基于FCM的态势数据离群样本处理方法、装置和设备制造方法及图纸

本申请涉及一种基于FCM的态势数据离群样本处理方法、装置、计算机设备和存储介质。所述方法包括：通过基于频繁模式的离群点检测算法将态势数据样本分为正常样本和离群样本，通过模糊线性判别算法对正常样本进行分类，而对于离群样本，通过模糊C均值聚类算法对离群样本进行分类，离群样本的初始聚类中心取自模糊K近邻算法得到的类中心，从而使离群样本的聚类提前有了正常样本分类的先验信息，提高了对包含了离群样本数据的态势数据的识别效果。含了离群样本数据的态势数据的识别效果。含了离群样本数据的态势数据的识别效果。

【技术实现步骤摘要】
基于FCM的态势数据离群样本处理方法、装置和设备


[0001]本申请涉及计算机
，特别是涉及一种基于FCM的态势数据离群样本处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]现代战争是信息化条件下的一体化联合作战，需要在一体化的作战态势下展开，关键是实时形成一体化的作战态势。未来通用态势图应该具备信息化、智能化等特点，应能提供态势综合研判、态势认知等功能。态势要素则指构成态势的兵力、环境、事件和估计等诸类要素。不同的态势指其包含不同的态势要素。虽然当前情报数据的采集手段众多，数据量也越来越大，但是这些数据却面临较为复杂的质量问题。在一些强对抗条件下，环境恶劣，各类传感器回传数据受到地理、气候、水文、电磁等环境因素的影响，容易导致噪声、错误的存在，实际属于弱标注数据。这种弱标注样本导致大量离群样本产生，难以直接应用传统时间序列分析、监督学习、半监督学习方法支撑态势分析。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够对包含离群样本的态势数据进行识别处理的基于FCM的态势数据离群样本处理方法、装置、计算机设备和存储介质。
[0004]一种基于FCM的态势数据离群样本处理方法，所述方法包括：
[0005]获取态势数据样本，根据所述态势数据样本通过基于频繁模式的离群点检测算法得到正常样本和离群样本；
[0006]根据所述正常样本通过模糊线性判别算法进行分类，确定聚类的初始类属信息和初始聚类中心；
[0007]根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵；
[0008]根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；
[0009]根据所述调整后的聚类中心为所述离群样本的初始聚类中心，通过模糊C均值聚类算法对所述离群样本进行分类，得到所述离群样本的分类结果；
[0010]将所述正常样本的分类结果和所述离群样本的分类结果进行合并，得到所述态势数据样本的识别结果。
[0011]在其中一个实施例中，还包括：计算所述态势数据样本中任意两个样本之间的欧氏距离，形成距离矩阵；
[0012]将所述距离矩阵中对角线的值改为inf；
[0013]将所述距离矩阵按列进行升序排序，得到距离每个样本最近的k个样本，并根据所述初始类属信息确定k个样本各自的类别信息；
[0014]根据所述距离每个样本最近的k个样本及其类别信息，根据预设的隶属度计算公式确定每个样本隶属于每个类别的隶属度。
[0015]在其中一个实施例中，还包括：所述隶属度的计算公式为：
[0016][0017]其中，μ
ij
表示第j个样本隶属于第i类的隶属度，γ为预设的可调参数，n
ij
表示第j个样本的k个邻近点中属于第i类的样本个数。
[0018]在其中一个实施例中，还包括：根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；其中，调整公式为：
[0019][0020]其中，ω
′
i
,i＝1,2,...,C为所述初始聚类中心，ω
i
,i＝1,2,...,C为调整后的聚类中心，x
j
表示第j个样本对应的点，C为类属总数，M为样本总数。
[0021]在其中一个实施例中，还包括：所述态势数据中包括：战场兵力要素信息、战场环境要素信息和战场事件要素信息中的至少一种。
[0022]一种基于FCM的态势数据离群样本处理装置，所述装置包括：
[0023]态势数据获取模块，用于获取态势数据样本，根据所述态势数据样本通过基于频繁模式的离群点检测算法得到正常样本和离群样本；
[0024]正常样本处理模块，用于根据所述正常样本通过模糊线性判别算法进行分类，确定聚类的初始类属信息和初始聚类中心；
[0025]隶属度矩阵确定模块，用于根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵；
[0026]聚类中心调整模块，用于根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；
[0027]离群样本处理模块，用于根据所述调整后的聚类中心为所述离群样本的初始聚类中心，通过模糊C均值聚类算法对所述离群样本进行分类，得到所述离群样本的分类结果；
[0028]识别结果输出模块，用于将所述正常样本的分类结果和所述离群样本的分类结果进行合并，得到所述态势数据样本的识别结果。
