一种基于改进模糊C-均值聚类的战场态势分析方法技术

本发明专利技术公开了一种基于改进模糊C

【技术实现步骤摘要】
一种基于改进模糊C
‑
均值聚类的战场态势分析方法


[0001]本专利技术属于电子对抗领域，具体涉及一种基于改进模糊C
‑
均值聚类的战场态势分析方法。

技术介绍

[0002]战场态势主要采用符号化的图形表示不同类型的目标，以颜色区分属性，展示敌方、我方、中立方兵力及战场环境当前状态和发展变化趋势，图形化的表示可以保证指挥员快速感知态势。战场态势可视化能提高指挥员的战场态势感知能力，有效辅助指挥员进行当前态势评估和未来态势预测。传统的战场环境态势展现方法是从地图的视角出发，将地理环境抽象为实体，进一步抽象为地图数据要素，通过符号化表达，生成可视化成果，在其基础上叠加包括敌我状态、运动状态、兵员力量、毁伤状态等在内的一系列态势信息。但是在电子对抗战争趋于智能化的现代，战场上的态势信息数据越来越繁杂，传统的态势特征信息和展现方法很难处理高维数据组。
[0003]聚类算法的思想是将数据对象分组成多个类或簇，使得在同一个簇中的对象有较高相似度，而不同簇中的对象有较低的相似度。在密度较高的元胞数据展现中，位于相同子区域内的样本在某种特征下是相似的，不同区域间的样本是不相似的。因此，高维数据的可视化问题也可以看成是一类针对样本相似度的聚类问题，聚类作为一种简单直观的分割方法，在数据处理领域占有重要的地位。高维数据处理中常用的聚类算法有K
‑
均值算法、模糊C
‑
均值算法以及近年流行的基于图的聚类算法等，这些算法在区域数据处理中已有较为成熟的应用。

