空間目標特性聚類是支撐目標分析、屬性分類和身份識別等指揮與控制的有效方法.原始特性數據特征不易辨識,直接聚類分析效果往往不夠理想.為此,利用卷積神經網絡的特征提取能力,對原始特性數據進行特征提取,獲取高質量數據特征;基于K-means算法對目標特征數據進行聚類分析.實驗結果表明,該方法在分析準確率和算法性能上都明顯提高,有效增強了空間目標特性分析能力,能更好地支撐空間態(tài)勢相關決策.

【文章頁數】：6 頁

【部分圖文】：

圖2基于聚類分析的空間態(tài)勢感知指揮與決策技術框架

近年來,人工智能技術取得了快速發(fā)展,在圖像識別、金融和自然語言處理等領域取得了成功應用基于機器學習的數據分析也成為了研究熱點之一相關學者和機構在空間態(tài)勢的智能分析領域開展了諸多研究,包括目標機動行為識別預測研究[12]、目標行為變化和翻滾率等行為指示告警[13]、以及空間態(tài)勢智能....

圖3基于卷積神經網絡的數據特征提取

輸入矩陣經過多個卷積、池化和激活函數等計算后,在第7層輸出(1×64)維的特征向量.由于卷積神經網絡模型具有優(yōu)良的泛化能力,輸出特征向量不僅在維度上大幅降低,并且具有更好的特征屬性,易于進行相關算法的分析研究.雖然卷積神經網絡的訓練時間較長,但在數據特征提取時不需要反向傳播計算過....

圖4不同簇內節(jié)點的聚類分析對比

圖4展示了兩個節(jié)點的聚類分析對比,其中左側是原始特性數據,右側是提取后的特征數據.在實際情況中,兩者的外形、材質等存在一定差異,應劃分到不同簇內.但由于原始數據特征不易辨識,K-means算法將其劃分到同一簇內,導致分析結果錯誤.而在對特征數據進行分析時,K-means算法能夠正....

圖5聚類收斂過程對比

從圖5中可以看到,原始數據的收斂速度較慢,這主要是由于原始數據的特征辨識度較低,導致節(jié)點歸屬簇的標簽頻繁震蕩,簇中心節(jié)點無法快速確定.相比之下,特征數據的聚類過程能夠較準確地計算出節(jié)點歸屬的簇,減少了節(jié)點簇標簽的震蕩,因此,收斂速度較快.總的來說,特征數據的收斂速度比原始數據提高....

本文編號：3906730