CN115034690A - 一种基于改进模糊c-均值聚类的战场态势分析方法 - Google Patents

一种基于改进模糊c-均值聚类的战场态势分析方法 Download PDF

Info

Publication number
CN115034690A
CN115034690A CN202210956655.0A CN202210956655A CN115034690A CN 115034690 A CN115034690 A CN 115034690A CN 202210956655 A CN202210956655 A CN 202210956655A CN 115034690 A CN115034690 A CN 115034690A
Authority
CN
China
Prior art keywords
data
battlefield
clustering
battlefield situation
data set
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
Application number
CN202210956655.0A
Other languages
English (en)
Other versions
CN115034690B (zh
Inventor
朱伟强
杨蔚
杨佳敏
李贵显
陈迪
郑鹏飞
方维海
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.)
8511 Research Institute of CASIC
Original Assignee
8511 Research Institute of CASIC
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 8511 Research Institute of CASIC filed Critical 8511 Research Institute of CASIC
Priority to CN202210956655.0A priority Critical patent/CN115034690B/zh
Publication of CN115034690A publication Critical patent/CN115034690A/zh
Application granted granted Critical
Publication of CN115034690B publication Critical patent/CN115034690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于改进模糊C‑均值聚类的战场态势分析方法，对战场态势数据进行分析，清洗和预处理，得到待聚类数据；根据战场态势要素对态势数据进行结构化属性分析，将相同的态势数据进行聚合，关联成主聚类和次级聚类，经过分群聚类的态势数据聚类按照点密度进行区域划分和色彩渲染，完成战场态势数据的展现。本发明解决了原算法易陷入局部最优点的问题，收敛速度和精度都得到了提高。

