和服务能力等一个或多个领域上的相似程度，并将相似程度高的卫星运营商归为一类。分析同一类中的卫星运营商可以挖掘隐藏的共性，找准卫星运营商的特点和定位，通过某一卫星运营商与同类别中的其他卫星运营商进行对比分析可以大幅减小后续分析的计算量。

Description

卫星运营商分类方法、装置及电子设备
技术领域
本申请涉及类别分析技术领域，尤其涉及一种卫星运营商分类方法、装置及电子设备。
背景技术
随着全球航天事业的发展，空天地一体化通信成为未来通信行业发展重要方向，卫星通信在国防和国民经济建设领域发挥着越来越重要的作用。近年来，商业航天发展迅猛，卫星运营商数量增长快速。
对卫星运营商进行评估有利于卫星运营商准确评价自身能力，明确后续发展方向，提升市场竞争力。在信息化时代，卫星运营商作为传统的资源型企业，对其进行评估既要考虑本身资源能力和业务能力，也要考虑综合信息服务能力，但现有评估方法大都属于单方面简单评估，评估维度单薄，多维度综合对比方法较为缺乏，系统性不强。缺乏算法指导卫星运营商分类，缺乏计算每个属性的重要程度的数学手段，也缺少卫星运营商综合评估方法。
发明内容
有鉴于此，本申请的目的在于提出一种卫星运营商分类方法、装置及电子设备用以解决或部分解决上述技术问题。
基于上述目的，本申请提供了一种卫星运营商分类方法包括：
分别获取至少三个卫星运营商的属性数据集；
基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集；
采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别。
进一步的，所述采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别，包括：
从全部所述卫星运营商中选取与预设类簇的数量相同的所述卫星运营商作为第一卫星运营商集合，分别将所述第一卫星运营商集合中的每一个所述卫星运营商对应的所述坐标数据作为一个所述预设类簇的类簇中心点；
分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，得到坐标距离集；
基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集；
计算所述原始类簇集中的每一个所述预设类簇对应的全部所述卫星运营商的坐标数据的坐标平均点，将该所述预设类簇的所述类簇中心点替换为所述坐标平均点；
响应于全部所述类簇中心点和其对应的所述坐标平均点的距离和小于预定阈值或所述类簇中心点的替换次数达到预定次数，确定每一个所述预设类簇对应的全部所述卫星运营商的数量；
响应于确定其中一个所述预设类簇对应的全部所述卫星运营商的数量大于预定数量，重新设定所述预设类簇的数量直至每一个所述预设类簇对应的全部所述卫星运营商的数量均小于等于所述预定数量；
基于每一个所述预设类簇对应的全部所述卫星运营商的数量确定每一个所述卫星运营商的分类类别。
进一步的，所述分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，包括：计算所述坐标数据中的每一个坐标值与所述类簇中心点对应的每一个坐标值之间的差值，基于全部所述差值计算得到所述坐标距离。
进一步的，所述基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集，包括：
选取每一个所述卫星运营商在所述坐标距离集中对应的全部所述坐标距离中的最小值对应的所述预设类簇作为该所述卫星运营商的原始类簇，将全部所述原始类簇合并作为所述原始类簇集。
进一步的，所述坐标平均点根据以下公式计算得到：
其中，|Cj|为第j个预设类簇中卫星运营商的个数，C′j为第j个坐标平均点，Xi为所述卫星运营商的坐标数据，Cj为第j个预设类簇，1≤j≤k，k为所述预设类簇的数量，1≤i≤N，N为所述预设类簇中卫星运营商的数量。
进一步的，所述全部所述类簇中心点和其对应的所述坐标平均点的距离和根据以下公式计算得到：
其中，E为全部所述类簇中心点和其对应的所述坐标平均点的距离和，Dj为第j个类簇中心点，C′j为第j个坐标平均点，d(Dj,C′j)为所述类簇中心点和其对应的所述坐标平均点的距离，1≤j≤k，k为所述预设类簇的数量。
进一步的，所述类簇中心点和其对应的所述坐标平均点的距离d(Dj,C′j)是通过对所述类簇中心点的每一个坐标值与所述坐标中心点对应的每一个坐标值进行差值计算得到的。
进一步的，所述卫星运营商的属性数据集包括卫星资源能力、业务能力和服务能力。
基于同一发明构思，本申请还提供了一种卫星运营商分类装置，包括：
属性获取模块，被配置为分别获取至少三个卫星运营商的属性数据集；
坐标构建模块，被配置为基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集；
聚类算法模块，被配置为采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别。
基于同一发明构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的方法。
