隨著大量戰(zhàn)場觀測傳感器的應(yīng)用,輸入到指揮控制系統(tǒng)的戰(zhàn)場目標(biāo)數(shù)據(jù)呈現(xiàn)激增的趨勢,目標(biāo)信息數(shù)據(jù)規(guī)模大、維度高、結(jié)構(gòu)復(fù)雜等問題給目標(biāo)分群技術(shù)帶來了全新的挑戰(zhàn),然而,利用傳統(tǒng)的聚類方法已經(jīng)無法對高維的戰(zhàn)場目標(biāo)數(shù)據(jù)進行有效分群。本課題針對當(dāng)前目標(biāo)分群技術(shù)的困境,首先提出了一種基于深度學(xué)習(xí)的通用聚類模型框架,該模型框架將聚類技術(shù)嵌入到深度神經(jīng)網(wǎng)絡(luò)模型中,能夠完成對高維戰(zhàn)場目標(biāo)數(shù)據(jù)集的特征提取,并實現(xiàn)聚類,在此基礎(chǔ)上構(gòu)建了基于深度堆棧自編碼網(wǎng)絡(luò)的目標(biāo)分群模型,設(shè)計了綜合傳統(tǒng)聚類算法優(yōu)點的目標(biāo)分群算法DAE-k和DAE-G,通過設(shè)計智能目標(biāo)分群技術(shù)的驗證實驗,建立目標(biāo)分群效果的評價指標(biāo),實驗選取了來自不同領(lǐng)域、不同空間的多個戰(zhàn)場目標(biāo)數(shù)據(jù)集,經(jīng)過數(shù)據(jù)預(yù)處理后,在TensorFlow人工智能開發(fā)平臺上實現(xiàn)了目標(biāo)分群算法DAE-k和DAE-G,實驗結(jié)果驗證了兩種目標(biāo)分群算法在大規(guī)模、高維目標(biāo)分群問題上的有效性和適用性�；谏疃葘W(xué)習(xí)的智能目標(biāo)分群技術(shù)研究能夠使指揮控制系統(tǒng)對大規(guī)模高維數(shù)據(jù)的處理更加高效、智能,同時也為指揮控制系統(tǒng)的智能化建設(shè)提供了技術(shù)支撐。 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)分群的層次

國防科技大學(xué)研究生院碩士學(xué)位論文第5頁領(lǐng)域的一個難點，維度災(zāi)難（curseofdimensionality）的現(xiàn)象大量存在。在這個問題上，很多研究者提出了“先對原始數(shù)據(jù)進行降維、再進行聚類”的方案，但這些降維工作大部分仍是由人工來進行操作的，人工降維的效率已經(jīng)跟不上數(shù)據(jù)規(guī)模量級的增長，同時，在人工降維的過程中也無法保證原始數(shù)據(jù)結(jié)構(gòu)的完整性。對于以上數(shù)據(jù)規(guī)模大、維度多的問題，深度學(xué)習(xí)技術(shù)就能夠很好的解決，因此，本課題將結(jié)合深度學(xué)習(xí)技術(shù)和傳統(tǒng)聚類技術(shù)兩方面的優(yōu)點，來實現(xiàn)對目標(biāo)的智能分群。1.2.2深度學(xué)習(xí)技術(shù)研究現(xiàn)狀深度學(xué)習(xí)是目前機器學(xué)習(xí)學(xué)科發(fā)展最蓬勃的分支，也是整個人工智能領(lǐng)域中應(yīng)用前景最為廣闊的技術(shù)，其概念關(guān)系如圖1.2所示。深度學(xué)習(xí)的前身是人工神經(jīng)網(wǎng)絡(luò)（Artificialneuralnetwork，ANN），它是一種機器學(xué)習(xí)方法。所謂表示學(xué)習(xí)，就是要讓算法在少量人為先驗經(jīng)驗的情況下，能夠自動從數(shù)據(jù)中抽取合適的特征[32]，完成原本需要通過特征工程才能得到的結(jié)果，深度學(xué)習(xí)就是通過多層非線性變換的組合方式，得到更抽象更有效的特征表示。圖1.2深度學(xué)習(xí)技術(shù)的概念關(guān)系深度學(xué)習(xí)是指通過構(gòu)建具有多個隱層的神經(jīng)網(wǎng)絡(luò)，在輸入一定規(guī)模的數(shù)據(jù)樣本訓(xùn)練集后，該神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到這些數(shù)據(jù)內(nèi)部的特征，并預(yù)測得到相關(guān)領(lǐng)域的一些新數(shù)據(jù)或是某種發(fā)展趨勢。深度學(xué)習(xí)技術(shù)經(jīng)過近幾年的發(fā)展，有多種基于深度學(xué)習(xí)的模型框架已經(jīng)被廣泛應(yīng)用到各行各業(yè)中：自編碼器（SelfAuto-Encoder，SAE）、卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）、長短時記憶網(wǎng)絡(luò)（LongShortTermMemory，LSTM）、生成對抗網(wǎng)絡(luò)（GenerateAdversarialNetwork，GAN）等，其中LSTM可以實現(xiàn)時序特征的記憶，對解決意圖識別時序性問題

