CN115203480A - 一种基于深层关联分析的目标群编成隶属关系挖掘方法 - Google Patents

一种基于深层关联分析的目标群编成隶属关系挖掘方法 Download PDF

Info

Publication number
CN115203480A
CN115203480A CN202210501842.XA CN202210501842A CN115203480A CN 115203480 A CN115203480 A CN 115203480A CN 202210501842 A CN202210501842 A CN 202210501842A CN 115203480 A CN115203480 A CN 115203480A
Authority
CN
China
Prior art keywords
target
association
rules
tree
communication signal
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.)
Pending
Application number
CN202210501842.XA
Other languages
English (en)
Inventor
岳丽军
管东林
屈峰
蔡姝
陈强
文叙菠
贾丽
孙煜飞
唐伟广
苏思
张宁燕
王玉菊
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.)
Unit 91977 Of Pla
Original Assignee
Unit 91977 Of Pla
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 Unit 91977 Of Pla filed Critical Unit 91977 Of Pla
Priority to CN202210501842.XA priority Critical patent/CN115203480A/zh
Publication of CN115203480A publication Critical patent/CN115203480A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了基于深层关联分析的目标群作战编成隶属关系挖掘方法，包括以下步骤：1、获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集；2、采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集；3、在一定支持度、置信度基础上，导出分析区域内的目标关联规则；4、计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。本发明还提供了深层关联分析的目标群作战编成隶属关系挖掘系统。本发明在目标隐含规律挖掘时，利用FP‑Growth结构，无需产生候选频繁集而是直接得到频繁集，大大减少扫描交易数据库的次数，提高了算法的效率。

