共查询到19条相似文献,搜索用时 140 毫秒
1.
2.
3.
海战场目标航迹间距离聚类方法 总被引:7,自引:1,他引:6
对海战场空间观察对象中的目标分群问题进行了描述;定义观察目标航迹时空距离计算模型及聚类算法,与依据观察目标位置、航向、航速特征量构建的相似度度量方法的传统目标分群层次聚类算法进行了分析对比。该算法将观察目标的时态信息与空间信息相结合,提高了海战场目标分群聚类的质量。 相似文献
4.
5.
提出使用基于案例推理方法建立战场和军事单元的层次推理模型。将多个军事实体在不同层次上与案例库进行比对,对数据融合中的中间层建立战场态势估计模型,在战场上给定的地理区域对探测到的每一个地面目标建立特征向量,包括时间、位置和目标类型等,并对特征向量分群处理,把每个群的目标类型,数量和态势参数列表。用分层的案例推理方法得到群中作战单元的目标类型,编队情况和作战意图,从而进行敌方作战态势估计,为指挥员决策提供依据。 相似文献
6.
7.
王晓璇 《计算机与数字工程》2012,40(7):28-30
目标聚类是态势感知需要实现的重要功能之一,文章针对态势感知中目标的分布规律及运动特点,探讨了模式识别中常用聚类算法的优缺点。考虑到传统聚类算法需要用户事先输入先验知识,且无法较好地处理非球状簇分布的目标群,文章提出了一种基于自组织迭代的目标聚类改进算法,该算法避免了对先验知识的依赖和对目标分布的要求。通过仿真实验分析,验证了该算法的有效性和工程实用性,为态势感知目标聚类问题提供了一样新的思路。 相似文献
8.
9.
10.
11.
为最大限度降低网络安全问题带来的损失,提出一种基于模糊层次分析法(FAHP)的改进型网络安全态势评估模型。鉴于未来的大规模网络环境,首先建立一套符合实际环境的,由指标层、准则层、决策层三层组成的态势指标体系;针对态势评估中的数据分布不确定性、模糊性对评估结果的影响,利用模糊C-均值(FCM)聚类和最佳聚类准则进行数据预处理,得到最佳聚类数和聚类中心;最终建立多因素二级评估模型得到态势评估向量。仿真结果表明,与目前的基于模糊层次法的态势评估方法相比,更好地考虑到某些权重小的因素,因而标准偏差更小,评估结果更加客观、准确。 相似文献
12.
基于粗糙集的混合属性数据聚类算法 总被引:2,自引:0,他引:2
传统聚类方法将对象严格地划分到某一类,但是很多时候边界对象不能被严格地划分。基于粗糙集的k-means聚类算法和基于粗糙集的leader聚类算法,利用粗糙集理论将数据对象划分到一个簇的上近似集或下近似集当中,提供了一种新的处理不确定性的视角,很好地解决了这种边界不确定问题。但其缺点是不能处理混合属性数据,聚类结果对初值有明显的依赖性。针对这些算法存在的不足,给出了一种适用于混合属性数据的距离定义,对初始值的选取提出了改进办法,提出了一种基于粗糙集的混合属性数据聚类算法。仿真实验证明,在不确定聚类簇数的情况下,该算法的聚类准确率比传统k-means算法明显提高。 相似文献
13.
应用健康管理方法可大大提高设备的安全和可靠性,针对飞机的执行机构,文章提出一种基于数据驱动的健康管理方法;首先根据电液伺服执行器的特点建立故障参数模型,然后应用动态k均值聚类算法进行故障特征提取,根据故障特征状况,应用模糊聚类方法进行健康状况评估,根据健康状况的发展划定健康等级,最后根据健康评估结果应用卡尔曼估计方法进行健康预测;仿真结果表明了算法的有效性。 相似文献
14.
15.
聚类是数据挖掘领域中一个重要的分析手段。在基于密度的聚类算法DBSCAN的基础上,针对算法对输入参数较为敏感,以及对多密度层次数据集聚类质量不高的问题,提出了一种改进的基于区域中心点的密度聚类算法。该算法将不同密度层次的簇视为不同的区域,并基于区域中心点(区域密度最大的点)开始扩展其规模,直至达到由密度比例因子决定的区域边缘。为提高聚类准确率,在簇的扩展过程中,从候选核心点中发现核心点,加强了核心点的选取条件。实验表明,该算法降低了对输入参数的敏感性,改善了对密度分布不均匀数据集聚类效果,提高了聚类准确率。 相似文献
16.
移动对象轨迹聚类在城市规划、公共空间设计、移动对象行为预测等领域具有重要的理论指导意义和实际应用价值。针对传统聚类算法(如k-means,DBSCAN)在移动对象轨迹方面聚类效果不佳的问题,提出一种新的轨迹聚类算法iBTC。该算法首先对轨迹进行分段,根据最小描述长度原理,将轨迹分段问题转换为求无向图的最短路径问题,使用Dijkstra算法求得轨迹的最佳分段;然后将轨迹聚类问题转换为一种特殊的异常检测问题,并基于独立森林的思想,使用细分-合并过程对轨迹数据进行聚类;最后在模拟数据集和监控视频记录的行人轨迹公开数据集上进行实验,结果表明该算法能够取得较好的聚类效果。 相似文献
17.
在数据挖掘中由于每个数据对象对于知识发现的作用是不同的,为了区分这些相异之处,给每个对象赋予一定量的值,因此在PAM聚类算法的基础上提出一种W-PAM(Weight Partitioning Around Medoids)聚类算法,它为簇中数据对象加入权重来提高算法的准确率,此外利用数据对象间的关联限制能够提高聚类算法的效果。探讨了一种W-PAM算法与关联限制相结合的限制聚类算法,该算法同时拥有W-PAM算法和关联限制的优点。实验结果证明,W-PAM的限制聚类算法可以更有效地利用所给的关联限制来改善聚类效果,提高算法的准确率。 相似文献
18.
为了改善DBSCAN参数敏感性和对密度分布不均数据对象聚类质量不高的问题,提出了一种基于DBSCAN算法的改进聚类方法。算法使用K最近邻的均值距离度量密度,中心点选取当前密度最大点,并以中心点为核心点扩展种子队列,直至由给定的密度比例因子所决定的密度边缘。为了改善聚类质量,提出了候选核心点,并使用给定的半径比例因子发现核心点。在实验中,利用数据集对该算法进行了测试,测试结果证明了该改进算法的参数鲁棒性,和在聚类密度分布不均数据集时的较好性能。 相似文献