Description

一种基于改进模糊C-均值聚类的战场态势分析方法
技术领域
本发明属于电子对抗领域，具体涉及一种基于改进模糊C-均值聚类的战场态势分析方法。
背景技术
战场态势主要采用符号化的图形表示不同类型的目标，以颜色区分属性，展示敌方、我方、中立方兵力及战场环境当前状态和发展变化趋势，图形化的表示可以保证指挥员快速感知态势。战场态势可视化能提高指挥员的战场态势感知能力，有效辅助指挥员进行当前态势评估和未来态势预测。传统的战场环境态势展现方法是从地图的视角出发，将地理环境抽象为实体，进一步抽象为地图数据要素，通过符号化表达，生成可视化成果，在其基础上叠加包括敌我状态、运动状态、兵员力量、毁伤状态等在内的一系列态势信息。但是在电子对抗战争趋于智能化的现代，战场上的态势信息数据越来越繁杂，传统的态势特征信息和展现方法很难处理高维数据组。
聚类算法的思想是将数据对象分组成多个类或簇，使得在同一个簇中的对象有较高相似度，而不同簇中的对象有较低的相似度。在密度较高的元胞数据展现中，位于相同子区域内的样本在某种特征下是相似的，不同区域间的样本是不相似的。因此，高维数据的可视化问题也可以看成是一类针对样本相似度的聚类问题，聚类作为一种简单直观的分割方法，在数据处理领域占有重要的地位。高维数据处理中常用的聚类算法有K-均值算法、模糊C-均值算法以及近年流行的基于图的聚类算法等，这些算法在区域数据处理中已有较为成熟的应用。
发明内容
本发明提出了一种基于改进模糊C-均值聚类的战场态势分析方法，对战场态势数据进行分析，清洗和预处理，得到待聚类数据；根据战场态势要素对态势数据进行结构化属性分析，将相同的态势数据进行聚合，关联成主聚类和次级聚类，经过分群聚类的态势数据聚类按照点密度进行区域划分和色彩渲染，完成战场态势数据的展现。
实现本发明的技术解决方案为：一种基于改进模糊C-均值聚类的战场态势分析方法，步骤如下：
步骤一、采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，转入步骤二。
步骤二、利用改进的的模糊C-均值算法对战场态势数据集进行处理，对战场数据集中的态势要素进行聚类分析后，获得不同态势要素的次级聚类，具体如下：
步骤2-1、对战场态势数据集进行处理，对应得到不同批次的归一化数据集，转入步骤2-2。
步骤2-2、利用改进的模糊C-均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解，转入步骤2-3。
步骤2-3、根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过改进的模糊C-均值算法的目标函数
Figure 573651DEST_PATH_IMAGE001
对当前聚类结果进行评估，获得不同态势要素的次级聚类。
本发明与现有技术相比，其显著优点在于：针对现代战场态势数据处理的复杂性和模糊性，采用基于改进C-均值算法对态势数据分群聚类完成战场态势数据分析的方法，将战场目标分群看作聚类问题，利用粒子群算法和GA算法对传统的模糊C-均值聚类算法进行改进，在整个过程中实现参数自动调整和优化，以输出最优的聚类结果。解决了原算法易陷入局部最优点的问题，收敛速度和精度都得到了提高。
附图说明
图1为本发明的基于改进模糊C-均值聚类的战场态势分析方法流程图。
图2为C-均值算法对Iris数据集的聚类分布图。
图3为改进C-均值算法对Iris数据集的聚类分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围指内。
下面将结合本设计实例对具体实施方式、以及本次发明的技术难点、发明点进行进一步介绍。
结合图1，一种基于改进模糊C-均值聚类的战场态势分析方法，步骤如下：
步骤一：采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集。
数据预处理的目的是生成供数据挖掘核心算法使用的目标数据，为后续进行的数据挖掘提供高可靠性、数据集规模适当、具有一定抽象性的数据，以提高聚类分析效率。
步骤1-1、采集战场态势数据，并对战场态势数据进行清洗：
战场中的战场态势数据包括时间维度、空间维度、互作用对象、服务对象、平台支撑、数据支撑这六个维度的信息。
在战场态势数据的采集过程中，难免会有部分数据存在内容不完整，格式不一致、存放重复、信息缺失等情况，这些会对之后的战场态势展现和信息分产生影响，因此有必要对异常值进行处理。
基于邻近性将数据异常进行分类，为确定数据清洗方法提供依据。
基于上述原则，态势数据的清洗过程可通过以下步骤实现：
1-1-1）若变量的缺失率较高（大于80%），整体覆盖率较低（小于60%），可以直接将变量删除。
若变量缺失率较低（小于95%）且重要性较低，则根据数据分布的情况进行填充，若需要填充的变量是连续型，采用均值法和随机差值进行填充，若变量是离散型，采用中位数或哑变量进行填充。
1-1-2）采取近邻排序法对重复记录进行识别、比较和排序， 删除低价值的重复冗余数据。
1-1-3）对形式和内容不符合要求的数据进行纠正， 对错误难以改正且不重要的数据采取删除整条记录的方法处理。
步骤1-2、对清洗后的数据进行集成，得到战场态势数据集。
