隨著大量戰(zhàn)場觀測傳感器的應用,輸入到指揮控制系統(tǒng)的戰(zhàn)場目標數(shù)據(jù)呈現(xiàn)激增的趨勢,目標信息數(shù)據(jù)規(guī)模大、維度高、結(jié)構(gòu)復雜等問題給目標分群技術帶來了全新的挑戰(zhàn),然而,利用傳統(tǒng)的聚類方法已經(jīng)無法對高維的戰(zhàn)場目標數(shù)據(jù)進行有效分群。本課題針對當前目標分群技術的困境,首先提出了一種基于深度學習的通用聚類模型框架,該模型框架將聚類技術嵌入到深度神經(jīng)網(wǎng)絡模型中,能夠完成對高維戰(zhàn)場目標數(shù)據(jù)集的特征提取,并實現(xiàn)聚類,在此基礎上構(gòu)建了基于深度堆棧自編碼網(wǎng)絡的目標分群模型,設計了綜合傳統(tǒng)聚類算法優(yōu)點的目標分群算法DAE-k和DAE-G,通過設計智能目標分群技術的驗證實驗,建立目標分群效果的評價指標,實驗選取了來自不同領域、不同空間的多個戰(zhàn)場目標數(shù)據(jù)集,經(jīng)過數(shù)據(jù)預處理后,在TensorFlow人工智能開發(fā)平臺上實現(xiàn)了目標分群算法DAE-k和DAE-G,實驗結(jié)果驗證了兩種目標分群算法在大規(guī)模、高維目標分群問題上的有效性和適用性�；谏疃葘W習的智能目標分群技術研究能夠使指揮控制系統(tǒng)對大規(guī)模高維數(shù)據(jù)的處理更加高效、智能,同時也為指揮控制系統(tǒng)的智能化建設提供了技術支撐。 

【文章來源】：國防科技大學湖南省 211工程院校 985工程院校

【文章頁數(shù)】：94 頁

【學位級別】：碩士

【部分圖文】：

目標分群的層次

國防科技大學研究生院碩士學位論文第5頁領域的一個難點，維度災難（curseofdimensionality）的現(xiàn)象大量存在。在這個問題上，很多研究者提出了“先對原始數(shù)據(jù)進行降維、再進行聚類”的方案，但這些降維工作大部分仍是由人工來進行操作的，人工降維的效率已經(jīng)跟不上數(shù)據(jù)規(guī)模量級的增長，同時，在人工降維的過程中也無法保證原始數(shù)據(jù)結(jié)構(gòu)的完整性。對于以上數(shù)據(jù)規(guī)模大、維度多的問題，深度學習技術就能夠很好的解決，因此，本課題將結(jié)合深度學習技術和傳統(tǒng)聚類技術兩方面的優(yōu)點，來實現(xiàn)對目標的智能分群。1.2.2深度學習技術研究現(xiàn)狀深度學習是目前機器學習學科發(fā)展最蓬勃的分支，也是整個人工智能領域中應用前景最為廣闊的技術，其概念關系如圖1.2所示。深度學習的前身是人工神經(jīng)網(wǎng)絡（Artificialneuralnetwork，ANN），它是一種機器學習方法。所謂表示學習，就是要讓算法在少量人為先驗經(jīng)驗的情況下，能夠自動從數(shù)據(jù)中抽取合適的特征[32]，完成原本需要通過特征工程才能得到的結(jié)果，深度學習就是通過多層非線性變換的組合方式，得到更抽象更有效的特征表示。圖1.2深度學習技術的概念關系深度學習是指通過構(gòu)建具有多個隱層的神經(jīng)網(wǎng)絡，在輸入一定規(guī)模的數(shù)據(jù)樣本訓練集后，該神經(jīng)網(wǎng)絡能夠?qū)W習到這些數(shù)據(jù)內(nèi)部的特征，并預測得到相關領域的一些新數(shù)據(jù)或是某種發(fā)展趨勢。深度學習技術經(jīng)過近幾年的發(fā)展，有多種基于深度學習的模型框架已經(jīng)被廣泛應用到各行各業(yè)中：自編碼器（SelfAuto-Encoder，SAE）、卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetwork，CNN）、長短時記憶網(wǎng)絡（LongShortTermMemory，LSTM）、生成對抗網(wǎng)絡（GenerateAdversarialNetwork，GAN）等，其中LSTM可以實現(xiàn)時序特征的記憶，對解決意圖識別時序性問題

