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

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，.....，x_n}。

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，x_min指所有目标在第j维属性上的最小值，x_max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，ν_l表示第l个聚类中心，μ表示隶属度矩阵，μ_lk表示第k个采样点属于第l个聚类中心ν_l的隶属度，d_lk表示第l个聚类中心ν_l与第k个样本点x_k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。

通过式(3)和式(4)更新战场态势数据的聚类中心

和隶属度

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c_l(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,.......,x_n}作为样本数据，将上述X＝{x₁,x₂,......,x_n}中的每个样本点x_λ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Z_λ＝{z₁,z₂,.......,z_n}，将数据样本划分为V类，分别为C₁,C₂,...C_t...,C_V，t＝1，2……V，C_t表示第t类，N_t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D_t为：

其中，d_pr表示空间中两个样本点x_p和x_r之间的距离；

权重W_v为

定义测量值Sample_n(v)：

Sample_n(v)＝E_n(exp(W_v))-exp(W_v) (9)

其中E_n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。

为了更新选择区间，计算标准差

迭代误差err(v)为

其中，GS权值w'为

最后选择满足

的最小的v值作为最优的聚类个数。

判断测量值Sample_n(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,.....,x_n}；

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，x_min指所有目标在第j维属性上的最小值，x_max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,.......,x_n}作为样本数据，将上述X＝{x₁,x₂,......,x_n}中的每个样本点x_λ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Z_λ＝{z₁,z₂,.......,z_n}，将数据样本划分为V类，分别为C₁,C₂,...C_t...,C_V，t＝1，2……V，C_t表示第t类，N_t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D_t为：

其中，d_pr表示空间中两个样本点x_p和x_r之间的距离；

权重W_v为

定义测量值Sample_n(v)：

Sample_n(v)＝E_n(exp(W_v))-exp(W_v) (9)

其中E_n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；

为了更新选择区间，计算标准差

迭代误差err(v)为

其中，GS权值w'为

最后选择满足

的最小的v值作为最优的聚类个数；

判断测量值Sample_n(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。

Images