隨著大量戰(zhàn)場觀測傳感器的應(yīng)用,輸入指揮控制系統(tǒng)的戰(zhàn)場目標(biāo)數(shù)據(jù)呈現(xiàn)激增的趨勢,目標(biāo)信息數(shù)據(jù)規(guī)模大、維度高、結(jié)構(gòu)復(fù)雜等問題給目標(biāo)分群技術(shù)帶來了全新的挑戰(zhàn)。然而,采用傳統(tǒng)的聚類方法已經(jīng)無法對高維的戰(zhàn)場目標(biāo)數(shù)據(jù)進(jìn)行有效分群。針對當(dāng)前目標(biāo)分群技術(shù)的困境,提出了一種基于深度學(xué)習(xí)的智能目標(biāo)分群技術(shù),構(gòu)建了基于深度堆棧自編碼網(wǎng)絡(luò)的目標(biāo)分群模型,分別將k-means和GMM嵌入到目標(biāo)分群模型中,提出了DAE-k和DAE-G兩種基于深度學(xué)習(xí)的智能目標(biāo)分群算法。通過設(shè)計智能目標(biāo)分群技術(shù)的驗證實驗,建立目標(biāo)分群效果的評價指標(biāo),驗證了兩種目標(biāo)分群算法的有效性和適用性,并分析得出兩種目標(biāo)分群算法在處理不同數(shù)據(jù)類型過程中的優(yōu)劣性�；谏疃葘W(xué)習(xí)的智能目標(biāo)分群技術(shù)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(shè)提供了技術(shù)支撐。 

【文章來源】：指揮控制與仿真. 2020,42(06)

【文章頁數(shù)】：7 頁

【部分圖文】：

基于三層前饋神經(jīng)網(wǎng)絡(luò)的自編碼結(jié)構(gòu)

在特征提取階段,戰(zhàn)場目標(biāo)數(shù)據(jù)從模型的輸入層進(jìn)入一個堆棧式自編碼網(wǎng)絡(luò)層,該網(wǎng)絡(luò)層是由3個自編碼器(AE)堆棧構(gòu)成,經(jīng)過逐層參數(shù)預(yù)訓(xùn)練后,將自編碼網(wǎng)絡(luò)層的參數(shù)進(jìn)行初始化,進(jìn)而得到戰(zhàn)場目標(biāo)數(shù)據(jù)在低維空間上的特征表示。在分群精調(diào)階段,將戰(zhàn)場目標(biāo)數(shù)據(jù)的低維特征表示輸入目標(biāo)分群層,當(dāng)系統(tǒng)給定分群的類別數(shù)時,目標(biāo)分群層輸出分群結(jié)果,即分群得到的類中心點和各個類之間的距離,再通過ADMM(Alternating Directed Method of Multipliers,ADMM)交替并行地方式優(yōu)化聚類層以及堆棧式自編碼網(wǎng)絡(luò)層的目標(biāo)函數(shù),對各層的參數(shù)進(jìn)行精調(diào)。ADMM是一種非反向傳播的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法,該方法通過將目標(biāo)函數(shù)分解為多個子目標(biāo)的方式來得到全局最優(yōu)解[9-11]。

表2 四種聚類算法的聚類結(jié)果 Algorithm k-means DAE-k GMM DAE-G Data set Purity ACC NMI Purity ACC NMI Purity ACC NMI Purity ACC NMI D01 0.572 9 0.569 8 0.537 3 0.743 1 0.728 5 0.712 5 0.325 8 0.304 1 0.284 6 0.752 6 0.715 4 0.718 8 D02 0.603 2 0.592 2 0.479 3 0.852 4 0.813 4 0.802 2 0.498 8 0.436 5 0.409 6 0.657 3 0.614 7 0.648 5 D03 0.523 3 0.527 6 0.498 6 0.796 3 0.752 2 0.704 5 0.276 4 0.284 1 0.201 5 0.668 8 0.674 1 0.651 5 D04 0.542 1 0.463 4 0.526 6 0.752 3 0.705 9 0.697 2 0.497 0 0.483 1 0.469 1 0.652 1 0.274 1 0.621 2 D05 0.479 8 0.501 1 0.468 3 0.732 4 0.752 1 0.701 1 0.396 6 0.374 4 0.354 7 0.736 5 0.751 5 0.695 1從表2和圖2中的聚類準(zhǔn)確度可以看出,在本文構(gòu)建的5個數(shù)據(jù)集上,DAE-k的聚類效果要優(yōu)于k-means,DAE-G的聚類效果要優(yōu)于GMM。從4種聚類算法整體來看,在數(shù)據(jù)集D01、D02、D03、D05中基于深度學(xué)習(xí)技術(shù)的DAE-k與DAE-G聚類算法相比于傳統(tǒng)的標(biāo)準(zhǔn)k-means、GMM聚類算法在聚類效果上均有一定優(yōu)勢。而在數(shù)據(jù)集D04中,DAE-G的聚類效果與k-means、GMM的水平相當(dāng)。

【參考文獻(xiàn)】：
期刊論文
[1]基于水平集的目標(biāo)分群方法[J]. 李鏡,劉磊浩,劉新,馬培博,郭勝楠.  無線電工程. 2019(10)
[2]基于自編碼網(wǎng)絡(luò)和聚類的入侵檢測技術(shù)[J]. 周康,萬良.  計算機技術(shù)與發(fā)展. 2019(05)
[3]基于改進(jìn)空間劃分的目標(biāo)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(shù). 2017(05)
[4]態(tài)勢估計中的目標(biāo)分群算法設(shè)計與實現(xiàn)[J]. 張冬寧,艾偉.  無線電工程. 2016(11)
[5]空中目標(biāo)的戰(zhàn)術(shù)群特征識別方法[J]. 崇元,李加祥,艾葳.  指揮控制與仿真. 2015(04)

碩士論文
[1]戰(zhàn)場態(tài)勢評估中的目標(biāo)分群與識別[D]. 趙昀瑤.西安電子科技大學(xué) 2019
[2]基于大數(shù)據(jù)處理的態(tài)勢數(shù)據(jù)管理與目標(biāo)分群技術(shù)研究[D]. 李慧玲.電子科技大學(xué) 2019



本文編號：3589906