从上面所述可以看出，本申请提供的卫星运营商分类方法、装置及电子设备，通过采用无监督的聚类算法，利用聚类算法简单快速，灵活性高的优点对所选取的卫星运营商的属性进行分类分析，全面考量卫星运营商在卫星资源能力、业务能力和服务能力等一个或多个领域上的相似程度，并将相似程度高的卫星运营商归为一类。分析同一类中的卫星运营商可以挖掘隐藏的共性，找准卫星运营商的特点和定位，通过某一卫星运营商与同类别中的其他卫星运营商进行对比分析可以大幅减小后续分析的计算量。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例的卫星运营商分类方法的流程示意图；
图2为本申请实施例的聚类算法对坐标数据集进行分类的流程示意图；
图3为本申请实施例的卫星运营商分类装置的结构示意图；
图4为本申请实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
以下结合附图来详细说明本申请的实施例。
本申请提供了一种卫星运营商分类方法，参考图1，包括以下几个步骤：
步骤S101、分别获取至少三个卫星运营商的属性数据集。通过专家经验、以往经验、关注重点、调查问卷表、网络爬虫等技术获取至少三个卫星运营商的属性数据集。得到的属性数据集可以为后续聚类算法处理的坐标数据提供数据基础，同时，属性数据集可以扩展卫星运营商的分类维度。
步骤S102、基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集。通过专家经验、以往经验、关注重点、调查问卷表、网络爬虫等技术获取卫星运营商的坐标数据。例如，针对要处理的属性数据，选择属性数据某个或多个领域中的全部或部分属性，构建特征向量组，并进行特征标准化和降维，得到坐标数据，然后将全部运营商对应的坐标数据合并为坐标数据集。通过坐标数据集的获取，将卫星运营商的属性数据集量化为可以进行计算处理的数据，为后续应用聚类算法对卫星运营商进行分类提供数据基础。
步骤S103、采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别。聚类算法是一种无监督的算法，算法简单快速，灵活性高。例如，使用k-means聚类算法将n个卫星运营商依据属性相似性聚集到指定的k个类簇中，每个卫星运营商属于且仅属于一个其到类簇中心距离最小的类簇中。k为正整数，其值的选取可参考评估目的确定，并根据聚类模块输出结果调整k值大小，若所关心的卫星运营商所在类簇对象数量太大则增加k，对象数量太小则减小k值。通过聚类算法对卫星运营商进行分类分析，可以全面考量卫星运营商在卫星资源能力、业务能力和服务能力等一个或多个领域上的相似程度，并将相似程度高的卫星运营商归为一类。分析同一类中的卫星运营商可以挖掘隐藏的共性，找准卫星运营商的特点和定位，通过某一卫星运营商与同类别中的其他卫星运营商进行对比分析可以大幅减小后续分析的计算量。
在一些实施例中，所述采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别，参考图2，包括以下步骤：
步骤S201、从全部所述卫星运营商中选取与预设类簇的数量相同的所述卫星运营商作为第一卫星运营商集合，分别将所述第一卫星运营商集合中的每一个所述卫星运营商对应的所述坐标数据作为一个所述预设类簇的类簇中心点。从所得到的坐标数据集中随机选择k个卫星运营商对应的坐标数据作为类簇中心点，{C1，…,Ck},1<k≤n，其中，C1为类簇中心点，k为预设类簇的数量，n为全部卫星运营商的数量。通过预先设定类簇中心点的数量，完成对聚类算法的初始化过程，为后续迭代选取类簇中心点和类簇中心点对应的类簇提供数据基础。
步骤S202、分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，得到坐标距离集。为了对预设类簇中的卫星运营商的相似度进行量化，选取坐标距离作为卫星运营商相似度的度量，坐标距离可以为聚类算法中的迭代过程提供迭代终止条件的判定基础。
步骤S203、基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集。基于卫星运营商和类簇中心点的坐标数据依次比较每一个卫星运营商到每一个类簇中心点的距离，将卫星运营商分配到距离最近的类簇中心点对应的预设类簇中。通过上述分类操作，可以将某一属性数据或多种属性相似度高的卫星运营商分类到相同的预设类簇中，实现卫星运营商的原始类簇分类，为后续类簇的调整提供分类基础。
步骤S204、计算所述原始类簇集中的每一个所述预设类簇对应的全部所述卫星运营商的坐标数据的坐标平均点，将该所述预设类簇的所述类簇中心点替换为所述坐标平均点。为了实现卫星运营商的正确精准分类，需要对原始类簇分类中的类簇中心点进行调整，通过计算预设类簇的坐标中心点，可以重新计算属于原始类簇的卫星运营商与类簇中心点的距离，从而依据新的距离对卫星运营商进行重新分类，最后得到正确的分类结果。
步骤S205、响应于全部所述类簇中心点和其对应的所述坐标平均点的距离和小于预定阈值或所述类簇中心点的替换次数达到预定次数，确定每一个所述预设类簇对应的全部所述卫星运营商的数量。类簇中心点和坐标平均点的距离和小于预定阈值可以等价于类簇中心点不发生移动或者发生很小的移动，此时可以认为得到卫星运营商的最终的分类结果，同时，为了避免出现聚类算法陷入无限迭代，可以设定预定次数的替换次数以终止迭代。通过设定预定阈值的大小可以调整聚类算法的分类精确度，实现了卫星运营商的共性的挖掘，找准卫星运营商的特点和定位，为后续同类别卫星运营商的分析提供了数据基础。