國防科技大學研究生院碩士學位論文第13頁相似維的高維子空間聚類算法，張濤等人[20]提出了一種基于低秩表示的子空間聚類改進算法。計算復雜度的問題同樣也是子空間聚類需要應對的一個難題，其主要體現(xiàn)在對子空間中類簇的搜索過程中，當計算復雜度達到一定量級時，甚至會使后續(xù)的聚類算法失效[51][55]。因此如何采用有效的方法來降低子空間聚類的計算復雜度，仍需要進一步深入研究。2.2深度學習技術研究2.2.1深度前饋神經(jīng)網(wǎng)絡深度前饋神經(jīng)網(wǎng)絡（Deepfeedforwardneuralnetwork）相當于是多層感知機（MultilayerPerceptron，MLP），它通過定義一個映射來訓練樣本數(shù)據(jù)，在這個過程中參數(shù)會不斷的更新，它的目的就是使這個映射的輸入能夠更加貼合實際。前饋網(wǎng)絡之所以被稱為“前辣的，是因為該網(wǎng)絡的輸出對網(wǎng)絡中的參數(shù)不會產(chǎn)生反饋影響。神經(jīng)網(wǎng)絡的基本單位是多輸入單輸出形式的非線性神經(jīng)元，其數(shù)學模型如圖2.1所示。圖2.1神經(jīng)元的數(shù)學模型它的數(shù)學表達形式為

【參考文獻】：
期刊論文
[1]人工智能賦能運營商“大連接”戰(zhàn)略[J]. 湯人杰,楊巧節(jié).  電信技術. 2018(04)
[2]基于相似度矩陣的雷達探測目標分群算法[J]. 陶宇,蔣序平.  火控雷達技術. 2018(01)
[3]基于改進空間劃分的目標分群算法[J]. 樊振華,師本慧,陳金勇,段同樂.  系統(tǒng)工程與電子技術. 2017(05)
[4]態(tài)勢估計中的目標分群算法設計與實現(xiàn)[J]. 張冬寧,艾偉.  無線電工程. 2016(11)
[5]一種基于低秩表示的子空間聚類改進算法[J]. 張濤,唐振民,呂建勇.  電子與信息學報. 2016(11)
[6]基于改進K-means算法的陸戰(zhàn)場機動目標分群方法[J]. 張緒亮,張宏軍,綦秀利,王文博,王澤,尹成祥.  信息技術. 2016(03)
[7]基于最近鄰的隨機非線性降維[J]. 田守財,孫喜利,路永鋼.  計算機應用. 2016(02)
[8]基于數(shù)據(jù)場改進的目標分群算法[J]. 王驍,李東生,雍愛霞.  火力與指揮控制. 2015(12)
[9]二叉樹多分類SVM在目標分群中的應用[J]. 段同樂,張冬寧.  無線電工程. 2015(06)
[10]最小方差優(yōu)化初始聚類中心的K-means算法[J]. 謝娟英,王艷娥.  計算機工程. 2014(08)

博士論文
[1]基于排序模式分析與深度學習的風電設備故障診斷方法研究[D]. 江國乾.燕山大學 2017
[2]基于流形學習的特征提取方法及其應用研究[D]. 李波.中國科學技術大學 2008
[3]高維數(shù)據(jù)的聚類方法研究與應用[D]. 陳黎飛.廈門大學 2008
[4]高維數(shù)據(jù)挖掘中若干關鍵問題的研究[D]. 楊風召.復旦大學 2003

碩士論文
[1]高維數(shù)據(jù)的聚類分析研究及應用[D]. 蘇飛.華北水利水電大學 2017
[2]基于聚類分析的空中戰(zhàn)機目標分群應用研究[D]. 董冰.西安電子科技大學 2015
[3]高維數(shù)據(jù)子空間聚類算法研究[D]. 張井.天津大學 2012
[4]高維數(shù)據(jù)聚類算法的研究[D]. 易莉樺.燕山大學 2012
[5]改進的Chameleon層次聚類算法在目標分群中的應用研究[D]. 畢鵬.浙江大學 2009



本文編號：3126424