國防科技大學(xué)研究生院碩士學(xué)位論文第13頁相似維的高維子空間聚類算法，張濤等人[20]提出了一種基于低秩表示的子空間聚類改進算法。計算復(fù)雜度的問題同樣也是子空間聚類需要應(yīng)對的一個難題，其主要體現(xiàn)在對子空間中類簇的搜索過程中，當(dāng)計算復(fù)雜度達到一定量級時，甚至?xí)购罄m(xù)的聚類算法失效[51][55]。因此如何采用有效的方法來降低子空間聚類的計算復(fù)雜度，仍需要進一步深入研究。2.2深度學(xué)習(xí)技術(shù)研究2.2.1深度前饋神經(jīng)網(wǎng)絡(luò)深度前饋神經(jīng)網(wǎng)絡(luò)（Deepfeedforwardneuralnetwork）相當(dāng)于是多層感知機（MultilayerPerceptron，MLP），它通過定義一個映射來訓(xùn)練樣本數(shù)據(jù)，在這個過程中參數(shù)會不斷的更新，它的目的就是使這個映射的輸入能夠更加貼合實際。前饋網(wǎng)絡(luò)之所以被稱為“前辣的，是因為該網(wǎng)絡(luò)的輸出對網(wǎng)絡(luò)中的參數(shù)不會產(chǎn)生反饋影響。神經(jīng)網(wǎng)絡(luò)的基本單位是多輸入單輸出形式的非線性神經(jīng)元，其數(shù)學(xué)模型如圖2.1所示。圖2.1神經(jīng)元的數(shù)學(xué)模型它的數(shù)學(xué)表達形式為

【參考文獻】：
期刊論文
[1]人工智能賦能運營商“大連接”戰(zhàn)略[J]. 湯人杰,楊巧節(jié).  電信技術(shù). 2018(04)
[2]基于相似度矩陣的雷達探測目標(biāo)分群算法[J]. 陶宇,蔣序平.  火控雷達技術(shù). 2018(01)
[3]基于改進空間劃分的目標(biāo)分群算法[J]. 樊振華,師本慧,陳金勇,段同樂.  系統(tǒng)工程與電子技術(shù). 2017(05)
[4]態(tài)勢估計中的目標(biāo)分群算法設(shè)計與實現(xiàn)[J]. 張冬寧,艾偉.  無線電工程. 2016(11)
[5]一種基于低秩表示的子空間聚類改進算法[J]. 張濤,唐振民,呂建勇.  電子與信息學(xué)報. 2016(11)
[6]基于改進K-means算法的陸戰(zhàn)場機動目標(biāo)分群方法[J]. 張緒亮,張宏軍,綦秀利,王文博,王澤,尹成祥.  信息技術(shù). 2016(03)
[7]基于最近鄰的隨機非線性降維[J]. 田守財,孫喜利,路永鋼.  計算機應(yīng)用. 2016(02)
[8]基于數(shù)據(jù)場改進的目標(biāo)分群算法[J]. 王驍,李東生,雍愛霞.  火力與指揮控制. 2015(12)
[9]二叉樹多分類SVM在目標(biāo)分群中的應(yīng)用[J]. 段同樂,張冬寧.  無線電工程. 2015(06)
[10]最小方差優(yōu)化初始聚類中心的K-means算法[J]. 謝娟英,王艷娥.  計算機工程. 2014(08)

博士論文
[1]基于排序模式分析與深度學(xué)習(xí)的風(fēng)電設(shè)備故障診斷方法研究[D]. 江國乾.燕山大學(xué) 2017
[2]基于流形學(xué)習(xí)的特征提取方法及其應(yīng)用研究[D]. 李波.中國科學(xué)技術(shù)大學(xué) 2008
[3]高維數(shù)據(jù)的聚類方法研究與應(yīng)用[D]. 陳黎飛.廈門大學(xué) 2008
[4]高維數(shù)據(jù)挖掘中若干關(guān)鍵問題的研究[D]. 楊風(fēng)召.復(fù)旦大學(xué) 2003

碩士論文
[1]高維數(shù)據(jù)的聚類分析研究及應(yīng)用[D]. 蘇飛.華北水利水電大學(xué) 2017
[2]基于聚類分析的空中戰(zhàn)機目標(biāo)分群應(yīng)用研究[D]. 董冰.西安電子科技大學(xué) 2015
[3]高維數(shù)據(jù)子空間聚類算法研究[D]. 張井.天津大學(xué) 2012
[4]高維數(shù)據(jù)聚類算法的研究[D]. 易莉樺.燕山大學(xué) 2012
[5]改進的Chameleon層次聚類算法在目標(biāo)分群中的應(yīng)用研究[D]. 畢鵬.浙江大學(xué) 2009



本文編號：3126424