为了方便数据的存储和调用，需要对清洗后的数据进行集成，通过Mysql数据库来管理，得到战场态势数据集。
数据库模块对预处理态势数据中目标的关键信息描述如表：
Figure 694053DEST_PATH_IMAGE002
上表中，数据库模块对预处理态势数据中目标的关键信息建立索引，包括目标的编号Id、速度Speed、当前数据获取时间Time以及目标的空间位置Position。
步骤二：利用改进的模糊C-均值算法对战场态势数据集进行处理，对战场数据集中的态势要素进行聚类分析后，获得不同态势要素的次级聚类，具体如下：
步骤2-1、对战场态势数据集进行处理，对应得到不同批次的归一化数据集。
对战场态势数据集进行处理，得到不同批次的战场待分群数据集合：
Figure 4949DEST_PATH_IMAGE003
。
对上述不同批次的战场待分群数据集进行归一化处理，对应得到不同批次的归一化数据集
Figure 806683DEST_PATH_IMAGE004
：
Figure 152214DEST_PATH_IMAGE005
(1)
其中
Figure 115621DEST_PATH_IMAGE006
表示战场在当前环境下第i类目标第j维的态势特征信息，
Figure 913813DEST_PATH_IMAGE007
指所有目标在第j维属性上的最小值，
Figure 17773DEST_PATH_IMAGE008
指所有目标在第j维属性上的最大值。
步骤2-2、利用改进的模糊C-均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解。
(1)模糊C-均值算法聚类
模糊C-均值算法以事物间的模糊相似度为依据进行分类，计算
模糊C-均值的目标函数
Figure 889914DEST_PATH_IMAGE009
为：
Figure 414436DEST_PATH_IMAGE010
(2)
其中，
Figure 309711DEST_PATH_IMAGE011
为聚类中心矩阵，
Figure 577882DEST_PATH_IMAGE012
表示第l个聚类中心，
Figure 507791DEST_PATH_IMAGE013
表示隶属度矩阵，
Figure 642363DEST_PATH_IMAGE014
表示第
Figure 415147DEST_PATH_IMAGE015
个采样点属于第l个聚类中心
Figure 96795DEST_PATH_IMAGE012
的隶属度，
Figure 5845DEST_PATH_IMAGE016
表示第l个聚类中心
Figure 747536DEST_PATH_IMAGE012
与第
Figure 7616DEST_PATH_IMAGE015
个样本点之间的距离，
Figure 492955DEST_PATH_IMAGE017
为需要划分的类别数，
Figure 692730DEST_PATH_IMAGE018
为样本点数量，
Figure 995536DEST_PATH_IMAGE019
为模糊加权系数，通过控制
Figure 352699DEST_PATH_IMAGE019
值的大小来调整模糊程度，一般情况下取
Figure 766363DEST_PATH_IMAGE019
=2。
通过式（3）和式（4）更新战场态势数据的聚类中心
Figure 525371DEST_PATH_IMAGE020
和隶属度
Figure 733499DEST_PATH_IMAGE021
：
Figure 577958DEST_PATH_IMAGE022
(3)
Figure 529733DEST_PATH_IMAGE023
(4)
其中f代表迭代次数。
(2)粒子群算法聚类
模拟C-均值算法通过隶属度来表达每个样本与每个聚类中心之间的隶属程度，计算量虽然变小，但是在复杂的战场环境下，不同类别的目标隶属度计算容易陷入局部最小值，且需要提前给定战场目标的类别数。为克服上述缺点，本文引入粒子群算法和GS算法来解决模糊C-均值算法聚类过程中易陷入局部极小值的问题。
粒子群算法定义了两个参数来控制粒子的搜索速度和寻优过程，一个是加速因子
Figure 910293DEST_PATH_IMAGE024
，即粒子向个体或群体最优方向前进的步长。另一个是惯性权重
Figure 554901DEST_PATH_IMAGE025
，惯性权重体现了新粒子与前一代粒子之间的相互影响关系，一般取
Figure 683394DEST_PATH_IMAGE026
。通过控制粒子的加速因子和惯性权重调整粒子的寻优速度，藉此避免粒子飞离全局最优解或者陷入局部最优解的情况。
对归一化数据集进行初始化，粒子群算法通过归一化数据集中的个体最优与全局最优，将
Figure 314226DEST_PATH_IMAGE027
作为样本数据，将样本数据集
Figure 906882DEST_PATH_IMAGE028
中的每个样本点
Figure 597757DEST_PATH_IMAGE029
看作一个粒子，
Figure 541442DEST_PATH_IMAGE030
，搜索范围为D维空间，则初始化每个样本的速度为
Figure 208922DEST_PATH_IMAGE031
，通过粒子的当前位置计算出目标函数值，目标函数值的大小代表该位置的优劣。将单个粒子所到达过的初始最优位置记为