步骤S206、响应于确定其中一个所述预设类簇对应的全部所述卫星运营商的数量大于预定数量，重新设定所述预设类簇的数量直至每一个所述预设类簇对应的全部所述卫星运营商的数量均小于等于所述预定数量。为了实现卫星运营商的有效分类，同一个预设类簇中的卫星运营商的个数需要小于预定数量，通过调整预设类簇的数量可以实现卫星运营商的重新分类，提高了卫星运营商的分类质量。
步骤S207、基于每一个所述预设类簇对应的全部所述卫星运营商的数量确定每一个所述卫星运营商的分类类别。
在一些实施例中，所述分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，包括：计算所述坐标数据中的每一个坐标值与所述类簇中心点对应的每一个坐标值之间的差值，基于全部所述差值计算得到所述坐标距离。
具体的，为了对预设类簇中的卫星运营商的相似度进行量化，选取坐标距离作为卫星运营商相似度的度量，坐标距离可以为聚类算法中的迭代过程提供迭代终止条件的判定基础。
在一些实施例中，所述分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，包括：基于所述坐标数据中的每一个坐标值与所述类簇中心点对应的每一个坐标值之间的差值计算得到所述坐标距离。
具体的，依据坐标数据中的每一个坐标值与类簇中心点对应的每一个坐标值之间的差值计算每一个卫星运营商到每一个聚类中心的距离，可选择如下距离函数：
Euclidean距离，其计算公式为
Manhattan距离，其计算公式为
Chebyshev距离，其计算公式为
Minkowski距离，
其中，Dj表示第j个类簇中心点，Djt表示第j个类簇中心的第t个坐标值，Xit表示第i个卫星运营商的第t个坐标值，Xi表示第i个卫星运营商的坐标数据。
在一些实施例中，所述基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集，包括：
选取每一个所述卫星运营商在所述坐标距离集中对应的全部所述坐标距离中的最小值对应的所述预设类簇作为该所述卫星运营商的原始类簇，将全部所述原始类簇合并作为所述原始类簇集。
具体的，基于卫星运营商和类簇中心点的坐标数据依次比较每一个卫星运营商到每一个类簇中心点的距离，将卫星运营商分配到距离最近的类簇中心点对应的预设类簇中。通过上述分类操作，可以将某一属性数据或多种属性相似度高的卫星运营商分类到相同的预设类簇中，实现卫星运营商的原始类簇分类，为后续类簇的调整提供分类基础。
在一些实施例中，所述坐标平均点根据以下公式计算得到：
其中，|Cj|为第j个预设类簇中卫星运营商的个数，C′j为第j个坐标平均点，Xi为卫星运营商的坐标数据，Cj为第j个预设类簇，1≤j≤k，k为所述预设类簇的数量，1≤i≤N，N为所述预设类簇中卫星运营商的数量。
具体的，为了实现卫星运营商的正确精准分类，需要对原始类簇分类中的类簇中心点进行调整，通过计算预设类簇的坐标中心点，可以重新计算属于原始类簇的卫星运营商与类簇中心点的距离，从而依据新的距离对卫星运营商进行重新分类，最后得到正确的分类结果。
在一些实施例中，所述全部所述类簇中心点和其对应的所述坐标平均点的距离和根据以下公式计算得到：
其中，E为全部所述类簇中心点和其对应的所述坐标平均点的距离和，Dj为第j个类簇中心点，C′j为第j个坐标平均点，d(Dj,C′j)为所述类簇中心点和其对应的所述坐标平均点的距离，1≤j≤k，k为所述预设类簇的数量。
具体的，类簇中心点和坐标平均点的距离和小于预定阈值可以等价于类簇中心点不发生移动或者发生很小的移动，此时可以认为得到卫星运营商的最终的分类结果，同时，为了避免出现聚类算法陷入无限迭代，可以设定预定次数的替换次数以终止迭代。通过设定预定阈值的大小可以调整聚类算法的分类精确度，实现了卫星运营商的共性的挖掘，找准卫星运营商的特点和定位，为后续同类别卫星运营商的分析提供了数据基础。
在一些实施例中，所述类簇中心点和其对应的所述坐标平均点的距离d(Dj,C′j)是通过对所述类簇中心点的每一个坐标值与所述坐标中心点对应的每一个坐标值进行差值计算得到的。
具体的，为了对聚类算法的迭代终止条件进行设定，计算类簇中心点和坐标平均点之间的距离和作为判定原始类簇集可以作为最终分类结果的标准。可选择如下距离函数：
Euclidean距离，其计算公式为
Manhattan距离，其计算公式为
Chebyshev距离，其计算公式为
Minkowski距离，
其中，Cj表示第j个类簇中心点，Cjt表示第j个类簇中心的第t个坐标值,C′i表示第i个坐标平均点，C′it表示第i个坐标平均点的第t个坐标值。
在一些实施例中，所述卫星运营商的属性数据集包括卫星资源能力、业务能力和服务能力。
具体的，针对卫星运营商要分类的方向，选择某个或多个领域中的全部或部分属性，构建特征向量组，并进行特征标准化和降维，得到的属性数据集为：
其中，Yit表示第i个卫星运营商的第t个属性，Yit对应第i个卫星运营商的坐标值Xit。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种卫星运营商分类装置。
参考图3，所述卫星运营商分类装置，包括：
属性获取模块301，被配置为分别获取至少三个卫星运营商的属性数据集。
