基于自组织特征映射网络的目标分群方法技术

公开一种基于自组织特征映射网络的目标分群方法，包括如下步骤：读取当前时刻我方传感器获得的数据；对读取的传感器数据进行清洗；引入SOM对处理后的数据进行分组，使用混合计算方法计算神经元和传感器数据间的距离，利用标准化置信度值检验分组的准确性；评估目标分组情况，并根据实际情况及时做出修正；输出目标分群结果，重复该过程。该方法通过在目标分组前进行数据清洗，有效的滤除了噪声干扰，提高目标分组的准确率；能够有效反映目标间的差异，提高目标分组的准确率；通过引入SOM，解决了需要预先指定分组数和设置阈值的关键问题，提高了目标分组的准确度和速度，满足实际应用的需求；引入CV检验目标分组情况，提高算法的鲁棒性。

Target clustering method based on self-organizing feature mapping network

【技术实现步骤摘要】
基于自组织特征映射网络的目标分群方法
本专利技术涉及态势估计领域，特别涉及一种基于自组织特征映射网络(Self-OrganizingFeatureMap，SOM)的目标分群方法，可用于态势估计、意图识别和指挥控制系统。
技术介绍
目标分群是将类型相似、数据相近且来源于多传感器的目标信息进行可靠有效地分组，可以提高信息辨识度，解决信息炫目问题的同时有助于快速把握态势，从而做出正确决策。目前，典型的目标分群方法有K-means、层次聚类方法和遗传算法等。其中：K-means方法容易实现，但需要预先给定聚类数目，与实际情况不一致，并且分组结果与初始聚类中心相关，鲁棒性较差；层次聚类算法不需要指定分组数目，但仍需手动输入阈值，对于不同量测尺度的分组问题，阈值需要分别设定，缺乏有效的阈值选取方法；遗传算法是经典的智能算法，在工程中应用广泛，但需要事先设置分组数目，并且由于全局优化能力有限，会出现分组结果不稳定的问题。
技术实现思路
针对上述已有技术的不足，本专利技术提出一种基于自组织特征映射网络SOM的目标分群方法，满足实时性要求，不需要事先指定分组数目，可以快速准确的对目标进行分组。实现本专利技术的技术关键是：在目标分群的过程中，首先对数据进行处理，有效去除噪声干扰，其次使用混合计算方法计算目标间的距离，引入自组织特征映射网络对处理后的数据进行分类，提高分组的准确率和速度。其实现步骤包括如下：本专利技术基于自组织特征映射网络的目标分群方法，包括如下步骤：步骤1.读取数据1.1)令初始时刻k＝1，读取k时刻第t个目标的类型航向位置和速度t的取值为1，2，…，Nk，Nk为k时刻目标总数目；1.2)为便于描述目标分组问题，k时刻第t个目标传感器数据使用一维向量表示，其中表示k时刻第t个目标属性，表示k时刻第t个目标类型，表示k时刻第t个目标航向，表示k时刻第t个目标位置，表示k时刻第t个目标速度，k时刻所有目标传感器数据集合为步骤2.数据清洗2.1)选取孤立森林算法检测传感器数据中的异常值；2.2)为了定量分析目标间的相对态势，将GPS获得的WGS-84大地坐标系转化为我国国家坐标系；2.3)为保持数据范围的统一性，对传感器数据进行归一化处理：其中，x*为归一化后的传感器数据，x为原始传感器数据，xmax为所有目标中该属性传感器数据的最大值，xmin为所有目标中该属性传感器数据的最小值；步骤3.自组织特征映射网络训练3.1)设置输入层神经元个数为6，竞争层为n×n个神经元组成的平面阵列，n为非零自然数，迭代次数为nmax次；随机初始化n2个竞争层的权值向量3.2)计算k时刻Nk个目标的传感器数据Xk与n2个竞争层的权值向量之间的距离，确定最佳匹配单元权值向量wc，具体包括以下步骤：3.2.1)初始化t＝1，i＝1，距离记录库3.2.2)计算k时刻第t个目标传感器数据与第i个权值向量之间的距离L[Oi，Oj]，其中Oi、Oj分别表示向量i和向量j，i＝1，2，...，n2，j＝1，2，...