Description

一种基于深层关联分析的目标群编成隶属关系挖掘方法
技术领域
本发明涉及机器学习领域，具体涉及一种基于深层关联分析的目标群编成隶属关系挖掘方法。
背景技术
FP-Growth算法基于Apriori算法构建，Apriori算法是层次搜索的迭代方法，K项集用于搜索(K+1)项集，压缩搜索空间，Apriori算法对于每个潜在的频繁项集都会扫描数据集判定给定模式是否频繁。FP-Growth算法是一种高效的找出频繁项集的算法，它只需要遍历两次数据集即可。FP-Growth算法采用一种叫做FP(Frequent Pattern)的树结构，它通过链接(link)来连接相似元素，被连起来的元素项可以看成一个链表。与搜索树不同的是，一个元素项可以在一棵FP树中出现多次，FP树的每个节点记录了该节点上的元素频率，每个频繁项集以路径的方式存储在树中，存在相似元素的集合会共享树的一部分，树的分支只有在没有匹配时才分支。树节点上给出集合中的单个元素及其在序列中出现的次数，路径会给出该序列的出现次数。相似项之间的链接称为节点链接(node link)，用于快速发现相似项的位置。
特定目标之间进行无线网络通讯时会产生收发信号，而其通讯过程往往存在“应-答”的关系，因此相互通讯的目标往往存在时间上的关联。为了获取目标之间的信息通联关系、推理目标的群配属序列，本发明基于FP-Growth技术对海量的特定目标通信信号数据进行深层关联规则挖掘，以获取包括目标群编成的隶属关系在内的目标隐含规律，为数据分析人员的工作提供参考。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此，本发明的一个方面，提供了一种基于深层关联分析的目标群编成隶属关系挖掘方法，该方法具体包括步骤：
步骤1、获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集；
步骤2、采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集；
步骤3、在一定支持度、置信度基础上，导出分析区域内的目标关联规则；
步骤4、计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
可选的，所述目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列。
可选的，步骤2具体为：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；
(3)从FP树中获得条件模式基；
(4)利用条件模式基，构建一个条件FP树；
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。
可选的，步骤3具体为：
(1)计算目标事件的最小支持度；
(2)计算目标事件的最小置信度；
(3)导出目标关联规则；
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
可选的，对于目标事件X，其支持度为：
Figure BDA0003635715130000031
对于目标事件X和Y，其置信度为：
Figure BDA0003635715130000032
本发明还提供一种基于深层关联分析的目标群编成隶属关系挖掘系统，该系统具体包括：
数据集生成单元，用于获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集；
深度关联挖掘单元，用于采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集；
目标关联规则单元，用于在一定支持度、置信度基础上，导出分析区域内的目标关联规则；
规律计算单元，用于计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
可选的，所述目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列。
可选的，所述深度关联挖掘单元具体用于：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；
(3)从FP树中获得条件模式基；
(4)利用条件模式基，构建一个条件FP树；
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。
可选的，所述目标关联规则单元具体用于：
(1)计算目标事件的最小支持度；
(2)计算目标事件的最小置信度；
(3)导出目标关联规则；
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
可选的，对于目标事件X，其支持度为：
Figure BDA0003635715130000041
对于目标事件X和Y，其置信度为：
Figure BDA0003635715130000042
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明在目标隐含规律挖掘时，利用FP-Growth结构，无需产生候选频繁集而是直接得到频繁集，大大减少扫描交易数据库的次数，从而提高了算法的效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了目标隐含关系的知识图谱示例；
图2示出了本发明关系挖掘方法流程图；
图3示出了FP-Growth算法的主要流程。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的目的是针对特定目标通信信号数据的目标隐含关系挖掘分析的问题，提出的一种基于深层关联分析的目标群编成隶属关系挖掘方法，其中目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列等。图1示出了目标隐含关系的知识图谱示例。
其中，关联分析是在大规模数据集中寻找隐含关系的任务，关联规则分析的算法思想就找频繁项集，通过频繁项集找强关联规则，强关联规则就是要满足给定的最小支持度和最小置信度。
如图2所示，该方法具体包括如下步骤：
步骤1、获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集。
其中特定目标通信信号数据为事先收集，包含特定目标通讯的频点、信号类型、通信时间等要素，如下表所示。
Figure BDA0003635715130000051
Figure BDA0003635715130000061
步骤2、采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集。其中，关联分析算法为FP-Growth关联分析算法。如图2示出了FP-Growth算法的主要流程。