坐标构建模块302，被配置为基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集。
聚类算法模块303，被配置为采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的卫星运营商分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的卫星运营商分类方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的卫星运营商分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的卫星运营商分类方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的卫星运营商分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种卫星运营商分类方法，其特征在于，包括：
分别获取至少三个卫星运营商的属性数据集；
基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集；
采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别，包括：
从全部所述卫星运营商中选取与预设类簇的数量相同的所述卫星运营商作为第一卫星运营商集合，分别将所述第一卫星运营商集合中的每一个所述卫星运营商对应的所述坐标数据作为一个所述预设类簇的类簇中心点；
分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，得到坐标距离集；
基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集；
计算所述原始类簇集中的每一个所述预设类簇对应的全部所述卫星运营商的坐标数据的坐标平均点，将该所述预设类簇的所述类簇中心点替换为所述坐标平均点；
响应于全部所述类簇中心点和其对应的所述坐标平均点的距离和小于预定阈值或所述类簇中心点的替换次数达到预定次数，确定每一个所述预设类簇对应的全部所述卫星运营商的数量；
响应于确定其中一个所述预设类簇对应的全部所述卫星运营商的数量大于预定数量，重新设定所述预设类簇的数量直至每一个所述预设类簇对应的全部所述卫星运营商的数量均小于等于所述预定数量；
基于每一个所述预设类簇对应的全部所述卫星运营商的数量确定每一个所述卫星运营商的分类类别。
2.根据权利要求1所述的方法，其特征在于，所述分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，包括：计算所述坐标数据中的每一个坐标值与所述类簇中心点对应的每一个坐标值之间的差值，基于全部所述差值计算得到所述坐标距离。
3.根据权利要求1所述的方法，其特征在于，所述基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集，包括：
选取每一个所述卫星运营商在所述坐标距离集中对应的全部所述坐标距离中的最小值对应的所述预设类簇作为该所述卫星运营商的原始类簇，将全部所述原始类簇合并作为所述原始类簇集。
4.根据权利要求1所述的方法，其特征在于，所述坐标平均点根据以下公式计算得到：
其中，|Cj|为第j个预设类簇中卫星运营商的个数，C′j为第j个坐标平均点，Xi为第i个所述卫星运营商的坐标数据，Cj为第j个预设类簇，1≤j≤k，k为所述预设类簇的数量，1≤i≤N，N为所述预设类簇中卫星运营商的数量。
5.根据权利要求1所述的方法，其特征在于，所述全部所述类簇中心点和其对应的所述坐标平均点的距离和根据以下公式计算得到：
其中，E为全部所述类簇中心点和其对应的所述坐标平均点的距离和，Dj为第j个类簇中心点，C′j为第j个坐标平均点，d(Dj,C′j)为所述类簇中心点和其对应的所述坐标平均点的距离，1≤j≤k，k为所述预设类簇的数量。
6.根据权利要求5所述的方法，其特征在于，所述类簇中心点和其对应的所述坐标平均点的距离d(Dj,C′j)是通过对所述类簇中心点的每一个坐标值与所述坐标平均点对应的每一个坐标值进行差值计算得到的。
7.根据权利要求1所述的方法，其特征在于，所述卫星运营商的属性数据集包括卫星资源能力、业务能力和服务能力。
8.一种卫星运营商分类装置，其特征在于，包括：
属性获取模块，被配置为分别获取至少三个卫星运营商的属性数据集；
坐标构建模块，被配置为基于每一个所述属性数据集获取坐标数据，全部所述坐标数据合并为坐标数据集；
聚类算法模块，被配置为采用聚类算法分别对所述坐标数据集中的每一个所述坐标数据进行计算，得到每一个所述卫星运营商的分类类别，包括：
从全部所述卫星运营商中选取与预设类簇的数量相同的所述卫星运营商作为第一卫星运营商集合，分别将所述第一卫星运营商集合中的每一个所述卫星运营商对应的所述坐标数据作为一个所述预设类簇的类簇中心点；
分别计算所述坐标数据集中的每一个坐标数据与全部所述类簇中心点中每一个所述类簇中心点的坐标距离，得到坐标距离集；
基于所述坐标距离集和所述预设类簇对全部所述卫星运营商进行分类，得到原始类簇集；
