[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

公開一種基于自組織特征映射網絡的目標分群方法，包括如下步驟：讀取當前時刻我方傳感器獲得的數據；對讀取的傳感器數據進行清洗；引入SOM對處理后的數據進行分組，使用混合計算方法計算神經元和傳感器數據間的距離，利用標準化置信度值檢驗分組的準確性；評估目標分組情況，并根據實際情況及時做出修正；輸出目標分群結果，重復該過程。該方法通過在目標分組前進行數據清洗，有效的濾除了噪聲干擾，提高目標分組的準確率；能夠有效反映目標間的差異，提高目標分組的準確率；通過引入SOM，解決了需要預先指定分組數和設置閾值的關鍵問題，提高了目標分組的準確度和速度，滿足實際應用的需求；引入CV檢驗目標分組情況，提高算法的魯棒性。

技術領域

本發明涉及態勢估計領域，特別涉及一種基于自組織特征映射網絡(Self-Organizing Feature Map，SOM)的目標分群方法，可用于態勢估計、意圖識別和指揮控制系統。

背景技術

目標分群是將類型相似、數據相近且來源于多傳感器的目標信息進行可靠有效地分組， 可以提高信息辨識度，解決信息炫目問題的同時有助于快速把握態勢，從而做出正確決策。

目前，典型的目標分群方法有K-means、層次聚類方法和遺傳算法等。其中：

K-means方法容易實現，但需要預先給定聚類數目，與實際情況不一致，并且分組結果 與初始聚類中心相關，魯棒性較差；

層次聚類算法不需要指定分組數目，但仍需手動輸入閾值，對于不同量測尺度的分組問 題，閾值需要分別設定，缺乏有效的閾值選取方法；

遺傳算法是經典的智能算法，在工程中應用廣泛，但需要事先設置分組數目，并且由于 全局優化能力有限，會出現分組結果不穩定的問題。

發明內容

針對上述已有技術的不足，本發明提出一種基于自組織特征映射網絡SOM的目標分群 方法，滿足實時性要求，不需要事先指定分組數目，可以快速準確的對目標進行分組。

實現本發明的技術關鍵是：在目標分群的過程中，首先對數據進行處理，有效去除噪聲 干擾，其次使用混合計算方法計算目標間的距離，引入自組織特征映射網絡對處理后的數據 進行分類，提高分組的準確率和速度。其實現步驟包括如下：

本發明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