具体为：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；其中各节点表示不同的特定目标，此外构建FP树之前应删去支持度过低的目标，以保证关联规则挖掘结果的可靠性。
(3)从FP树中获得条件模式基；
首先从头指针表中的每个频繁元素项开始，对就每个元素项，获得其对应的条件模式基。条件模式基是以所查找元素项为结尾的路径集合，每一条路径其实都是一条前缀路径。
例如，以反潜巡逻机A结尾的节点链为<(核动力航空母舰A:4),(导弹驱逐舰A:3),(油船A:3),(反潜巡逻机A:2)>，则反潜巡逻机A的条件模式基为<(核动力航空母舰A:2),(导弹驱逐舰A:2),(油船A:2)>。
(4)利用条件模式基，构建一个条件FP树；
对于每一个频繁项，都要创建一棵条件FP树，使用条件模式基作为输入数据，并通过相同的构建树过程来构建这些树。其中，在构建条件FP树的过程中，需要计算各个目标节点的支持度，剔除支持度低于阈值的节点，仅保留频繁项集。
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。其中，FP树种的每一个元素项代表一个特定目标，频繁项集的形式可示例为{航空母舰A,导弹驱逐舰A,油船A,反潜巡逻机A}，表示航空母舰A、导弹驱逐舰A、油船A、反潜巡逻机A之间存在信息通联关系，由此可推断这些目标隶属于同一编队。
步骤3、在一定支持度、置信度基础上，导出分析区域内的目标关联规则。
即通过频繁项集找强关联规则，强关联规则就是要满足给定的最小支持度和最小置信度。
具体为：
(1)计算目标事件的最小支持度；
对于目标事件X，其支持度为：
Figure BDA0003635715130000071
根据得到的支持度，确定最小支持度其中最小支持度阈值为人为设定，依赖于情报数据分析人员的实际经验。
(2)计算目标事件的最小置信度；
对于目标事件X和Y，其置信度为：
Figure BDA0003635715130000081
根据得到的置信度，确定最小置信度其中最小置信度阈值为人为设定，依赖于情报数据分析人员的实际经验。
(3)导出目标关联规则。
对叶节点目标的每个路径，递归调用FP-Growth，保留支持度高于阈值的项集，即可得到频繁项集。可以认为处于同一频繁项集的目标之间具有信息通联关系。
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
将各个目标关联规则同时与最小支持度阈值和最小置信度阈值进行比较，满足需求的规则即为强关联规则。可以认为一个强关联规则代表了一个潜在的特定目标配属序列。
步骤4、计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
例如，一条强关联规则{航母B，导弹巡洋舰B，导弹驱逐舰B，核动力攻击型核潜艇B，预警机B，战斗机B，电子战攻击机B，反潜直升机B}，可以表示上述目标隶属于同一个编队，其中支持度最高的航母B为通信链路中心，即指挥舰，其他目标隶属于该作战编成，与航母B协同活动。其中的飞机目标既可能是舰队的舰载机，也可能是周边机场起飞的协同活动飞机，需要数据工作人员集合经验及其他辅助信息进行进一步的判断。
本发明还提供一种基于深层关联分析的目标群编成隶属关系挖掘系统，其中目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列等。
该系统具体包括：
数据集生成单元，用于获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集。
其中特定目标通信信号数据为事先收集，包含特定目标通讯的频点、信号类型、通信时间等要素。
深度关联挖掘单元，用于采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集。
其中，关联分析算法为FP-Growth关联分析算法。
所述深度关联挖掘单元具体用于：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；其中各节点表示不同的特定目标，此外构建FP树之前应删去支持度过低的目标，以保证关联规则挖掘结果的可靠性。
(3)从FP树中获得条件模式基；
首先从头指针表中的每个频繁元素项开始，对就每个元素项，获得其对应的条件模式基。条件模式基是以所查找元素项为结尾的路径集合，每一条路径其实都是一条前缀路径。
例如，以A反潜巡逻机结尾的节点链为<(航空母舰A:4),(导弹驱逐舰A:3),(油船A:3),(反潜巡逻机A:2)>，则反潜巡逻机A的条件模式基为<(核动力航空母舰A:2),(导弹驱逐舰A:2),(油船A:2)>。
(4)利用条件模式基，构建一个条件FP树；
对于每一个频繁项，都要创建一棵条件FP树，使用条件模式基作为输入数据，并通过相同的构建树过程来构建这些树。其中，在构建条件FP树的过程中，需要计算各个目标节点的支持度，剔除支持度低于阈值的节点，仅保留频繁项集。
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。其中，FP树种的每一个元素项代表一个特定目标，频繁项集的形式可示例为{航空母舰A,导弹驱逐舰A,油船A,反潜巡逻机A}，表示核动力航空母舰A、导弹驱逐舰A、油船A、反潜巡逻机A之间存在信息通联关系，由此可推断这些目标隶属于同一作战编队。
目标关联规则单元，用于在一定支持度、置信度基础上，导出分析区域内的目标关联规则。
即通过频繁项集找强关联规则，强关联规则就是要满足给定的最小支持度和最小置信度。
所述目标关联规则单元具体用于：
(1)计算目标事件的最小支持度；
对于目标事件X，其支持度为：
Figure BDA0003635715130000101
根据得到的支持度，确定最小支持度其中最小支持度阈值为人为设定，依赖于情报数据分析人员的实际经验。
(2)计算目标事件的最小置信度；
对于目标事件X和Y，其置信度为：
Figure BDA0003635715130000102
根据得到的置信度，确定最小置信度其中最小置信度阈值为人为设定，依赖于情报数据分析人员的实际经验。
(3)导出目标关联规则。
对叶节点目标的每个路径，递归调用FP-Growth，保留支持度高于阈值的项集，即可得到频繁项集。可以认为处于同一频繁项集的目标之间具有信息通联关系。
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
将各个目标关联规则同时与最小支持度阈值和最小置信度阈值进行比较，满足需求的规则即为强关联规则。可以认为一个强关联规则代表了一个潜在的特定目标配属序列。
规律计算单元，用于计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