计算所述原始类簇集中的每一个所述预设类簇对应的全部所述卫星运营商的坐标数据的坐标平均点，将该所述预设类簇的所述类簇中心点替换为所述坐标平均点；
响应于全部所述类簇中心点和其对应的所述坐标平均点的距离和小于预定阈值或所述类簇中心点的替换次数达到预定次数，确定每一个所述预设类簇对应的全部所述卫星运营商的数量；
响应于确定其中一个所述预设类簇对应的全部所述卫星运营商的数量大于预定数量，重新设定所述预设类簇的数量直至每一个所述预设类簇对应的全部所述卫星运营商的数量均小于等于所述预定数量；
基于每一个所述预设类簇对应的全部所述卫星运营商的数量确定每一个所述卫星运营商的分类类别。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
CN202111508956.9A 2021-12-10 2021-12-10 卫星运营商分类方法、装置及电子设备 Active CN114417964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111508956.9A CN114417964B (zh) 2021-12-10 2021-12-10 卫星运营商分类方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111508956.9A CN114417964B (zh) 2021-12-10 2021-12-10 卫星运营商分类方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114417964A CN114417964A (zh) 2022-04-29
CN114417964B true CN114417964B (zh) 2023-09-12

Family

ID=81265607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111508956.9A Active CN114417964B (zh) 2021-12-10 2021-12-10 卫星运营商分类方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114417964B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116047546B (zh) * 2022-07-07 2024-02-27 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611239A (zh) * 2016-07-26 2017-05-03 四川用联信息技术有限公司 一种改进的k_means算法对解决制造业物料采购问题
CN106611240A (zh) * 2016-07-27 2017-05-03 四川用联信息技术有限公司 基于进化算法的K_Means算法解决制造业物料采购问题
CN107480708A (zh) * 2017-07-31 2017-12-15 微梦创科网络科技（中国）有限公司 一种复杂模型的聚类方法及系统
CN109597858A (zh) * 2018-12-14 2019-04-09 拉扎斯网络科技（上海）有限公司 一种商户的分类方法及其装置和商户的推荐方法及其装置
CN110619412A (zh) * 2018-06-20 2019-12-27 菜鸟智能物流控股有限公司 物流配送站点规划方法和服务器
CN110889433A (zh) * 2019-10-29 2020-03-17 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN111210071A (zh) * 2020-01-03 2020-05-29 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质
CN111770053A (zh) * 2020-05-28 2020-10-13 江苏大学 一种基于改进的聚类与自相似性的恶意程序检测方法
CN111985815A (zh) * 2020-08-21 2020-11-24 国网能源研究院有限公司 一种能源电力运营评价指标的筛选方法及装置
CN112434884A (zh) * 2020-12-12 2021-03-02 广东电力信息科技有限公司 一种供应商分类画像的建立方法及装置
JP2021111281A (ja) * 2020-01-15 2021-08-02 アルトア株式会社 事業者分類装置、方法、プログラム、事業者評価システム及び信用リスク評価システム
CN113283754A (zh) * 2021-05-27 2021-08-20 哈尔滨工业大学（深圳） 一种车站选址方法、装置、计算设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611239A (zh) * 2016-07-26 2017-05-03 四川用联信息技术有限公司 一种改进的k_means算法对解决制造业物料采购问题
CN106611240A (zh) * 2016-07-27 2017-05-03 四川用联信息技术有限公司 基于进化算法的K_Means算法解决制造业物料采购问题
CN107480708A (zh) * 2017-07-31 2017-12-15 微梦创科网络科技（中国）有限公司 一种复杂模型的聚类方法及系统
CN110619412A (zh) * 2018-06-20 2019-12-27 菜鸟智能物流控股有限公司 物流配送站点规划方法和服务器
CN109597858A (zh) * 2018-12-14 2019-04-09 拉扎斯网络科技（上海）有限公司 一种商户的分类方法及其装置和商户的推荐方法及其装置
CN110889433A (zh) * 2019-10-29 2020-03-17 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN111210071A (zh) * 2020-01-03 2020-05-29 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质
JP2021111281A (ja) * 2020-01-15 2021-08-02 アルトア株式会社 事業者分類装置、方法、プログラム、事業者評価システム及び信用リスク評価システム
CN111770053A (zh) * 2020-05-28 2020-10-13 江苏大学 一种基于改进的聚类与自相似性的恶意程序检测方法
CN111985815A (zh) * 2020-08-21 2020-11-24 国网能源研究院有限公司 一种能源电力运营评价指标的筛选方法及装置
CN112434884A (zh) * 2020-12-12 2021-03-02 广东电力信息科技有限公司 一种供应商分类画像的建立方法及装置
CN113283754A (zh) * 2021-05-27 2021-08-20 哈尔滨工业大学（深圳） 一种车站选址方法、装置、计算设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡盼盼.《自然语言处理从入门到实战》.中国铁道出版社有限公司,2020,32-34. *

Also Published As

Publication number Publication date
CN114417964A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
US20160203191A1 (en) Recommendation system with metric transformation
CN108770002B (zh) 基站流量分析方法、装置、设备及存储介质
Demidova et al. Improving the Classification Quality of the SVM Classifier for the Imbalanced Datasets on the Base of Ideas the SMOTE Algorithm
CN114417964B (zh) 卫星运营商分类方法、装置及电子设备
CN114077912A (zh) 数据预测方法以及数据预测装置
CN110909817A (zh) 分布式聚类方法及系统、处理器、电子设备及存储介质
JP2019121376A (ja) 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法
CN116894721A (zh) 一种指标预测方法、装置、计算机设备
CN116662876A (zh) 多模态认知决策方法、系统、装置、设备及存储介质
CN116610840A (zh) 一种相似数据搜索方法、系统及电子设备
CN116051959A (zh) 一种目标检测方法、装置
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
CN113139540B (zh) 背板检测方法及设备
CN113255933A (zh) 特征工程和图网络生成方法和装置、分布式系统
CN113157987A (zh) 用于机器学习算法的数据预处理方法及相关设备
CN116051878B (zh) 基于量子线路实现的图像数据聚类方法及相关设备
CN111310842A (zh) 一种密度自适应的快速聚类方法
CN111401383A (zh) 基于图像检测的目标框预估方法、系统、设备及介质
CN113486918B (zh) 基于动态调整特征向量分布趋势的图像识别方法及其设备
CN114528907B (zh) 工业异常数据检测方法及装置
CN116226260B (zh) 一种大数据决策方法、系统及云端服务中心
CN118246062A (zh) 基于数据分级的电力数据隐私保护方法及相关设备
CN117929919A (zh) 电力线路运行异常检测方法、装置、设备及存储介质
CN116051878A (zh) 基于量子线路实现的图像数据聚类方法及相关设备
Volodymyr et al. Classification of Images of Visual Objects Based on Statistical Relevance Measures of Their Structural Descriptions

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