Figure 921663DEST_PATH_IMAGE032
，整个粒子群所到达过的初始最优位置记为
Figure 517860DEST_PATH_IMAGE033
。
步骤2-3、根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过模糊C-均值算法的目标函数
Figure 948842DEST_PATH_IMAGE034
对当前聚类结果进行评估，获得不同态势要素的次级聚类，具体如下：
1）评估结果若未达到聚类最优且迭代次数未达上限，则根据单个粒子最优位置和整个粒子群最优位置不断更新粒子的速度与其空间位置：
Figure 718215DEST_PATH_IMAGE035
其中，粒子序号
Figure 426408DEST_PATH_IMAGE036
，
Figure 318140DEST_PATH_IMAGE025
为惯性因子，
Figure 613249DEST_PATH_IMAGE037
和
Figure 514209DEST_PATH_IMAGE038
为随机约束数。
Figure 811329DEST_PATH_IMAGE039
和
Figure 873963DEST_PATH_IMAGE040
均为加速常数，
Figure 889323DEST_PATH_IMAGE041
为约束因子，用来控制速度变化幅度。当粒子群整体最优位置满足目标函数最小误差或者达到最大迭代次数时，则停止迭代，获得聚类结果。
2）若评估结果已达到最优或迭代次数达到最大值，则继续通过GS算法来动态调整聚类数目，将改进的模糊C-均值算法得到的聚类结果反馈给GS算法，GS算法通过比较数据集的平均期望值来判定是否达到最优样本聚类，经过聚类处理后的样本数据集为
Figure 593974DEST_PATH_IMAGE042
，将数据样本划分为
Figure 11180DEST_PATH_IMAGE043
类，分别为
Figure 510295DEST_PATH_IMAGE044
，t=1，2……
Figure 308224DEST_PATH_IMAGE045
，
Figure 426353DEST_PATH_IMAGE046
表示第t类，
Figure 822699DEST_PATH_IMAGE047
表示第t类的样本点数目。第t类中任意两个样本点之间的距离总和
Figure 368081DEST_PATH_IMAGE048
为：
Figure 482668DEST_PATH_IMAGE049
(7)
其中，
Figure 873329DEST_PATH_IMAGE050
表示空间中两个样本点
Figure 389761DEST_PATH_IMAGE051
和
Figure 619228DEST_PATH_IMAGE052
之间的距离的距离；
权重
Figure 221110DEST_PATH_IMAGE053
为
Figure 681041DEST_PATH_IMAGE054
(8)
定义测量值
Figure 51980DEST_PATH_IMAGE055
：
Figure 939165DEST_PATH_IMAGE056
(9)
其中
Figure 434868DEST_PATH_IMAGE057
为聚类处理后的样本数据集的期望值
Figure 823124DEST_PATH_IMAGE058
(10)
B为聚类处理后的样本数据集的数量。
为了更新选择区间，计算标准差
Figure 422470DEST_PATH_IMAGE059
：
Figure 605190DEST_PATH_IMAGE060
(11)
迭代误差
Figure 57031DEST_PATH_IMAGE061
为
Figure 717819DEST_PATH_IMAGE062
(12)
其中，GS权值
Figure 673137DEST_PATH_IMAGE063
为
Figure 292337DEST_PATH_IMAGE064
(13)
最后选择满足
Figure 965895DEST_PATH_IMAGE065
的最小的
Figure 695954DEST_PATH_IMAGE066
值作为最优的聚类个数。
判断测量值
Figure 7243DEST_PATH_IMAGE055
是否满足最优解条件，若满足，则结束，输出战场态势数据的最优目标分群结果，否则将更新聚类中心数量后，重新进行聚类处理，直到满足最优解条件为止，获得最优聚类结果。
实施例1
实验采用本发明提出的基于改进模糊C-均值聚类的战场态势分析方法，以UCI机器学习数据库中的公共数据集模拟战场态势数据来进行仿真实验，来验证对态势信息的处理能力，通过聚类分析后的各次级聚类按照点密度进行区域划分，然后按照态势要素和态势点密度进行颜色渲染，完成态势展现。
模拟使用的公共数据集如下：
表1 公共数据集特征
Figure 469448DEST_PATH_IMAGE068
结合图2和图3，从上述效果图可看出，改进C-均值算法在理想情况下获得更好的聚类效果，12个数据点分配错误，包括第一类的四个点误分配到第二类，三个点误分配到第三类，第二类的两个数据点误分配到第三类，两个个数据点误分配到第一类及第三类的一个数据点误分配到第二类。改进C——均值算法的聚类中心也更接近于真实聚类中心。