，n2，具体包括以下步骤：3.2.2.1)计算与第i个权值向量离散属性的距离D[Oi，Oj]，离散属性只包括目标类型D[Oi，Oj]＝βδ(yi，yj)其中，D[Oi，Oj]表示k时刻第i个向量Oi和第j个向量Oj之间离散属性的距离，δ(yi，yj)表示未加权重的第i个向量Oi和第j个向量Oj之间离散属性的距离，β表示目标类型的权值，yi表示第i个目标的目标类型；3.2.2.2)计算与连续属性的距离C[Oi，Oj]，连续属性包括目标航向位置和速度其中，C[Oi，Oj]表示第i个向量Oi和第j个向量Oj之间连续属性的距离，ωk表示第k个连续属性的权值，表示第i个目标第k个连续属性值，结合专家意见，使用层次分分析法AHP确定不同属性的权值β和第k个连续属性的权值ωk；3.2.2.3)计算与之间的距离L[Oi，Oj]，并将L[Oi，Oj]加入到U中：L[Oi，Oj]＝C[Oi，Oj]+D[Oi，Oj]其中，L[Oi，Oj]表示第i个向量和第j个向量之间的距离；3.2.3)令i＝i+1，若i≤n2，返回步骤3.2.2)进行迭代，若i＞n2，停止迭代，执行步骤3.2.4)；3.2.4)令t＝t+1，若t≤Nk，返回步骤3.2.2)进行迭代，若t＞Nk，停止迭代，执行步骤3.2.5)；3.2.5)根据距离记录库U，选取每个目标传感器数据对应距离最近的权值向量为最佳匹配单元其中，Bc表示第c个最佳匹配单元的权值向量；3.2.6)确定最佳匹配单元的数目nBMU；3.3)确定第c个最佳匹配单元Bc附近的神经元向量具体包括以下步骤：3.3.1)初始化c＝1，i＝1，距离记录库3.3.2)根据步骤3.2.2)，计算第c个最佳匹配单元Bc与第i个权值向量之间的距离L[Oc，Oi]，将其加入到U；3.3.3)令c＝c+1，nBMU为步骤3.2)得到的最佳匹配单元的数目，若c＜nBMU，返回步骤3.3.2)进行迭代，若c＝nBMU，根据距离记录库U确定与第i个权值向量距离最近的最佳匹配单元，清空U，执行步骤3.2.4)；3.3.4)令i＝i+1，o为除去最佳匹配单元之外神经元的数目，若i≤o，返回步骤3.2.2)进行迭代，若i＞o，停止迭代，执行步骤3.4)；3.4)更新第c个最佳匹配单元Bc及其附近神经元的权重向量权值变化量Δwi为其中，α(t)表示学习率，0＜α(t)＜1；3.5)判断是否达到最大迭代次数nmax，如果达到，执行步骤4，否则，返回步骤3.2)；步骤4.使用标准化置信度值检验目标分组结果4.1)通过计算输入数据向量Xinput和第c个最佳匹配单元权值向量Bc间的距离，可以得到最小量化误差MQE，进而衡量输入向量与标准状态间的差距MQE＝L[Xinput，Bc]其中，Xinput表示输入数据向量；4.2)为了能够简洁地反映当前的训练程度，在最小量化误差MQE的基础上，提出0-1范围内的标准化置信度值CV其中，c0＝-MQE01/2/lnCV0，MQE0表示标准状态下的MQE，CV0表示初始CV值，CV在0～1之间；4.3)根据自组织特征映射网络学习规则：目前状态特征与标准状态特征越相似，MQE值越小，CV值越大；当分组精度较低或者发生错误分组时，对应的MQE值越高，CV值越小；设定阈值u，如果CV＜u，说明分组结果较好，执行步骤3.7)，如果存在某一CV≥u，结合zc实际情况对分组结果进行检查，并及时修正；步骤5.目标分组结果输出5.1)输出全部目标分组结果；5.2)检查下一个时刻的传感器数据是否到达，如果到达，令k＝k+1，返回步骤1进行迭代，否则，结束本流程。本专利技术具有以下优点：1)本专利技术通过在目标分组前进行数据清洗，有效的滤除了噪声干扰，提高目标分组的准确率；2)本专利技术通过使用混合计算方法得到不同目标间的距离，既考虑到离散属性又考虑到连续属性，有效的反映了目标间的差异，提高目标分组的准确率；3)本专利技术通过引入SOM，解决了需要预先指定分组数和设置阈值的关键问题，提高了目标分组的准确度和速度，满足实际应用的需求，具有实际应用价值。通过引入CV检验目标分组情况，提高算法的鲁棒性。附图说明图1为本专利技术基于自组织特征映射网络的目标分群方法的流程图；图本文档来自技高网...

