[發明專利]一種基于無監督學習的空域復雜度分類方法及裝置

有效

• 申請號: 201910248306.1
• 申請日: 2019-03-29
• 公開（公告）號: CN109993225B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 曹先彬;杜文博;朱熙;李碧月;李宇萌
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗;成金玉

1.一種基于無監督學習的空域復雜度分類方法，其特征在于，包括以下步驟：

步驟一：收集待處理的空域態勢樣本集；

步驟二：去偏差并標準化空域態勢樣本集；

步驟三：對步驟二的空域態勢樣本集進行PCA降維處理，通過K鄰近學習選擇出降維維度，得到降維后的空域態勢樣本集；

步驟四：對降維后的空域態勢樣本集進行k-Means聚類處理，得到聚類后的數據簇；

步驟五：確定聚類后數據簇的復雜度類別，完成空域復雜度的分類；

所述步驟一具體實現為：

獲取待處理的空域態勢樣本，形成空域態勢樣本集，所述空域態勢樣本集中共k條樣本，k為從1開始的正整數，其中每條空域態勢樣本包含待處理空域在某一單位時間內的28個空域態勢特征x_i，1≤i≤28，i∈Z，Z是正數集，所述特征是指能夠反映空域運行態勢的航班航跡分布、空域航路結構、空管運行規則方面的屬性因素，采用連續或離散數值表示，也稱為描述空域運行復雜程度的復雜度因子；每條空域態勢樣本被標定有一個對應空域的復雜度分類標簽，表示不同空域的復雜度等級，共有高、中、低3個不同類別的復雜度分類標簽，分別代表了對應空域為高復雜度、中復雜度、低復雜度；

所述步驟二中去偏差處理時，對空域態勢樣本集中每一類，共3類，即高、中、低3個不同類別的復雜度進行隨機抽樣，抽取N₁、N₂、N₃個樣本，分別對應高復雜度樣本數量、中復雜度樣本數量、低復雜度樣本數量，其中N₁＝N₂＝N₃，共同組成數據集；

所述步驟三具體實現為：將所述空域態勢數據集X輸入PCA算法模塊，進行PCA降維處理，通過乘上訓練好的旋轉矩陣W^T，得到降維后的空域態勢樣本集X′＝W^TX；

所述步驟五具體實現為：將步驟四聚類得到的三大類數據簇進行人工比對，查找每個簇中標簽為高、中、低復雜度樣本的個數，并選取樣本數量較多的復雜度對聚類簇命名，對聚類的每一個簇都賦予了一個實際的物理含義，即：空域復雜度的分類結果，其中，標簽為高的樣本較多的簇為高復雜度空域，標簽為中的樣本較多的簇為中復雜度空域，標簽為低的樣本較多的簇為低復雜度空域。

2.一種基于無監督學習方法的空域復雜度分類裝置，其特征在于，包括：樣本輸入模塊、特征提取模塊、特征降維模塊、原型比對模塊和復雜度輸出模塊，其中：

樣本輸入模塊：收集原始航跡樣本，得到航跡樣本集；

特征提取模塊：對所述航跡樣本集進行計算，得到每條航跡樣本所對應的28個復雜度因子，即28維度的特征值，組成原始數據集，并進行航跡樣本集的去偏差、標準化得到空域態勢數據集X；

特征降維模塊：將所述空域態勢數據集X輸入PCA算法模塊，進行PCA降維處理，通過乘上訓練好的旋轉矩陣W^T，得到降維后的數據集X′＝W^TX；

原型比對模塊：計算降維后的數據X′與聚類所得到的三個原型向量之間的歐式距離，距離越小則越接近，將該數據歸為那個原型所代表的簇；

復雜度輸出模塊：查找原型所代表的簇的物理含義，得到對空域復雜度的評估結果。