[0029]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0030]获取态势数据样本，根据所述态势数据样本通过基于频繁模式的离群点检测算法得到正常样本和离群样本；
[0031]根据所述正常样本通过模糊线性判别算法进行分类，确定聚类的初始类属信息和初始聚类中心；
[0032]根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵；
[0033]根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；
[0034]根据所述调整后的聚类中心为所述离群样本的初始聚类中心，通过模糊C均值聚类算法对所述离群样本进行分类，得到所述离群样本的分类结果；
[0035]将所述正常样本的分类结果和所述离群样本的分类结果进行合并，得到所述态势数据样本的识别结果。
[0036]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0037]获取态势数据样本，根据所述态势数据样本通过基于频繁模式的离群点检测算法得到正常样本和离群样本；
[0038]根据所述正常样本通过模糊线性判别算法进行分类，确定聚类的初始类属信息和初始聚类中心；
[0039]根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵；
[0040]根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；
[0041]根据所述调整后的聚类中心为所述离群样本的初始聚类中心，通过模糊C均值聚类算法对所述离群样本进行分类，得到所述离群样本的分类结果；
[0042]将所述正常样本的分类结果和所述离群样本的分类结果进行合并，得到所述态势数据样本的识别结果。
[0043]上述基于FCM的态势数据离群样本处理方法、装置、计算机设备和存储介质，通过基于频繁模式的离群点检测算法将态势数据样本分为正常样本和离群样本，通过模糊线性判别算法对正常样本进行分类，而对于离群样本，通过模糊C均值聚类算法对离群样本进行分类，离群样本的初始聚类中心取自模糊K近邻算法得到的类中心，从而使离群样本的聚类提前有了正常样本分类的先验信息，提高了对包含了离群样本数据的态势数据的识别效果。
附图说明
[0044]图1为一个实施例中基于FCM的态势数据离群样本处理方法的流程示意图；
[0045]图2为一个实施例中基于FCM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FCM的态势数据离群样本处理方法，其特征在于，所述方法包括：获取态势数据样本，根据所述态势数据样本通过基于频繁模式的离群点检测算法得到正常样本和离群样本；根据所述正常样本通过模糊线性判别算法进行分类，确定聚类的初始类属信息和初始聚类中心；根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵；根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；根据所述调整后的聚类中心为所述离群样本的初始聚类中心，通过模糊C均值聚类算法对所述离群样本进行分类，得到所述离群样本的分类结果；将所述正常样本的分类结果和所述离群样本的分类结果进行合并，得到所述态势数据样本的识别结果。2.根据权利要求1所述的方法，其特征在于，根据所述初始类属信息通过模糊K近似算法确定所述态势数据样本的隶属度矩阵，包括：计算所述态势数据样本中任意两个样本之间的欧氏距离，形成距离矩阵；将所述距离矩阵中对角线的值改为inf；将所述距离矩阵按列进行升序排序，得到距离每个样本最近的k个样本，并根据所述初始类属信息确定k个样本各自的类别信息；根据所述距离每个样本最近的k个样本及其类别信息，根据预设的隶属度计算公式确定每个样本隶属于每个类别的隶属度。3.根据权利要求2所述的方法，其特征在于，所述隶属度的计算公式为：其中，μ
ij
表示第j个样本隶属于第i类的隶属度，γ为预设的可调参数，n
ij
表示第j个样本的k个邻近点中属于第i类的样本个数。4.根据权利要求3所述的方法，其特征在于，根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心，包括：根据所述隶属度矩阵和所述初始聚类中心得到调整后的聚类中心；其中，调整公式为：其中，ω
′
i
,i＝1,2,...,C为所述初始聚类中心，ω
i
,i＝1,2,...,C为调整后的聚类中心，x
j
表示第j个样本对应的点，C为类属总数，M为样本总数。5.根据权利要求4所述的方法，其特征在于，所述态势数据中包括：战场兵力要素信息、战场环境要素信息和战场事件要素信息中的至少一...

【专利技术属性】
技术研发人员：冯旸赫，周玉珍，刘忠，程光权，黄金才，陈丽，姚晨蝶，许乃夫，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：