航空器飞行轨迹相似性度量及聚类分析

基于相似性度量的飞行轨迹聚类能够为航线优化设计、空中交通管理智能化提供技术支持。对飞行轨迹数据进行预处理之后,引入欧氏距离和余弦相似度2种度量,分别构建实际轨迹与理想轨迹、实际轨迹之间的相似性矩阵,利用谱聚类方法对终端区实测飞行轨迹进行聚类,并针对不同相似性度量的特点进行对比分析。结果表明,基于实际轨迹与理想轨迹相似性以及基于混合度量计算实际轨迹间相似性的聚类结果均较为理想,能够有效识别盛行交通流和异常轨迹。     

多维数据分析处理技术

本文研究了基于大数据下的多维数据分析处理方法:针对大数据的多维离散拘束高效分析处理方法。该方法采用空间重构方法对多维数据采取离散映射,找到最小嵌入维数和最合适的时延构造信息流模型,并采用模糊聚类算法求解初始聚类中心搜索目标函数,从而获取到多维数据的最优聚类中心,利用优化算法实现聚类优化完成多维数据的高效聚类,仿真实验结果证明了该方法的可行性,提高计算效率。     

基于卡尔曼滤波的雷达航迹跟踪算法的综述

雷达航迹跟踪算法的应用关系着引入空管自动化系统的航迹数据的准确性。本综述按照系统的线性和非线性的分类介绍了四种基于卡尔曼滤波的航迹跟踪算法,对每一种算法进行介绍、分析和评价。最后通过综合比较算法的原理以及在目标跟踪中的效果,进行了算法推荐,以便在今后对雷达航迹跟踪算法做进一步的研究。     

B样条理论在无人机航迹平滑中的应用

航迹规划是指根据飞行要求,设计出一条从起点到终点的最优航迹,航迹平滑是航迹规划的最后阶段,好的平滑效果可以保证所规划的航迹具有实际可飞性,因此,对航迹平滑算法的研究对整个无人机的航迹规划都具有很大的意义。文章针对无人机航迹规划问题所需满足的约束条件,建立相应的机动性能模型和威胁约束模型,平滑阶段主要包括雷达、导弹、高炮等威胁模型。首先将规划空间栅格化,其次通过标准蚁群算法获得无人机的初始航迹,状态转移策略仅根据信息素及启发因子按照蚁群算法概率公式进行选择,最后根据航迹平滑中参数分布不均匀的特点,选择非均匀三次B样条处理初始航迹。整个算法在Matlab平台上仿真实现,经过计算仿真,实验证明非均匀三次B样条曲线呈现出较好的平滑效果。     

基于改进蚁群算法的无人机航迹规划仿真研究

目前,无人机在低空摄影测量中得到了广泛应用,航拍前需要对无人机进行航迹规划,由人工录取的航迹在地形起伏较大时存在易坠落坠毁的情况。本文针对无人机坠毁的情况,对空间进行划分,构建地形启发因子,通过改进后的蚁群算法寻找一条避开地形的航迹,最后利用B样条曲线对航迹进行平滑处理,实验结果表明改进后的蚁群算法在地形起伏较大时无人机飞行有较好的安全性且航迹真实、可飞。     

建筑能源需求侧管理的数据挖掘方法及案例分析

简要介绍了4种常用的数据挖掘技术,结合建筑负荷分类和预测相关研究进行了评估比较。使用K均值聚类算法对上海某居民小区的用电数据进行了分析,结果表明,利用K均值算法的聚类分析和统计学方法结合所挖掘出的数据与实际情况表现出高度吻合性,并且比逻辑推理分析的结果更加精确可靠。     

几个初始聚类中心选取算法的比较研究

传统的k均值算法对初始聚类中心敏感。在实际应用中，找到一组初始中心点，从而获得一个较好的聚类效果并消除聚类结果的波动性对k均值算法具有重要意义。本文对文献提出的基于Huffman树构造的思想选取初始聚类中心、基于均值-标准差选取初始聚类中心、基于密度选取初始聚类中心、采用最大距离积法选取初始聚类中心等4个算法从算法思想、关键技术等方面进行了比较研究。     

雷达航迹处理测试环境构建方法研究

雷达航迹处理软件是雷达整机系统的核心单元。雷达航迹处理软件直接关系探测目标的准确发现、稳定跟踪,是雷达整机软件测试过程中的关键环节。本文研究了一种用于雷达航迹处理软件测试的环境构建方法,该方法将试验场采集的雷达点迹数据,进行本地回放,在线重演雷达探测目标的航迹起始与跟踪过程,便于开展航迹处理相关算法、操作设计的测试工作。本文方案基于实际数据开展雷达航迹处理软件测试工作,易于有效发现航迹处理软件在实际工作中的缺陷,具有较高的应用推广价值。     

基于熵值赋权的粒子群聚类方法研究

本文通过获取和处理电商服装产品运营数据,提出基于熵值赋权的粒子群聚类方法对服装产品销售平台的支付转化率、访客数、详情页跳出率、平均停留时长、访客平均价值、客单价进行聚类,对比K＿Means聚类和传统粒子群聚类算法的聚类结果,结果表明基于熵值赋权的粒子群聚类算法的平均聚类轮廓系数最大,即其聚类效果较其他两种算法更好。最后以聚成3类为例,对聚类结果进行运营管理分析,结果表明该算法可以处理庞大的电子商务数据信息,为电商企业的日常运营管理提供决策依据。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。