面向态势评估的关联规则挖掘关键技术研究

发布时间：2020-12-28 07:17

　　现代战争是信息的较量,在战争“迷雾”中,能否通过信息优势使指挥员准确把握当前态势,在“看”的同时达到“知”,是决定战争胜负的重要因素。因此,态势评估在现代战争中有着不可替代的作用。传统态势评估的模型构建非常依赖先验知识、预选参数与有监督数据,缺乏动态更新能力。因此,近年来不少研究试图利用关联规则挖掘,直接从无监督战场事务数据中得到评估模型。然而,大部分研究对战场数据的设想过于简单,并未考虑其复杂性。本文针对战场数据属性类型多样、规模庞大、高维度和天然失真的特点,对面向态势评估的关联规则挖掘技术进行了深入研究,具体工作如下:1.提出基于中心极限定理(CLT,Central Limit Theorem)的战场对象间模糊关联规则挖掘算法CLTF。CLTF能将战场对象数据转换为模糊事务,并通过CLT对其简约,快速得到战场对象间模糊关联规则。CLTF主要解决两个问题。首先,关联规则挖掘所需的事务数据无法在战场中直接获得,在把战场半结构化数据转换为事务数据的过程中,数值型属性难以离散化;其次,大规模战场事务数据对关联规则挖掘的实时性构成挑战。针对这两个问题,CLTF在生成事务数据时,利用三角隶属度... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：142 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
        1.1.1 态势评估需求
        1.1.2 态势评估定义
        1.1.3 态势评估模型与关联规则挖掘
    1.2 研究问题的提出
        1.2.1 面向态势评估的战场数据来源
        1.2.2 数据来源所带来的数据特点
        1.2.3 关联规则挖掘在态势评估中的挑战
    1.3 国内外研究现状
        1.3.1 态势评估研究现状
        1.3.2 关联规则挖掘技术研究现状
        1.3.3 关联规则挖掘技术在态势评估中的应用现状
    1.4 本文主要贡献
    1.5 本文主要结构
第二章 基于CLT的战场模糊关联规则挖掘技术研究
    2.1 面向态势评估的战场数据模糊及简化需求
        2.1.1 面向态势评估的数据离散化困难
        2.1.2 大规模数据带来的时效性挑战
        2.1.3 数据模糊化及合理简化的意义
    2.2 基础理论
        2.2.1 模糊关联规则挖掘
        2.2.2 CLT在数据挖掘中的应用
    2.3 基于CLT的战场对象间模糊关联规则挖掘算法
        2.3.1 算法概要
        2.3.2 战场模糊事务数据生成
        2.3.3 虚拟二元事务数据等价
        2.3.4 虚拟二元事务数据采样及挖掘
    2.4 性能测试及分析
        2.4.1 实验准备
        2.4.2 算法效率比较
        2.4.3 模糊频繁模式可靠性比较
        2.4.4 模糊关联规则可靠性比较
    2.5 本章小结
第三章 强精度保证下的战场二元事务数据简化技术研究
    3.1 态势评估中二元事务数据简化的强精度保证需求
        3.1.1 弱精度简化的不足
        3.1.2 强精度简化意义
    3.2 基础理论
        3.2.1 关联规则挖掘中的强精度保证
        3.2.2 Union界
    3.3 强精度保证下的数据简化任务分解
        3.3.1 强精度保证的定义分解
        3.3.2 简化任务分解
    3.4 基于Union界与CLT的战场二元事务数据简化算法
        3.4.1 算法概要
        3.4.2 预采样
        3.4.3 正式采样
        3.4.4 事务合并
    3.5 性能测试及分析
        3.5.1 实验准备
        3.5.2 算法效率比较
        3.5.3 频繁模式可靠性比较
        3.5.4 关联规则可靠性比较
    3.6 本章小结
第四章 基于改进BPSO的战场长模式挖掘算法
    4.1 面向态势评估的战场数据高维性及长模式挖掘需求
        4.1.1 面向态势评估的数据高维特性
        4.1.2 战场长模式挖掘的需求与困难
        4.1.3 基于启发式算法的长模式挖掘意义
    4.2 基础理论
        4.2.1 PSO算法
        4.2.2 BPSO算法
    4.3 基于改进BPSO的战场长模式挖掘算法
        4.3.1 算法概要
        4.3.2 粒子编码与位置更新
        4.3.3 CLT采样下的粒子适应度计算
        4.3.4 初始种群生成与优化
        4.3.5 搜索空间动态降维及粒子修正
    4.4 性能测试及分析
        4.4.1 实验准备
        4.4.2 长模式搜索能力比较
    4.5 本章小结
第五章 数据天然失真下的规则排序与匹配技术研究
    5.1 面向态势评估的数据失真现象
        5.1.1 数据中的漏识别现象
        5.1.2 数据中的误识别现象
        5.1.3 关联规则与客观规则
    5.2 基础理论
        5.2.1 层次聚类算法
        5.2.2 合理粒化原则
    5.3 数据失真对关联规则影响的理论分析
        5.3.1 数据失真对关联规则支持度的影响
        5.3.2 数据失真下的规则优先级分析
    5.4 基于数据失真模型的规则排序与使用
        5.4.1 算法概要
        5.4.2 战场关联规则排序
        5.4.3 战场关联规则匹配
        5.4.4 匹配集扩充与态势网络生成
    5.5 性能测试及分析
        5.5.1 实验准备
        5.5.2 算法可靠性测试
    5.6 本章小结
第六章 原型系统设计与案例验证
    6.1 态势评估原型系统的设计
        6.1.1 评估规则挖掘模块
        6.1.2 态势评估模块
        6.1.3 可视化交互界面
    6.2 案例数据生成
        6.2.1 数据生成模型
        6.2.2 数据生成方式
        6.2.3 数据存储方式
    6.3 案例中的态势评估任务想定
        6.3.1 案例中的态势评估任务设计
        6.3.2 到达态势评估模块的对象及待评估关系
        6.3.3 任务想定的合理性分析
    6.4 验证与分析
        6.4.1 参数选择
        6.4.2 二元事务数据生成
        6.4.3 模式与规则挖掘
        6.4.4 态势评估结果
    6.5 本章小结
第七章 结论与展望
    7.1 本文工作总结
    7.2 下一步工作展望
致谢
参考文献
作者在学期间取得的学术成果
附录A 论文中的主要符号及其含义



本文编号：2943356