CN115034690B - 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 PDFInfo
- Publication number
- CN115034690B CN115034690B CN202210956655.0A CN202210956655A CN115034690B CN 115034690 B CN115034690 B CN 115034690B CN 202210956655 A CN202210956655 A CN 202210956655A CN 115034690 B CN115034690 B CN 115034690B
- Authority
- CN
- China
- Prior art keywords
- data
- battlefield
- clustering
- battlefield situation
- situation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 101150036841 minJ gene Proteins 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000009877 rendering Methods 0.000 abstract description 3
- 230000004931 aggregating effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
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minJ(μ,ν)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:
属性名称 | 数据类型 | 含义 |
Id | 文本 | 目标编号 |
Speed | 文本 | 速度 |
Time | 文本 | 当前数据获取时间 |
Position | Struct | 目标的空间位置 |
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。
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:X={x1,x2,.....,xn}。
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x(1)(i,j):
其中x(i,j)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,xmin指所有目标在第j维属性上的最小值,xmax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min J(μ,ν)为:
其中,ν为聚类中心矩阵,νl表示第l个聚类中心,μ表示隶属度矩阵,μlk表示第k个采样点属于第l个聚类中心νl的隶属度,dlk表示第l个聚类中心νl与第k个样本点xk之间的距离,c为需要划分的类别数,n为样本点数量,m为模糊加权系数,通过控制m值的大小来调整模糊程度,一般情况下取m=2。
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GapStatistics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cl(l=1,2),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w,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0.4≤w≤0.9。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,通过粒子群算法得到归一化数据集中的个体最优与全局最优,将不同批次的战场待分群数据集合X={x1,x2,.......,xn}作为样本数据,将上述X={x1,x2,......,xn}中的每个样本点xλ看作一个粒子,λ=1,2,3........,n,搜索范围为D维空间,则初始化每个样本的速度为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整个粒子群所到达过的初始最优位置记为
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min J(μ,ν)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)若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:
其中,粒子序号λ=1,2,3........,n,w为惯性因子,r1和r2为随机约束数。c1和c2均为加速常数,α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Gap Statistics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Gap Statistics算法,Gap Statistics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Zλ={z1,z2,.......,zn},将数据样本划分为V类,分别为C1,C2,...Ct...,CV,t=1,2……V,Ct表示第t类,Nt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Dt为:
其中,dpr表示空间中两个样本点xp和xr之间的距离;
权重Wv为
定义测量值Samplen(v):
Samplen(v)=En(exp(Wv))-exp(Wv) (9)
其中En为聚类处理后的样本数据集的期望值:
B为聚类处理后的样本数据集的数量。
迭代误差err(v)为
其中,GS权值w'为
判断测量值Samplen(v)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
模糊C-均值算法与对改进模糊C-均值对数据集的聚类效果分别如图2,3所示,图中横纵坐标代表粒子的位置坐标,圆形粒子为第一类聚类,星形粒子为第二类聚类,菱形粒子为第三类聚类;可见,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 (4)
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,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:X={x1,x2,.....,xn};
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x(1)(i,j):
其中,x(i,j)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,xmin指所有目标在第j维属性上的最小值,xmax指所有目标在第j维属性上的最大值;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,具体如下:
对归一化数据集进行初始化,通过粒子群算法得到归一化数据集中的个体最优与全局最优,将所述不同批次的战场待分群数据集合X={x1,x2,.......,xn}作为样本数据,将上述X={x1,x2,......,xn}中的每个样本点xλ看作一个粒子,λ=1,2,3........,n,搜索范围为D维空间,则初始化每个样本的速度为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整个粒子群所到达过的初始最优位置记为
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minJ(μ,ν)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)若评估结果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:
其中,粒子序号λ=1,2,3........,n,w为惯性因子,r1和r2为随机约束数;c1和c2均为加速常数,α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Gap Statistics算法,Gap Statistics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Zλ={z1,z2,.......,zn},将数据样本划分为V类,分别为C1,C2,...Ct...,CV,t=1,2……V,Ct表示第t类,Nt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Dt为:
其中,dpr表示空间中两个样本点xp和xr之间的距离;
权重Wv为
定义测量值Samplen(v):
Samplen(v)=En(exp(Wv))-exp(Wv) (9)
其中En为聚类处理后的样本数据集的期望值;
B为聚类处理后的样本数据集的数量;
迭代误差err(v)为
其中,GS权值w'为
判断测量值Samplen(v)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。
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。
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 CN115034690A (zh) | 2022-09-09 |
CN115034690B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115658990B (zh) * | 2022-09-27 | 2023-04-21 | 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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0202359D0 (sv) * | 2002-05-24 | 2002-08-02 | Affibody Ab | New method |
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 |
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 |
CN113435108B (zh) * | 2021-06-02 | 2024-02-02 | 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 |
CN114842645B (zh) * | 2022-04-28 | 2023-04-07 | 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 |
-
2022
- 2022-08-10 CN CN202210956655.0A patent/CN115034690B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115034690A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN107256017B (zh) | 路线规划方法及系统 | |
CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
CN115034690B (zh) | 一种基于改进模糊c-均值聚类的战场态势分析方法 | |
CN110990784B (zh) | 一种基于梯度提升回归树的烟支通风率预测方法 | |
CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
CN109444840B (zh) | 一种基于机器学习的雷达杂波抑制方法 | |
CN109472801A (zh) | 一种用于多尺度的神经形态检测和分割方法 | |
CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
CN114116829A (zh) | 异常数据分析方法、异常数据分析系统和存储介质 | |
CN109189747A (zh) | 基于Spark大数据平台的电瓶车用户行为习惯分析方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN111626321A (zh) | 一种图像数据的聚类方法及装置 | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
CN111259964B (zh) | 一种不平衡数据集的过采样方法 | |
Xu et al. | An improved LOF outlier detection algorithm | |
CN115964640B (zh) | 一种改进的基于模板匹配的二次目标分群方法 | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
CN111860097A (zh) | 一种基于模糊理论的异常行为检测方法 | |
CN116597197A (zh) | 一种自适应消除分类负梯度的长尾目标检测方法 | |
CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 | |
CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
CN114511905A (zh) | 一种基于图卷积神经网络的人脸聚类方法 | |
CN114819038A (zh) | 基于高斯映射和混合算子改进象群算法的目标分群方法 | |
CN113780462A (zh) | 基于无人机航拍图像的车辆检测网络建立方法及其应用 |
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 |