Claims (7)

1.一种基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤如下：
步骤一、采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，转入步骤二；
步骤二、利用改进的的模糊C-均值算法对战场态势数据集进行处理，对战场数据集中的态势要素进行聚类分析后，获得不同态势要素的次级聚类，具体如下：
步骤2-1、对战场态势数据集进行处理，对应得到不同批次的归一化数据集，转入步骤2-2；
步骤2-2、利用改进的模糊C-均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解，转入步骤2-3；
步骤2-3、根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过改进的模糊C-均值算法的目标函数
Figure 637234DEST_PATH_IMAGE001
对当前聚类结果进行评估，获得不同态势要素的次级聚类。
2.根据权利要求1所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤一中，采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，具体如下：
步骤1-1、采集战场态势数据，并对战场态势数据进行清洗：
战场中的战场态势数据包括时间维度、空间维度、互作用对象、服务对象、平台支撑、数据支撑；基于邻近性将数据异常进行分类，为确定数据清洗方法提供依据；
步骤1-2、对清洗后的数据进行集成，得到战场态势数据集。
3.根据权利要求2所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤1-1中，采集战场态势数据，并对战场态势数据进行清洗，具体如下：
1-1-1）若变量的缺失率大于80%，整体覆盖率小于60%，直接将变量删除；
若变量缺失率小于95%，且重要性较低，则根据数据分布的情况进行填充，若需要填充的变量是连续型，采用均值法和随机差值进行填充，若变量是离散型，采用中位数或哑变量进行填充；
1-1-2）采取近邻排序法对重复记录进行识别、比较和排序，删除重复冗余数据；
1-1-3）对形式和内容不符合要求的数据进行纠正，对错误难以改正且不重要的数据采取删除整条记录的方法处理。
4.根据权利要求2所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤1-2、对清洗后的数据进行集成，得到战场态势数据集；
为了方便数据的存储和调用，需要对清洗后的数据进行集成，通过Mysql数据库来管理，得到战场态势数据集；
其中，数据库模块对预处理态势数据中目标的关键信息建立索引，包括目标的编号Id、速度Speed、当前数据获取时间Time以及目标的空间位置Position。
5. 根据权利要求1所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤2-1中，对战场态势数据集进行处理，对应得到不同批次的归一化数据集，具体如下：
对战场态势数据集进行处理，得到不同批次的战场待分群数据集合：
Figure 23216DEST_PATH_IMAGE002
对上述不同批次的战场待分群数据集进行归一化处理，对应得到不同批次的归一化数据集
Figure 6215DEST_PATH_IMAGE004
：
Figure 870266DEST_PATH_IMAGE006
(1)
其中，
Figure 153480DEST_PATH_IMAGE007
表示战场在当前环境下第i类目标第j维的态势特征信息，
Figure 241522DEST_PATH_IMAGE008
指所有目标在第j维属性上的最小值，
Figure 711817DEST_PATH_IMAGE009
指所有目标在第j维属性上的最大值。
6.根据权利要求5所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤2-2中，利用改进的的模糊C-均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解，具体如下：
对归一化数据集进行初始化，粒子群算法通过归一化数据集中的个体最优与全局最优，将作为
Figure 379559DEST_PATH_IMAGE010
样本数据，将样本数据集
Figure 517279DEST_PATH_IMAGE010
中的每个样本点
Figure 776222DEST_PATH_IMAGE011
看作一个粒子，
Figure 500858DEST_PATH_IMAGE012
，搜索范围为D维空间，则初始化每个样本的速度为
Figure 441132DEST_PATH_IMAGE013
，通过粒子的当前位置计算出目标函数值，目标函数值的大小代表该位置的优劣；将单个粒子所到达过的初始最优位置记为
Figure 433359DEST_PATH_IMAGE014
，整个粒子群所到达过的初始最优位置记为
