隨著技術(shù)飛速發(fā)展,現(xiàn)代作戰(zhàn)形式變得復(fù)雜多變。面對(duì)從作戰(zhàn)環(huán)境中獲取到的海量戰(zhàn)場多源態(tài)勢信息,指揮員進(jìn)行實(shí)時(shí)決策成了相當(dāng)困難的問題。數(shù)據(jù)源復(fù)雜多樣,存在模糊性和不確定性,并且數(shù)據(jù)量極其龐大。如何從這些海量復(fù)雜的信息中排除掉無關(guān)緊要的數(shù)據(jù)信息,挖掘出有價(jià)值的特征信息,實(shí)時(shí)準(zhǔn)確反映當(dāng)前戰(zhàn)場形勢變化來輔助指揮員做出正確及時(shí)的作戰(zhàn)決策成為當(dāng)前研究的熱點(diǎn)問題。多源數(shù)據(jù)態(tài)勢評(píng)估技術(shù)能夠?qū)?zhàn)場多源態(tài)勢信息進(jìn)行融合處理,最終建立當(dāng)前戰(zhàn)場態(tài)勢評(píng)估圖,幫助指揮者決策,但面對(duì)現(xiàn)代作戰(zhàn)環(huán)境的復(fù)雜性,多源數(shù)據(jù)態(tài)勢評(píng)估技術(shù)有待提高完善以幫助指揮者更明確當(dāng)前戰(zhàn)場事態(tài)狀況并做出理性分析,更加快速、科學(xué)地對(duì)下一步計(jì)劃制定出合理方案。本文以態(tài)勢評(píng)估功能模型為基礎(chǔ),對(duì)多源數(shù)據(jù)態(tài)勢評(píng)估技術(shù)中的問題及構(gòu)建多源數(shù)據(jù)態(tài)勢評(píng)估系統(tǒng)展開了深入研究。主要包括多源數(shù)據(jù)態(tài)勢評(píng)估中的關(guān)于目標(biāo)分群和關(guān)于目標(biāo)意圖識(shí)別兩大關(guān)鍵技術(shù)中的算法模型,并設(shè)計(jì)實(shí)現(xiàn)了多源數(shù)據(jù)態(tài)勢評(píng)估系統(tǒng)。研究工作內(nèi)容及結(jié)果如下:1.對(duì)目標(biāo)分群中的劃分聚類算法進(jìn)行了研究分析。針對(duì)K-Means算法存在的初始聚類中心敏感問題提出了sorted-D²采樣方法,在此基...

【文章頁數(shù)】：111 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

第三章基于劃分聚類的目標(biāo)分群算法23Step1求出數(shù)據(jù)集x中所有樣本點(diǎn)平均值，如圖3-1所示為Iris數(shù)據(jù)集真實(shí)分布，紅、綠、藍(lán)三個(gè)樣本點(diǎn)集分別為Iris數(shù)據(jù)集的三個(gè)簇類，黑色樣本點(diǎn)”*”代表的是樣本均值點(diǎn)。如圖3-2為本章提出的SK-Means++算法初始聚類中心選取過程。圖3....

電子科技大學(xué)碩士學(xué)位論文24(a)(b)(c)(d)(e)(f)圖3-2SK-Means++算法初始聚類中心選取過程。(a)樣本點(diǎn)與樣本均值的距離分布情況；(b)得到第一個(gè)初始聚類中心的數(shù)據(jù)集分布；(c)樣本點(diǎn)與第一個(gè)初始聚類中心的距離分布情況；(d)得到兩個(gè)初始聚類中心的數(shù)據(jù)集....

電子科技大學(xué)碩士學(xué)位論文38算法，從finalSSE指標(biāo)來看，K-MHMD算法結(jié)果多數(shù)情況都小于K-MC2算法。整體上說明K-MD2算法性能優(yōu)于K-MC2算法，接近K-Means++算法。從四組UCI數(shù)據(jù)集上不同算法性能對(duì)比得出，SK-Means++>K-MeansII>K-MD....

電子科技大學(xué)碩士學(xué)位論文38算法，從finalSSE指標(biāo)來看，K-MHMD算法結(jié)果多數(shù)情況都小于K-MC2算法。整體上說明K-MD2算法性能優(yōu)于K-MC2算法，接近K-Means++算法。從四組UCI數(shù)據(jù)集上不同算法性能對(duì)比得出，SK-Means++>K-MeansII>K-MD....

本文編號(hào)：4011619