Claims (10)

1.一种基于深层关联分析的目标群作战编成隶属关系挖掘方法，该方法具体包括步骤：
步骤1、获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集；
步骤2、采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集；
步骤3、在一定支持度、置信度基础上，导出分析区域内的目标关联规则；
步骤4、计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
2.根据权利要求1所述的方法，其特征在于，所述目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列。
3.根据权利要求1所述的方法，其特征在于，步骤2具体为：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；
(3)从FP树中获得条件模式基；
(4)利用条件模式基，构建一个条件FP树；
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。
4.根据权利要求1所述的方法，其特征在于，步骤3具体为：
(1)计算目标事件的最小支持度；
(2)计算目标事件的最小置信度；
(3)导出目标关联规则；
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
5.根据权利要求4所述的方法，其特征在于，
对于目标事件X，其支持度为：
Figure FDA0003635715120000021
对于目标事件X和Y，其置信度为：
Figure FDA0003635715120000022
6.一种基于深层关联分析的目标群作战编成隶属关系挖掘系统，该系统具体包括：
数据集生成单元，用于获取大量特定目标通信信号数据，形成具有典型关联效应的大数据集；
深度关联挖掘单元，用于采用关联分析算法进行深度关联挖掘，找出目标活动通信信号信息之间隐藏关系网络，得出目标频繁项集；
目标关联规则单元，用于在一定支持度、置信度基础上，导出分析区域内的目标关联规则；
规律计算单元，用于计算得到反映目标活动隐含规律，该规律包括目标信息通联关系、目标群配属序列等多种知识性规律。
7.根据权利要求6所述的系统，其特征在于，所述目标隐含规律为目标隐含关系，包括信息通联关系、目标群配属序列。
8.根据权利要求6所述的系统，其特征在于，所述深度关联挖掘单元具体用于：
(1)对于特定目标通信信号数据，计算目标通信频次，然后把目标接收信息的时间段分为等长的时间片，以各个时间片内发生通讯行为的目标集合作为一个项集；
(2)基于处理后的特定目标通信信号数据，构建FP树；
(3)从FP树中获得条件模式基；
(4)利用条件模式基，构建一个条件FP树；
(5)重复步骤3、4，直到FP树包含一个元素项为止，得到目标频繁项集。
9.根据权利要求6所述的系统，其特征在于，所述目标关联规则单元具体用于：
(1)计算目标事件的最小支持度；
(2)计算目标事件的最小置信度；
(3)导出目标关联规则；
(4)从关联规则中，基于最小支持度阈值和最小置信度阈值确定强关联规则。
10.根据权利要求9所述的系统，其特征在于，
对于目标事件X，其支持度为：
Figure FDA0003635715120000031
对于目标事件X和Y，其置信度为：
Figure FDA0003635715120000032
CN202210501842.XA 2022-05-10 2022-05-10 一种基于深层关联分析的目标群编成隶属关系挖掘方法 Pending CN115203480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210501842.XA CN115203480A (zh) 2022-05-10 2022-05-10 一种基于深层关联分析的目标群编成隶属关系挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210501842.XA CN115203480A (zh) 2022-05-10 2022-05-10 一种基于深层关联分析的目标群编成隶属关系挖掘方法

Publications (1)

Publication Number Publication Date
CN115203480A true CN115203480A (zh) 2022-10-18

Family

ID=83574664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210501842.XA Pending CN115203480A (zh) 2022-05-10 2022-05-10 一种基于深层关联分析的目标群编成隶属关系挖掘方法

Country Status (1)