Figure 128783DEST_PATH_IMAGE015
。
7.根据权利要求5所述的基于改进模糊C-均值聚类的战场态势分析方法，其特征在于，步骤2-3中，根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过改进的模糊C-均值算法的目标函数
Figure 839250DEST_PATH_IMAGE001
对当前聚类结果进行评估，获得不同态势要素的次级聚类，具体如下：
1）评估结果若未达到聚类最优且迭代次数未达上限，则根据单个粒子最优位置和整个粒子群最优位置不断更新粒子的速度与其空间位置：
Figure 317636DEST_PATH_IMAGE016
其中，粒子序号
Figure 226686DEST_PATH_IMAGE017
，
Figure 30694DEST_PATH_IMAGE018
为惯性因子，
Figure 228457DEST_PATH_IMAGE019
和
Figure 510534DEST_PATH_IMAGE020
为随机约束数；
Figure 975888DEST_PATH_IMAGE021
和
Figure 13114DEST_PATH_IMAGE022
均为加速常数，
Figure 432594DEST_PATH_IMAGE023
为约束因子，当粒子群整体最优位置满足目标函数最小误差或达到最大迭代次数时，则停止迭代，获得聚类结果；
2）若评估结果已达到最优或迭代次数达到最大值，将改进的模糊C-均值算法得到的聚类结果反馈给GS算法，GS算法通过比较数据集的平均期望值来判定是否达到最优样本聚类，经过聚类处理后的样本数据集为
Figure 518362DEST_PATH_IMAGE024
，将数据样本划分为
Figure 339687DEST_PATH_IMAGE025
类，分别为
Figure 751077DEST_PATH_IMAGE026
，
Figure 454591DEST_PATH_IMAGE027
，
Figure 344049DEST_PATH_IMAGE028
表示第t类，
Figure 19881DEST_PATH_IMAGE029
表示第t类的样本点数目；第t类中任意两个样本点之间的距离总和
Figure 602172DEST_PATH_IMAGE030
为：
Figure 792982DEST_PATH_IMAGE031
(7)
其中，
Figure 987597DEST_PATH_IMAGE032
表示空间中两个样本点
Figure 252356DEST_PATH_IMAGE033
和
Figure 5548DEST_PATH_IMAGE034
之间的距离的距离；
权重
Figure 683654DEST_PATH_IMAGE035
为
Figure 914915DEST_PATH_IMAGE036
(8)
定义测量值
Figure 565340DEST_PATH_IMAGE037
：
Figure 20592DEST_PATH_IMAGE038
(9)
其中
Figure 389256DEST_PATH_IMAGE039
为聚类处理后的样本数据集的期望值
Figure 158629DEST_PATH_IMAGE040
(10)
B为聚类处理后的样本数据集的数量；
为了更新选择区间，计算标准差
Figure 929139DEST_PATH_IMAGE041
：
Figure 555292DEST_PATH_IMAGE042
(11)
迭代误差
Figure 909788DEST_PATH_IMAGE043
为
Figure 482852DEST_PATH_IMAGE044
(12)
其中，GS权值
Figure 639027DEST_PATH_IMAGE045
为
Figure 904923DEST_PATH_IMAGE046
(13)
最后选择满足
Figure 982600DEST_PATH_IMAGE047
的最小的
Figure 359355DEST_PATH_IMAGE048
值作为最优的聚类个数；
判断测量值
Figure 838878DEST_PATH_IMAGE037
是否满足最优解条件，若满足，则结束，输出战场态势数据的最优目标分群结果，否则将更新聚类中心数量后，重新进行聚类处理，直到满足最优解条件为止，获得最优聚类结果。
CN202210956655.0A 2022-08-10 2022-08-10 一种基于改进模糊c-均值聚类的战场态势分析方法 Active CN115034690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210956655.0A CN115034690B (zh) 2022-08-10 2022-08-10 一种基于改进模糊c-均值聚类的战场态势分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210956655.0A CN115034690B (zh) 2022-08-10 2022-08-10 一种基于改进模糊c-均值聚类的战场态势分析方法