【技术保护点】
1.基于自组织特征映射网络的目标分群方法，包括如下步骤：步骤1.读取数据1.1)令初始时刻k＝1，读取k时刻第t个目标的类型

【技术特征摘要】
1.基于自组织特征映射网络的目标分群方法，包括如下步骤：步骤1.读取数据1.1)令初始时刻k＝1，读取k时刻第t个目标的类型航向位置和速度t的取值为1，2，…，Nk，Nk为k时刻目标总数目；1.2)为便于描述目标分组问题，k时刻第t个目标传感器数据使用一维向量表示，其中表示k时刻第t个目标属性，表示k时刻第t个目标类型，表示k时刻第t个目标航向，表示k时刻第t个目标位置，表示k时刻第t个目标速度，k时刻所有目标传感器数据集合为步骤2.数据清洗2.1)选取孤立森林算法检测传感器数据中的异常值；2.2)为了定量分析目标间的相对态势，将GPS获得的WGS-84大地坐标系转化为我国国家坐标系；2.3)为保持数据范围的统一性，对传感器数据进行归一化处理：其中，x*为归一化后的传感器数据，x为原始传感器数据，xmax为所有目标中该属性传感器数据的最大值，xmin为所有目标中该属性传感器数据的最小值；步骤3.自组织特征映射网络训练3.1)设置输入层神经元个数为6，竞争层为n×n个神经元组成的平面阵列，n为非零自然数，迭代次数为nmax次；随机初始化n2个竞争层的权值向量3.2)计算k时刻Nk个目标的传感器数据Xk与n2个竞争层的权值向量之间的距离，确定最佳匹配单元权值向量wc，具体包括以下步骤：3.2.1)初始化t＝1，i＝1，距离记录库3.2.2)计算k时刻第t个目标传感器数据与第i个权值向量之间的距离L[Oi，Oj]，其中Oi、Oj分别表示向量i和向量j，i＝1，2，...，n2，j＝1，2，...，n2，具体包括以下步骤：3.2.2.1)计算与第i个权值向量离散属性的距离D[Oi，Oj]，离散属性只包括目标类型D[Oi，Oj]＝βδ(yi，yj)其中，D[Oi，Oj]表示k时刻第i个向量Oi和第j个向量Oj之间离散属性的距离，δ(yi，yj)表示未加权重的第i个向量Oi和第j个向量Oj之间离散属性的距离，β表示目标类型的权值，yi表示第i个目标的目标类型；3.2.2.2)计算与连续属性的距离C[Oi，Oj]，连续属性包括目标航向位置和速度其中，C[Oi，Oj]表示第i个向量Oi和第j个向量Oj之间连续属性的距离，ωk表示第k个连续属性的权值，表示第i个目标第k个连续属性值，结合专家意见，使用层次分析法AHP确定不同属性的权值β和第k个连续属性的权值ωk；3.2.2.3)计算与之间的距离L[Oi，Oj]，并将L[Oi，Oj]加入到U中：L[Oi，Oj]＝C[Oi，Oj]+D[Oi，Oj]其中，L[Oi，Oj]表示第i个向量和第...

【专利技术属性】
技术研发人员：黄震宇，白娟，张振兴，杨任农，王栋，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西,61