Country Link
CN (1) CN115203480A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049690A (zh) * 2023-01-28 2023-05-02 北京大数据先进技术研究院 一种移动目标的活动规律确定方法、装置、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124308A (zh) * 2017-04-28 2017-09-01 电子科技大学 一种战术数据链层次拓扑方法
CN107835087A (zh) * 2017-09-14 2018-03-23 北京科东电力控制系统有限责任公司 一种基于频繁模式挖掘的安全设备告警规则自动提取方法
CN107958423A (zh) * 2017-12-20 2018-04-24 广东宜通世纪科技股份有限公司 用户社会关系分析方法及存储介质、服务端
CN109542950A (zh) * 2018-11-14 2019-03-29 中国联合网络通信集团有限公司 社会关系的挖掘方法、装置、终端及计算机可读存储介质
CN110086894A (zh) * 2019-04-10 2019-08-02 中国工商银行股份有限公司 人员关联信息挖掘方法、通讯推荐方法及相关装置
CN113836793A (zh) * 2021-09-03 2021-12-24 成都众享天地网络科技有限公司 一种基于关联准则的电磁环境态势感知预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124308A (zh) * 2017-04-28 2017-09-01 电子科技大学 一种战术数据链层次拓扑方法
CN107835087A (zh) * 2017-09-14 2018-03-23 北京科东电力控制系统有限责任公司 一种基于频繁模式挖掘的安全设备告警规则自动提取方法
CN107958423A (zh) * 2017-12-20 2018-04-24 广东宜通世纪科技股份有限公司 用户社会关系分析方法及存储介质、服务端
CN109542950A (zh) * 2018-11-14 2019-03-29 中国联合网络通信集团有限公司 社会关系的挖掘方法、装置、终端及计算机可读存储介质
CN110086894A (zh) * 2019-04-10 2019-08-02 中国工商银行股份有限公司 人员关联信息挖掘方法、通讯推荐方法及相关装置
CN113836793A (zh) * 2021-09-03 2021-12-24 成都众享天地网络科技有限公司 一种基于关联准则的电磁环境态势感知预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049690A (zh) * 2023-01-28 2023-05-02 北京大数据先进技术研究院 一种移动目标的活动规律确定方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
Waltz et al. Data fusion and decision support for command and control
Xu et al. A distribution-based clustering algorithm for mining in large spatial databases
US5406289A (en) Method and system for tracking multiple regional objects
US7406199B2 (en) Event capture and filtering system
CN109413109B (zh) 基于有限状态机的面向天地一体化网络安全状态分析方法
CN113255916A (zh) 作战知识系统的使用方法、作战决策辅助方法
CN110084094B (zh) 一种基于深度学习的无人机目标识别分类方法
CN111783020B (zh) 一种多维特征的战场实体目标分群方法及系统
US20050251383A1 (en) System and method of self-learning conceptual mapping to organize and interpret data
CN111044052B (zh) 一种基于智能感知的无人机自适应导航系统及方法
CN115203480A (zh) 一种基于深层关联分析的目标群编成隶属关系挖掘方法
CN110874413A (zh) 一种基于关联规则挖掘的防空多武器系统效能评估指标体系建立方法
CN113836793A (zh) 一种基于关联准则的电磁环境态势感知预测方法
Bossé et al. Exploitation of a priori knowledge for information fusion
US5144316A (en) Efficient batched-report gating technique
CN113091529B (zh) 一种基于发射约束检测规则的武器决策模型构建方法
Oliveira et al. An application of command, control, computing, communication, intelligence, surveillance and reconnaissance systems in the protection of the amazon rainforest
CN113361887B (zh) 面向作战应用的航空电子系统适用性评估系统
McLemore et al. A model for geographically distributed combat interactions of swarming naval and air forces
CN114358127A (zh) 一种空中任务群组识别方法
Yıldırım et al. Clustering for electronic warfare information
Dockery Fuzzy design of military information systems
Gao et al. Extracting decision rules for cooperative team air combat based on rough set theory
Zhao et al. Mission-oriented scheme generation method for weapon system of systems
Yakhno et al. Method of assessment of information availability of radio inflammation sources by devices of radioelectronic recognition

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