Publications (2)

Publication Number Publication Date
CN115034690A true CN115034690A (zh) 2022-09-09
CN115034690B CN115034690B (zh) 2022-11-18

Family

ID=83130558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210956655.0A Active CN115034690B (zh) 2022-08-10 2022-08-10 一种基于改进模糊c-均值聚类的战场态势分析方法

Country Status (1)

Country Link
CN (1) CN115034690B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115658990A (zh) * 2022-09-27 2023-01-31 中国人民解放军军事科学院战略评估咨询中心 一种用于目标空间分群的数据处理方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003100660A1 (en) * 2002-05-24 2003-12-04 Affibody Ab A method for determining if there is a relationship between measurement objects in a measurement data set
CN107301430A (zh) * 2017-06-29 2017-10-27 常州工学院 广义多变量模糊c均值聚类算法
CN111275132A (zh) * 2020-02-24 2020-06-12 电子科技大学 一种基于sa-pfcm++算法的目标分群方法
CN111860595A (zh) * 2020-06-17 2020-10-30 南京邮电大学 一种基于用户偏好预测的异构网络缓存决策方法
CN112270338A (zh) * 2020-09-27 2021-01-26 西安理工大学 一种电力负荷曲线聚类方法
CN113435108A (zh) * 2021-06-02 2021-09-24 中国人民解放军空军工程大学 一种基于改进的鲸鱼优化算法的战场目标分群方法
CN113591628A (zh) * 2021-07-16 2021-11-02 合肥工业大学 一种基于红外偏振的无人机检测方法及系统
CN113780387A (zh) * 2021-08-30 2021-12-10 桂林电子科技大学 基于共享自编码器的时间序列异常检测方法
CN114139023A (zh) * 2022-01-30 2022-03-04 中国电子科技集团公司第十四研究所 一种基于Louvain算法的海上态势生成多目标层次化分群方法
CN114842645A (zh) * 2022-04-28 2022-08-02 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 一种基于k-means的路网速度态势规律提取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003100660A1 (en) * 2002-05-24 2003-12-04 Affibody Ab A method for determining if there is a relationship between measurement objects in a measurement data set
CN107301430A (zh) * 2017-06-29 2017-10-27 常州工学院 广义多变量模糊c均值聚类算法
CN111275132A (zh) * 2020-02-24 2020-06-12 电子科技大学 一种基于sa-pfcm++算法的目标分群方法
CN111860595A (zh) * 2020-06-17 2020-10-30 南京邮电大学 一种基于用户偏好预测的异构网络缓存决策方法
CN112270338A (zh) * 2020-09-27 2021-01-26 西安理工大学 一种电力负荷曲线聚类方法
CN113435108A (zh) * 2021-06-02 2021-09-24 中国人民解放军空军工程大学 一种基于改进的鲸鱼优化算法的战场目标分群方法
CN113591628A (zh) * 2021-07-16 2021-11-02 合肥工业大学 一种基于红外偏振的无人机检测方法及系统
CN113780387A (zh) * 2021-08-30 2021-12-10 桂林电子科技大学 基于共享自编码器的时间序列异常检测方法
CN114139023A (zh) * 2022-01-30 2022-03-04 中国电子科技集团公司第十四研究所 一种基于Louvain算法的海上态势生成多目标层次化分群方法
CN114842645A (zh) * 2022-04-28 2022-08-02 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 一种基于k-means的路网速度态势规律提取方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
YUE, SHIHONG等: "Extension of the gap statistics index to fuzzy clustering", 《SOFT COMPUTING》 *
宋海伟 等: "智能无人集群电子战系统技术发展与研究", 《航天电子对抗》 *
徐梅梅 等: "基于Gap Statistic的风场机群划分评价方法", 《2019智能电网新技术发展与应用研讨会论文集》 *
数据科学汪: "整理一份详细的数据预处理方法", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/51131210》 *
李慧玲: "基于大数据处理的态势数据管理与目标分群技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
汪跃 等: "战场态势一张图技术综述", 《指挥信息系统与技术》 *
袁德平: "战场环境下信息融合关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 *
郭瑞 等: "面向战场态势数据智能分析的预处理方法", 《电子技术与软件工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115658990A (zh) * 2022-09-27 2023-01-31 中国人民解放军军事科学院战略评估咨询中心 一种用于目标空间分群的数据处理方法及装置

Also Published As

Publication number Publication date
CN115034690B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN105740651B (zh) 一种特定癌症差异表达基因调控网络的构建方法
CN111401468B (zh) 一种基于共享近邻的权重自更新多视角谱聚类方法
CN107256017B (zh) 路线规划方法及系统
CN109189876B (zh) 一种数据处理方法及装置
CN110990784B (zh) 一种基于梯度提升回归树的烟支通风率预测方法
Zhang et al. Fast covariance matching with fuzzy genetic algorithm
CN108280236A (zh) 一种基于LargeVis的随机森林可视化数据分析方法
CN115034690B (zh) 一种基于改进模糊c-均值聚类的战场态势分析方法
CN111046968A (zh) 一种基于改进dpc算法的道路网络轨迹聚类分析方法
CN113435108A (zh) 一种基于改进的鲸鱼优化算法的战场目标分群方法
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
CN109189747A (zh) 基于Spark大数据平台的电瓶车用户行为习惯分析方法
CN115018545A (zh) 基于用户画像与聚类算法的相似用户分析方法及系统
Naeini et al. Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis
CN111259964B (zh) 一种不平衡数据集的过采样方法
CN115964640B (zh) 一种改进的基于模板匹配的二次目标分群方法
CN117056761A (zh) 一种基于x-dbscan算法的客户细分方法
CN115546205B (zh) 一种基于密度场感知的平面点云轮廓线生成方法
WO2022237508A1 (zh) 车辆控制参数的标定方法、装置及车辆
CN114494819B (zh) 一种基于动态贝叶斯网络的抗干扰红外目标识别方法
CN113065604B (zh) 一种基于dtw-dbscan算法的空中目标分群方法
CN113096048B (zh) 一种广义云驱动与几何协同遥感影像辐射校正方法及系统
WO2022183019A1 (en) Methods for mitigation of algorithmic bias discrimination, proxy discrimination and disparate impact
CN108415958A (zh) 指数权重vlad特征的权重处理方法及装置
CN116862035A (zh) 航延预测方法、装置、设备和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant