【摘要】：目標分群作為態(tài)勢感知需要解決的重點和難點,是確定目標實體之間關(guān)系的重要依據(jù),是后期數(shù)據(jù)融合系統(tǒng)實現(xiàn)的基礎(chǔ)。本文主要研究目標分群的算法,并針對其缺陷給出其算法改進思路與具體實現(xiàn)。論文的主要工作如下::首先,在深入分析數(shù)據(jù)融合、態(tài)勢評估與態(tài)勢感知三者按層次結(jié)構(gòu)具體化的關(guān)系基礎(chǔ)上,指出目標分群在態(tài)勢感知存在的重點與難點問題,研究現(xiàn)有的目標分群方法,著重分析解決目標分群算法之一的層次聚類算法。其次,分析了經(jīng)典層次聚類算法的特點與功能,分析層次聚類算法中Rock算法、Cure算法和Chameleon算法在相似度計算中的優(yōu)劣,對在相似度計算中有明顯優(yōu)勢的Chameleon算法進行分析,詳細研究了其基本概念、數(shù)學(xué)模型、實現(xiàn)流程,通過理論分析與仿真實驗發(fā)現(xiàn)了Chameleon算法的局限性。最后,從Chameleon算法的局限性入手,按照算法兩階段的流程,將基于密度峰值的DPC算法引入Chameleon算法第一階段,將社團結(jié)構(gòu)學(xué)科引入Chameleon算法第二階段,對于算法的兩階段進行改進,提出了可用于解決目標分群問題的Chameleon改進算法。針對Chameleon改進算法,詳細介紹了其算法模型、算法流程,給出了具體的仿真實驗。實驗結(jié)果表明,Chameleon改進算法較傳統(tǒng)Chameleon算法具有對輸入?yún)?shù)敏感程度低且可以處理多形狀數(shù)據(jù)集的特點。
[Abstract]:As the focus and difficulty of situational awareness, target clustering is an important basis to determine the relationship between target entities and the basis of the later data fusion system. In this paper, the algorithm of target clustering is studied, and the improvement and realization of the algorithm are given. The main work of this paper is as follows: firstly, on the basis of in-depth analysis of the relationship among data fusion, situation assessment and situational awareness according to hierarchical structure, this paper points out the key and difficult problems of target clustering in situational awareness. The existing target clustering methods are studied, and the hierarchical clustering algorithm, which is one of the target clustering algorithms, is analyzed. Secondly, the characteristics and functions of classical hierarchical clustering algorithm are analyzed. The advantages and disadvantages of Rock algorithm, Cure algorithm and Chameleon algorithm in similarity calculation are analyzed. The Chameleon algorithm, which has obvious advantages in similarity calculation, is analyzed. The basic concept, mathematical model and implementation flow are studied in detail. The limitations of Chameleon algorithm are found through theoretical analysis and simulation experiments. Finally, starting with the limitation of the Chameleon algorithm, according to the two-stage flow of the algorithm, the DPC algorithm based on the peak density is introduced into the first stage of the Chameleon algorithm, and the discipline of community structure is introduced into the second stage of the Chameleon algorithm, and the two stages of the algorithm are improved. An improved Chameleon algorithm is proposed to solve the problem of target clustering. For the improved Chameleon algorithm, the algorithm model and algorithm flow are introduced in detail, and the specific simulation experiments are given. Experimental results show that the improved Chameleon algorithm is less sensitive to input parameters than the traditional Chameleon algorithm and can deal with multi-shape data sets.
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：E926.4;TP301.6

【參考文獻】

相關(guān)期刊論文 前10條

1 宋建輝;張俊;劉硯菊;于洋;;基于LBP-PCA的多傳感器目標識別算法[J];火力與指揮控制;2017年02期

2 WANG Shuliang;WANG Dakui;LI Caoyuan;LI Yan;DING Gangyi;;Clustering by Fast Search and Find of Density Peaks with Data Field[J];Chinese Journal of Electronics;2016年03期

3 宋翌曦;;人因工程在航空地面保障安全方面的應(yīng)用[J];現(xiàn)代工業(yè)經(jīng)濟和信息化;2016年04期

4 魏小鳳;胡繼承;羅永恩;;基于超圖模型的軟件模塊自動劃分[J];計算機工程;2016年01期

5 朱燁行;李艷玲;楊獻文;;一種改進CHAMELEON算法的聚類算法COCK[J];微電子學(xué)與計算機;2015年12期

6 陳晉音;何輝豪;;基于密度的聚類中心自動確定的混合屬性數(shù)據(jù)聚類算法研究[J];自動化學(xué)報;2015年10期

7 薛文娟;劉培玉;劉棟;;引入共享近鄰加權(quán)圖的Chameleon算法[J];計算機應(yīng)用;2012年10期

8 毛小燕;;網(wǎng)絡(luò)結(jié)點度相關(guān)性測度及其穩(wěn)定性分析[J];計算機應(yīng)用與軟件;2012年04期

9 席榮榮;云曉春;金舒原;張永錚;;網(wǎng)絡(luò)安全態(tài)勢感知研究綜述[J];計算機應(yīng)用;2012年01期

10 孫曉博;廖桂平;;基于新的相似性度量的加權(quán)粗糙聚類算法[J];計算機工程與科學(xué);2011年12期

相關(guān)博士學(xué)位論文 前3條

1 李峗;基于復(fù)雜網(wǎng)絡(luò)社區(qū)探測的作戰(zhàn)體系目標分群方法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

2 杜楠;復(fù)雜網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究及建模[D];北京郵電大學(xué);2009年

3 李偉生;信息融合系統(tǒng)中態(tài)勢估計技術(shù)研究[D];西安電子科技大學(xué);2004年

相關(guān)碩士學(xué)位論文 前6條

1 吳栻玲;結(jié)合AP算法的Chameleon聚類算法研究[D];東北師范大學(xué);2014年

2 董高峰;基于One-class SVM的多球體文本聚類算法研究[D];重慶大學(xué);2013年

3 陳華;機載多傳感器數(shù)據(jù)融合態(tài)勢評估關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2012年

4 張娜;復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)劃分算法研究[D];大連理工大學(xué);2009年

5 瞿俊;基于重疊度的層次聚類算法研究及其應(yīng)用[D];廈門大學(xué);2007年

6 程岳;數(shù)據(jù)融合中態(tài)勢估計技術(shù)研究[D];西安電子科技大學(xué);2002年

，

本文編號：2335259