技术实现思路

[0004]本专利技术提出了一种基于改进模糊C
‑
均值聚类的战场态势分析方法，对战场态势数据进行分析，清洗和预处理，得到待聚类数据；根据战场态势要素对态势数据进行结构化属性分析，将相同的态势数据进行聚合，关联成主聚类和次级聚类，经过分群聚类的态势数据聚类按照点密度进行区域划分和色彩渲染，完成战场态势数据的展现。
[0005]实现本专利技术的技术解决方案为：一种基于改进模糊C
‑
均值聚类的战场态势分析方法，步骤如下：步骤一、采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，转入步骤二。
[0006]步骤二、利用改进的的模糊C
‑
均值算法对战场态势数据集进行处理，对战场数据集中的态势要素进行聚类分析后，获得不同态势要素的次级聚类，具体如下：步骤2
‑
1、对战场态势数据集进行处理，对应得到不同批次的归一化数据集，转入步骤2
‑
2。
[0007]步骤2
‑
2、利用改进的模糊C
‑
均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解，转入步骤2
‑
3。
[0008]步骤2
‑
3、根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过改进的模糊C
‑
均值算法的目标函数对当前聚类结果进行评估，获得不同态势要素的次级聚类。
[0009]本专利技术与现有技术相比，其显著优点在于：针对现代战场态势数据处理的复杂性和模糊性，采用基于改进C
‑
均值算法对态势数据分群聚类完成战场态势数据分析的方法，将战场目标分群看作聚类问题，利用粒子群算法和GA算法对传统的模糊C
‑
均值聚类算法进行改进，在整个过程中实现参数自动调整和优化，以输出最优的聚类结果。解决了原算法易陷入局部最优点的问题，收敛速度和精度都得到了提高。
附图说明
[0010]图1为本专利技术的基于改进模糊C
‑
均值聚类的战场态势分析方法流程图。
[0011]图2为C
‑
均值算法对Iris数据集的聚类分布图。
[0012]图3为改进C
‑
均值算法对Iris数据集的聚类分布图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]另外，本专利技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围指内。
[0015]下面将结合本设计实例对具体实施方式、以及本次专利技术的技术难点、专利技术点进行进一步介绍。
[0016]结合图1，一种基于改进模糊C
‑
均值聚类的战场态势分析方法，步骤如下：步骤一：采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集。
[0017]数据预处理的目的是生成供数据挖掘核心算法使用的目标数据，为后续进行的数据挖掘提供高可靠性、数据集规模适当、具有一定抽象性的数据，以提高聚类分析效率。
[0018]步骤1
‑
1、采集战场态势数据，并对战场态势数据进行清洗：战场中的战场态势数据包括时间维度、空间维度、互作用对象、服务对象、平台支撑、数据支撑这六个维度的信息。
[0019]在战场态势数据的采集过程中，难免会有部分数据存在内容不完整，格式不一致、存放重复、信息缺失等情况，这些会对之后的战场态势展现和信息分产生影响，因此有必要对异常值进行处理。
[0020]基于邻近性将数据异常进行分类，为确定数据清洗方法提供依据。
[0021]基于上述原则，态势数据的清洗过程可通过以下步骤实现：1
‑1‑
1）若变量的缺失率较高（大于80%），整体覆盖率较低（小于60%），可以直接将变量删除。
[0022]若变量缺失率较低（小于95%）且重要性较低，则根据数据分布的情况进行填充，若
需要填充的变量是连续型，采用均值法和随机差值进行填充，若变量是离散型，采用中位数或哑变量进行填充。
[0023]1‑1‑
2）采取近邻排序法对重复记录进行识别、比较和排序，删除低价值的重复冗余数据。
[0024]1‑1‑
3）对形式和内容不符合要求的数据进行纠正，对错误难以改正且不重要的数据采取删除整条记录的方法处理。
[0025]步骤1
‑
2、对清洗后的数据进行集成，得到战场态势数据集。
[0026]为了方便数据的存储和调用，需要对清洗后的数据进行集成，通过Mysql数据库来管理，得到战场态势数据集。
[0027]数据库模块对预处理态势数据中目标的关键信息描述如表：上表中，数据库模块对预处理态势数据中目标的关键信息建立索引，包括目标的编号Id、速度Speed、当前数据获取时间Time以及目标的空间位置Position。
[0028]步骤二：利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进模糊C
‑
均值聚类的战场态势分析方法，其特征在于，步骤如下：步骤一、采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，转入步骤二；步骤二、利用改进的的模糊C
‑
均值算法对战场态势数据集进行处理，对战场数据集中的态势要素进行聚类分析后，获得不同态势要素的次级聚类，具体如下：步骤2
‑
1、对战场态势数据集进行处理，对应得到不同批次的归一化数据集，转入步骤2
‑
2；步骤2
‑
2、利用改进的模糊C
‑
均值算法对战场态势数据集进行处理，获得归一化数据集中的初始个体最优解，进而得到初始全局最优解，转入步骤2
‑
3；步骤2
‑
3、根据初始全局最优解，更新目前的划分矩阵及聚类中心，并通过改进的模糊C
‑
均值算法的目标函数对当前聚类结果进行评估，获得不同态势要素的次级聚类。2.根据权利要求1所述的基于改进模糊C
‑
均值聚类的战场态势分析方法，其特征在于，步骤一中，采集战场态势数据，并对战场态势数据进行清洗，得到战场态势数据集，具体如下：步骤1
‑
1、采集战场态势数据，并对战场态势数据进行清洗：战场中的战场态势数据包括时间维度、空间维度、互作用对象、服务对象、平台支撑、数据支撑；基于邻近性将数据异常进行分类，为确定数据清洗方法提供依据；步骤1
‑
2、对清洗后的数据进行集成，得到战场态势数据集。3.根据权利要求2所述的基于改进模糊C
‑
均值聚类的战场态势分析方法，其特征在于，步骤1
‑
1中，采集战场态势数据，并对战场态势数据进行清洗，具体如下：1
‑1‑
1）若变量的缺失率大于80%，整体覆盖率小于60%，直接将变量删除；若变量缺失率小于95%，且重要性较低，则根据数据分布的情况进行填充，若需要填充的变量是连续型，采用均值法和随机差值进行填充，若变量是离散型，采用中位数或哑变量进行填充；1
‑1‑
2）采取近邻排序法对重复记录进行识别、比较和排序，删除重复冗余数据；1
‑1‑
3）对形式和内容不符合要求的数据进行纠正，对错误难以改正且不重要的数据采取删除整条记录的方法处理。4.根据权利要求2所述的基于改进模糊C
‑
均值聚类的战场态势分析方法，其特征在于，步骤1
‑
2、对清洗后的数据进行集成，得到战场态势数据集；为了方便数据的存储和调用，需要对清洗后的数据进行集成，通过Mysql数据库来管理，得到战场态势数据集；其中，数据库模块对预处理态势数据中目标的关键信息建立索引，包括目标的编号Id、速度Speed、当前数据获取时间Time以及目标的空...

【专利技术属性】
技术研发人员：朱伟强，杨蔚，杨佳敏，李贵显，陈迪，郑鹏飞，方维海，
申请(专利权)人：中国航天科工集团八五一一研究所，
类型：发明
国别省市：