[發明專利]基于自組織特征映射網絡的目標分群方法

有效

• 申請號: 201811200842.6
• 申請日: 2018-09-28
• 公開（公告）號: CN109766905B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 黃震宇;白娟;張振興;楊任農;王棟
• 申請（專利權）人: 中國人民解放軍空軍工程大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/22;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于自組織特征映射網絡的目標分群方法，包括如下步驟：

步驟1.讀取數據

1.1)令初始時刻k＝1，讀取k時刻第t個目標的類型航向位置和速度t的取值為1，2，…，N_k，N_k為k時刻目標總數目；

1.2)為便于描述目標分組問題，k時刻第t個目標傳感器數據使用一維向量表示，其中表示k時刻第t個目標屬性，表示k時刻第t個目標類型，表示k時刻第t個目標航向，表示k時刻第t個目標位置，表示k時刻第t個目標速度，k時刻所有目標傳感器數據集合為

步驟2.數據清洗

2.1)選取孤立森林算法檢測傳感器數據中的異常值；

2.2)為了定量分析目標間的相對態勢，將GPS獲得的WGS-84大地坐標系轉化為我國國家坐標系；

2.3)為保持數據范圍的統一性，對傳感器數據進行歸一化處理：

其中，x^*為歸一化后的傳感器數據，x為原始傳感器數據，x_max為所有目標中該屬性傳感器數據的最大值，x_min為所有目標中該屬性傳感器數據的最小值；

步驟3.自組織特征映射網絡訓練

3.1)設置輸入層神經元個數為6，競爭層為n×n個神經元組成的平面陣列，n為非零自然數，迭代次數為n_max次；隨機初始化n²個競爭層的權值向量

3.2)計算k時刻N_k個目標的傳感器數據X_k與n²個競爭層的權值向量之間的距離，確定最佳匹配單元權值向量w_c，具體包括以下步驟：

3.2.1)初始化t＝1，i＝1，距離記錄庫

3.2.2)計算k時刻第t個目標傳感器數據與第i個權值向量之間的距離L[O_i，O_j]，其中O_i、O_j分別表示向量i和向量j，i＝1，2，...，n²，j＝1，2，...，n²，具體包括以下步驟：

3.2.2.1)計算與第i個權值向量離散屬性的距離D[O_i，O_j]，離散屬性只包括目標類型

D[O_i，O_j]＝βδ(y_i，y_j)

其中，D[O_i，O_j]表示k時刻第i個向量O_i和第j個向量O_j之間離散屬性的距離，δ(y_i，y_j)表示未加權重的第i個向量O_i和第j個向量O_j之間離散屬性的距離，β表示目標類型的權值，y_i表示第i個目標的目標類型；

3.2.2.2)計算與連續屬性的距離C[O_i，O_j]，連續屬性包括目標航向位置和速度

其中，C[O_i，O_j]表示第i個向量O_i和第j個向量O_j之間連續屬性的距離，ω^k表示第k個連續屬性的權值，表示第i個目標第k個連續屬性值，結合專家意見，使用層次分析法AHP確定不同屬性的權值β和第k個連續屬性的權值ω^k；

3.2.2.3)計算與之間的距離L[O_i，O_j]，并將L[O_i，O_j]加入到U中：

L[O_i，O_j]＝C[O_i，O_j]+D[O_i，O_j]

其中，L[O_i，O_j]表示第i個向量和第j個向量之間的距離；

3.2.3)令i＝i+1，若i≤n²，返回步驟3.2.2)進行迭代，若i＞n²，停止迭代，執行步驟3.2.4)；

3.2.4)令t＝t+1，若t≤N^k，返回步驟3.2.2)進行迭代，若t＞N^k，停止迭代，執行步驟3.2.5)；

3.2.5)根據距離記錄庫U，選取每個目標傳感器數據對應距離最近的權值向量為最佳匹配單元

其中，B_c表示第c個最佳匹配單元的權值向量；

3.2.6)確定最佳匹配單元的數目n_BMU；

3.3)確定第c個最佳匹配單元B_c附近的神經元向量具體包括以下步驟：

3.3.1)初始化c＝1，i＝1，距離記錄庫

3.3.2)根據步驟3.2.2)，計算第c個最佳匹配單元B_c與第i個權值向量之間的距離L[O_c，O_i]，將其加入到U；

3.3.3)令c＝c+1，n_BMU為步驟3.2)得到的最佳匹配單元的數目，若c＜n_BMU，返回步驟3.3.2)進行迭代，若c＝n_BMU，根據距離記錄庫U確定與第i個權值向量距離最近的最佳匹配單元，清空U，執行步驟3.2.4)；

3.3.4)令i＝i+1，o為除去最佳匹配單元之外神經元的數目，若i≤o，返回步驟3.2.2)進行迭代，若i＞o，停止迭代，執行步驟3.4)；

3.4)更新第c個最佳匹配單元B_c及其附近神經元的權重向量權值變化量Δw_i為

其中，α(t)表示學習率，0＜α(t)＜1；

3.5)判斷是否達到最大迭代次數n_max，如果達到，執行步驟4，否則，返回步驟3.2)；

步驟4.使用標準化置信度值檢驗目標分組結果

4.1)通過計算輸入數據向量X_input和第c個最佳匹配單元權值向量B_c間的距離，可以得到最小量化誤差MQE，進而衡量輸入向量與標準狀態間的差距

MQE＝L[X_input，B_c]

其中，X_input表示輸入數據向量；

4.2)為了能夠簡潔地反映當前的訓練程度，在最小量化誤差MQE的基礎上，提出0-1范圍內的標準化置信度值CV

其中，c₀＝-MQE₀^1/2/lnCV₀，MQE₀表示標準狀態下的MQE，CV₀表示初始CV值，CV在0～1之間；

4.3)根據自組織特征映射網絡學習規則：目前狀態特征與標準狀態特征越相似，MQE值越小，CV值越大；當分組精度較低或者發生錯誤分組時，對應的MQE值越高，CV值越小；設定閾值u，如果CV＜u，說明分組結果較好，執行步驟3.7)，如果存在某一CV≥u，結合實際情況對分組結果進行檢查，并及時修正；

步驟5.目標分組結果輸出

5.1)輸出全部目標分組結果；

5.2)檢查下一個時刻的傳感器數據是否到達，如果到達，令k＝k+1，返回步驟1進行迭代，否則，結束本流程。